ڈیٹا سائنس مطالعہ کا وہ شعبہ ہے جو سائنسی طریقوں، طریقہ کار، الگورتھم اور سسٹمز کا استعمال کرتے ہوئے ان دیکھے نمونوں کو تلاش کرنے، بامعنی معلومات حاصل کرنے، کمپنیوں میں کاروباری فیصلے کرنے، اور غیر کاروباری اداروں میں بھی استعمال کرنے کے لیے ڈیٹا کی وسیع مقدار کو ہینڈل کرتا ہے۔ غیر کاروباری اداروں میں صحت کی دیکھ بھال، گیمنگ، امیج ریکگنیشن، ریکمنڈیشن سسٹم، لاجسٹکس، فراڈ ڈیٹیکشن (بینکنگ اور مالیاتی ادارے)، انٹرنیٹ سرچ، اسپیچ ریکگنیشن، ٹارگٹڈ ایڈورٹائزنگ، ایئر لائن روٹ پلاننگ، اور اگمینٹڈ ریئلٹی کی صنعتیں شامل ہیں۔ ڈیٹا سائنس مصنوعی ذہانت کا ایک ذیلی سیٹ ہے۔ ڈیٹا جو تجزیہ کے لیے استعمال کیا جاتا ہے وہ بہت سے مختلف ذرائع سے آتا ہے اور مختلف فارمیٹس میں پیش کیا جاتا ہے۔ کچھ سورس ڈیٹا کو معیاری بنایا جا سکتا ہے۔ دوسروں کو معیاری نہیں بنایا جا سکتا ہے.
اسے دوسرے طریقے سے ڈالنے کے لیے، ڈیٹا اکٹھا کرنے کے لیے مختلف طریقے استعمال کیے جاتے ہیں (ڈیٹم کی جمع)۔ پھر، جمع شدہ ڈیٹا سے علم (قیمتی نتائج) نکالا جاتا ہے۔ اس عمل میں، ڈیٹا اکٹھا کرنے کے بعد، نئے ڈیٹا (نتائج) حاصل کرنے کے لیے ان (ڈیٹا) پر تحقیق کی جاتی ہے جس سے مسائل حل ہوتے ہیں۔
ڈیٹا سائنس بطور (بڑے) ڈسپلن یونیورسٹی میں بیچلر اور ماسٹر ڈگری کی سطح پر موجود ہے۔ تاہم، دنیا کی صرف چند یونیورسٹیاں بیچلر یا ماسٹر ڈگری پر ڈیٹا سائنس پیش کرتی ہیں۔ بیچلر ڈگری کی سطح پر، طالب علم ڈیٹا سائنس میں ڈگری کے ساتھ فارغ التحصیل ہوتا ہے۔ یہ ایک عام مقصد کی ڈگری کی طرح ہے۔ ماسٹر ڈگری کی سطح پر، طالب علم ڈیٹا سائنس میں پوسٹ گریجویٹ ڈگری کے ساتھ نکلتا ہے، ڈیٹا اینالیٹکس، ڈیٹا انجینئرنگ، یا ڈیٹا سائنٹسٹ کے طور پر مہارت حاصل کرتا ہے۔
یہ پڑھنے والے کو حیران کر سکتا ہے اور ممکنہ طور پر بدقسمتی سے، کہ مشین لرننگ، ماڈلنگ، شماریات، پروگرامنگ، اور ڈیٹا بیس بیچلر ڈگری کی سطح پر ڈیٹا سائنس کا مطالعہ کرنے کے لیے لازمی علم ہیں، اس حقیقت کے باوجود کہ وہ اپنے حقوق کے لحاظ سے یونیورسٹی کے کورسز کا احترام کرتے ہیں، جن میں تعلیم حاصل کی جاتی ہے۔ بیچلر ڈگری کی سطح یا ماسٹر کی سطح پر دیگر مضامین۔ اس کے باوجود، جب کوئی طالب علم ڈگری کی سطح پر ڈیٹا سائنس کی تعلیم حاصل کرنے کے لیے یونیورسٹی جاتا ہے، تب بھی ان تمام کورسز کا مطالعہ، ڈیٹا سائنس کے لیے، مناسب کورسز کے ساتھ یا اس سے پہلے کیا جائے گا۔
بیچلر ڈگری کے لیے ڈیٹا سائنس یا اس کی تخصصات جیسے ڈیٹا اینالیٹکس، ڈیٹا انجینئرنگ، یا بطور ڈیٹا سائنٹسٹ ابھی بھی تیار کیے جا رہے ہیں۔ اگرچہ وہ اس مرحلے پر پہنچ گئے ہیں کہ وہ تعلیم حاصل کرنے کے بعد (یونیورسٹی میں) صنعتوں میں لاگو ہوتے ہیں۔ ڈیٹا سائنس مجموعی طور پر ایک نسبتاً بہت نیا شعبہ ہے۔
یاد رکھیں کہ سپیشلسٹ بننے سے پہلے آپ کو جنرلسٹ بننا چاہیے۔ ماہرین کے پروگراموں کے درمیان فرق ابھی تک واضح نہیں ہے۔ جنرلسٹ اور ماہر پروگراموں کے درمیان فرق ابھی واضح نہیں ہے۔
چونکہ ڈیٹا سائنس ایک نسبتاً نیا ڈسپلن ہے، اس لیے اس دستاویز میں تجویز کردہ کتابیں مواد کی کوریج پر مبنی ہیں نہ کہ تدریسی (کتاب کتنی اچھی تعلیم دیتی ہے)۔ اور وہ بیچلر ڈگری (جنرلسٹ) پروگرام کے لیے ہیں۔ مختلف جنرلسٹ کورسز ہیں۔
فہرست
مزید تفصیلات اور کریڈٹ کارڈ سے ممکنہ خریداری کے لیے، ہر کتاب کے لیے ایک ہائپر لنک دیا گیا ہے۔ کتابوں میں سے ایک بھی تمام عمومی کورسز کا احاطہ نہیں کرتی۔
ڈیٹا سائنس کے لیے ضروری ریاضی: کیلکولس، شماریات، امکانی نظریہ، اور لکیری الجبرا
تحریر: ہیڈرین جین
- ناشر: ہیڈرین جین
- اشاعت کی تاریخ: 30 ستمبر 2020 کے بعد
- زبان: انگریزی
- صفحات کی تعداد: 400 سے زیادہ
اس کتاب کے مواد کو ڈیٹا سائنس کے ریاضی کورس کے طور پر دیکھا جا سکتا ہے۔ اگرچہ خود سے ڈیٹا سائنس سیکھنے کی سفارش نہیں کی جاتی ہے، لیکن ہائی اسکول کے گریجویٹ جو خود ڈیٹا سائنس سیکھنا چاہتا ہے اسے اس کتاب سے شروعات کرنی چاہیے۔
مواد: کیلکولس؛ اعداد و شمار اور امکان؛ لکیری الجبرا؛ اسکیلرز اور ویکٹر؛ میٹرکس اور ٹینسر؛ اسپین، لکیری انحصار، اور خلائی تبدیلی؛ لکیری مساوات کے نظام؛ Eigenvectors اور Eigenvalues؛ واحد قدر کی سڑن۔
https://www.essentialmathfordatascience.com/
ڈیٹا سٹرکچرز اور الگورتھم کے لیے ایک کامن سینس گائیڈ: اپنی بنیادی پروگرامنگ سکلز کو لیول اپ کریں / دوسرا ایڈیشن
تحریر: جے وینگرو
- ناشر: پراگمیٹک بک شیلف
- اشاعت کی تاریخ: 15 ستمبر 2020
- زبان: انگریزی
- طول و عرض: 7.5 x 1.25 x 9.25 انچ
- صفحات کی تعداد: 508
یہ کتاب الگورتھم اور ڈیٹا ڈھانچے سے متعلق ہے جو ڈیٹا سائنس میں استعمال ہوتے ہیں۔ فرض کریں کہ کوئی ہائی اسکول سے فارغ التحصیل ہونے کے بعد خود ڈیٹا سائنس سیکھ رہا ہے، تو یہ پچھلی ریاضی کی کتاب پڑھنے کے بعد اگلی کتاب ہے۔ مثال کے پروگرام جاوا اسکرپٹ، ازگر اور روبی میں دیے گئے ہیں۔
مواد: ڈیٹا کے ڈھانچے کیوں اہم ہیں؛ الگورتھم کیوں اہمیت رکھتے ہیں؛ اے ہاں! بگ اے نوٹیشن؛ بگ O کے ساتھ اپنے کوڈ کو تیز کرنا؛ بگ O کے ساتھ اور بغیر کوڈ کو بہتر بنانا؛ پرامید منظرناموں کے لیے بہتر بنانا؛ روزمرہ کے کوڈ میں بڑا اے؛ ہیش ٹیبلز کے ساتھ تیز رفتار تلاش؛ ڈھیروں اور قطاروں کے ساتھ خوبصورت کوڈ تیار کرنا؛ Recursively Recurse کے ساتھ Recurse; تکراری میں لکھنا سیکھنا؛ متحرک پروگرامنگ؛ رفتار کے لیے تکراری الگورتھم؛ نوڈ پر مبنی ڈیٹا ڈھانچے؛ بائنری تلاش کے درختوں کے ساتھ تمام چیزوں کو تیز کرنا؛ اپنی ترجیحات کو ڈھیروں کے ساتھ سیدھا رکھنا؛ کوشش کرنے سے کوئی تکلیف نہیں ہوتی؛ ہر چیز کو گراف کے ساتھ جوڑنا؛ خلائی رکاوٹوں سے نمٹنا؛ کوڈ کی اصلاح کے لیے تکنیک
ذہین ڈیٹا سائنس: انٹرپرائز-گریڈ ڈیٹا اور اے آئی پروجیکٹس کے ساتھ کامیابی حاصل کرنا / 1 st ترمیم کرنا
تحریر کردہ: نیل فش مین، کول اسٹرائیکر، اور گریڈی بوچ
- ناشر: ولی
- اشاعت کی تاریخ: اپریل 14، 2020
- زبان: انگریزی
- صفحات کی تعداد: 286
مواد: AI سیڑھی پر چڑھنا؛ فریمنگ حصہ I: AI استعمال کرنے والی تنظیموں کے لیے تحفظات؛ فریمنگ حصہ II: ڈیٹا اور AI کے ساتھ کام کرنے کے لیے غور و فکر؛ تجزیات پر ایک نظر: ایک سے زیادہ ہتھوڑا؛ تجزیات پر ایک نظر: ہر چیز ایک کیل نہیں ہوسکتی ہے۔ AI سیڑھی پر آپریشنل ڈسپلن سے خطاب کرنا؛ اپنے ڈیٹا کا زیادہ سے زیادہ استعمال: قدر پر مبنی ہونا؛ شماریاتی تجزیہ کے ساتھ ڈیٹا کی قدر کرنا اور بامعنی رسائی کو فعال کرنا؛ طویل مدتی کے لیے تعمیر؛ ایک سفر کا اختتام: AI کے لیے ایک IA۔
مشین لرننگ: ایک امکانی تناظر (اڈاپٹیو کمپیوٹیشن اور مشین لرننگ سیریز) السٹریٹڈ ایڈیشن
تحریر: کیون پی مرفی
- ناشر: ایم آئی ٹی پریس
- تاریخ اشاعت: اگست 24، 2012
- زبان: انگریزی
- طول و عرض: 8.25 x 1.79 x 9.27 انچ
- صفحات کی تعداد: 1104
یہ کتاب beginners کے لیے اچھی ہے۔ ایک بار پھر، اس دستاویز میں تجویز کردہ باقی تمام کتابوں کی طرح، اس کتاب میں جنرلسٹ پروگرام کے لیے ضروری ہر چیز کا احاطہ نہیں کیا گیا ہے جو بدقسمتی سے ابھی تک حتمی شکل نہیں دی گئی ہے (اسپیشلسٹ پروگراموں کو بھی حتمی شکل نہیں دی گئی ہے)۔ یہاں کا عام آدمی ریاضی اور کمپیوٹر سائنس میں پاس کے ساتھ ہائی اسکول سے فارغ التحصیل ہے۔
مواد: تعارف (مشین لرننگ: کیا اور کیوں؟، غیر زیر نگرانی سیکھنے، مشین لرننگ میں کچھ بنیادی تصورات)؛ امکان مجرد ڈیٹا کے لیے تخلیقی ماڈل؛ گاوسی ماڈل؛ Bayesian اعداد و شمار؛ فریکوئنٹیسٹ شماریات؛ لکیری رجعت؛ لاجسٹک رجعت؛ عمومی لکیری ماڈلز اور ایکسپونینشل فیملی؛ ہدایت کردہ گرافیکل ماڈلز (بیز نیٹ)؛ مرکب ماڈل اور EM الگورتھم؛ اویکت لکیری ماڈل؛ ویرل لکیری ماڈل؛ گٹھلی؛ گاوسی عمل؛ انکولی بنیاد فنکشن ماڈل؛ مارکوف اور پوشیدہ مارکوف ماڈلز؛ ریاستی خلائی ماڈل؛ غیر ہدایت شدہ گرافیکل ماڈلز (مارکوف بے ترتیب فیلڈز)؛ گرافیکل ماڈلز کے لیے درست اندازہ؛ تغیراتی تخمینہ؛ مزید متغیر تخمینہ؛ مونٹی کارلو کا اندازہ؛ مارکوف چین مونٹی کارلو (MCMC) کا اندازہ؛ جھرمٹ; گرافیکل ماڈل ڈھانچہ سیکھنا؛ مجرد ڈیٹا کے لیے اویکت متغیر ماڈلز؛ گہری تعلیم۔
کاروبار کے لیے ڈیٹا سائنس: ڈیٹا مائننگ اور ڈیٹا اینالیٹک سوچ کے بارے میں آپ کو کیا جاننے کی ضرورت ہے / پہلا ایڈیشن
تحریر: ٹام فاوسٹ اور فوسٹر پرووسٹ
- ناشر: او ریلی میڈیا
- تاریخ اشاعت: ستمبر 17، 2013
- زبان: انگریزی
- طول و عرض: 7 x 0.9 x 9.19 انچ
- صفحات کی تعداد: 413
مواد: ڈیٹا اینالیٹک سوچ؛ کاروباری مسائل اور ڈیٹا سائنس کے حل؛ پیشن گوئی ماڈلنگ کا تعارف: ارتباط سے زیر نگرانی تقسیم تک؛ ڈیٹا پر ماڈل فٹ کرنا؛ اوور فٹنگ اور اس سے اجتناب؛ مماثلت، پڑوسی، اور جھرمٹ؛ فیصلہ تجزیاتی سوچ I: اچھا ماڈل کیا ہے؟ ماڈل کی کارکردگی کو تصور کرنا؛ ثبوت اور امکانات؛ نمائندگی اور کان کنی کا متن؛ فیصلہ تجزیاتی سوچ II: تجزیاتی انجینئرنگ کی طرف۔ دیگر ڈیٹا سائنس کے کام اور تکنیک؛ ڈیٹا سائنس اور کاروباری حکمت عملی؛ نتیجہ.
https://www.amazon.com/Data-Science-Business-Data-Analytic-Thinking/dp/B08VL5K5ZX
ڈیٹا سائنسدانوں کے لیے عملی اعدادوشمار: R اور Python کا استعمال کرتے ہوئے 50+ ضروری تصورات / دوسرا ایڈیشن
تحریر: پیٹر بروس، اینڈریو بروس، اور پیٹر گیڈک
- ناشر: او ریلی میڈیا
- اشاعت کی تاریخ: جون 2، 2020
- زبان: انگریزی
- طول و عرض: 7 x 0.9 x 9.1 انچ
- صفحات کی تعداد: 368
مواد: تحقیقی ڈیٹا کا تجزیہ، ڈیٹا اور نمونے لینے کی تقسیم، شماریاتی تجربات اور اہمیت کی جانچ، رجعت اور پیشین گوئی، درجہ بندی، شماریاتی مشین لرننگ، غیر زیر نگرانی سیکھنا۔
کیوں کی کتاب: وجہ اور اثر کی نئی سائنس
تحریر: جوڈیا پرل، ڈانا میکنزی
- ناشر: بنیادی کتاب
- تاریخ اشاعت: مئی 15، 2018
- زبان: انگریزی
- طول و عرض: 6.3 x 1.4 x 9.4 انچ
- صفحات کی تعداد: 432
اگرچہ ڈیٹا سائنس کی بہت سی کتابیں مثال کے لیے خالص کاروباری صنعت کا استعمال کرتی ہیں، لیکن یہ کتاب مثال کے لیے طبی صنعت اور دیگر مضامین کا استعمال کرتی ہے۔
مواد: تعارف: ڈیٹا پر ذہن؛ Causation کی سیڑھی؛ بکینیرز سے گنی پگز تک: وجہ کا اندازہ شواہد سے اسباب تک: ریورنڈ بیز مسٹر ہومز سے ملاقات کرتے ہیں۔ کنفاؤنڈنگ اور ڈی کنفاؤنڈنگ: یا، چھپے ہوئے متغیر کو مارنا؛ دھوئیں سے بھری بحث: ہوا صاف کرنا۔ Paradoxes Galore!; ایڈجسٹمنٹ سے آگے: ماؤنٹ مداخلت کی فتح؛ جوابی حقائق: کان کنی کی دنیا جو ہو سکتی تھی؛ ثالثی: ایک طریقہ کار کی تلاش؛ بڑا ڈیٹا، مصنوعی ذہانت، اور بڑے سوالات۔
ڈیٹا سائنس میں کیریئر بنائیں
تحریر: ایملی رابنسن اور جیکولین نولس
- ناشر: میننگ
- اشاعت کی تاریخ: مارچ 24، 2020
- زبان: انگریزی
- طول و عرض: 7.38 x 0.8 x 9.25 انچ
- صفحات کی تعداد: 354
مواد: ڈیٹا سائنس کے ساتھ شروع کرنا؛ اپنی ڈیٹا سائنس جاب تلاش کرنا؛ ڈیٹا سائنس میں آباد ہونا؛ آپ کے ڈیٹا سائنس کے کردار میں اضافہ۔
https://www.manning.com/books/build-a-career-in-data-science
ڈیٹا سائنس برائے ڈمی / دوسرا ایڈیشن
تحریر: للیان پیئرسن
- ناشر: ڈمی کے لیے
- تاریخ اشاعت: مارچ 6، 2017
- انگریزی زبان
- طول و عرض: 7.3 x 1 x 9 انچ
- صفحات کی تعداد: 384
یہ کتاب فرض کرتی ہے کہ قاری کے پاس ریاضی اور پروگرامنگ کا پہلے سے ضروری علم ہے۔
مواد: ڈیٹا سائنس کے گرد اپنا سر لپیٹنا؛ ڈیٹا انجینئرنگ پائپ لائنز اور انفراسٹرکچر کی تلاش؛ کاروبار اور صنعت پر ڈیٹا سے چلنے والی بصیرت کا اطلاق؛ مشین لرننگ: اپنی مشین کے ذریعے ڈیٹا سے سیکھنا؛ ریاضی، امکان، اور شماریاتی ماڈلنگ؛ ڈیٹا کو ذیلی تقسیم کرنے کے لیے کلسٹرنگ کا استعمال؛ مثال کے ساتھ ماڈلنگ؛ عمارت کے ماڈلز جو انٹرنیٹ کی چیزوں کے آلات کو چلاتے ہیں؛ ڈیٹا ویژولائزیشن ڈیزائن کے اصولوں پر عمل کرنا؛ ڈیٹا ویژولائزیشن کے لیے D3.js کا استعمال؛ ویژولائزیشن ڈیزائن کے لیے ویب پر مبنی ایپلی کیشنز؛ ڈیش بورڈ ڈیزائن میں بہترین طریقوں کی تلاش؛ مقامی ڈیٹا سے نقشے بنانا؛ ڈیٹا سائنس کے لیے ازگر کا استعمال؛ ڈیٹا سائنس کے لیے اوپن سورس R کا استعمال؛ ڈیٹا سائنس میں ایس کیو ایل کا استعمال؛ ایکسل اور نائم کے ساتھ ڈیٹا سائنس کرنا؛ صحافت میں ڈیٹا سائنس: فائیو ڈبلیو ایس (اور ایک ایچ) ماحولیاتی ڈیٹا سائنس میں تلاش کرنا؛ ای کامرس میں ڈرائیونگ گروتھ کے لیے ڈیٹا سائنس؛ مجرمانہ سرگرمی کی وضاحت اور پیش گوئی کرنے کے لیے ڈیٹا سائنس کا استعمال؛ اوپن ڈیٹا کے لیے دس غیر معمولی وسائل؛ دس مفت ڈیٹا سائنس ٹولز اور ایپلی کیشنز۔
بڑے پیمانے پر ڈیٹاسیٹس کی کان کنی / 3 rd ترمیم کرنا
تحریر: جیور لیسکوویک، آنند راجارمن، جیفری ڈیوڈ اولمین
- ناشر: کیمبرج یونیورسٹی پریس
- اشاعت کی تاریخ: فروری 13، 2020
- انگریزی زبان
- طول و عرض: 7 x 1 x 9.75 انچ
- صفحات کی تعداد: 565
یہ کتاب یہ بھی فرض کرتی ہے کہ قاری کے پاس ریاضی اور پروگرامنگ کا پہلے سے ضروری علم ہے۔
مواد: ڈیٹا مائننگ؛ MapReduce اور نیا سافٹ ویئر اسٹیک؛ MapReduce کا استعمال کرتے ہوئے الگورتھم؛ اسی طرح کی اشیاء تلاش کرنا؛ کان کنی ڈیٹا اسٹریمز؛ لنک تجزیہ؛ بار بار اشیاء کے سیٹ؛ جھرمٹ; ویب پر اشتہارات؛ سفارشی نظام؛ کان کنی سوشل نیٹ ورک گرافس؛ جہتی کمی؛ بڑے پیمانے پر مشین لرننگ۔
نتیجہ
ماہرین کے پروگراموں کے درمیان فرق ابھی تک واضح نہیں ہے۔ جرنلسٹ اور سپیشلسٹ پروگراموں کے درمیان فرق بھی ابھی تک واضح نہیں ہے۔ تاہم، کتابوں کی دی گئی فہرست کو پڑھنے کے بعد، قاری ڈیٹا اینالسٹ، ڈیٹا انجینئرنگ اور ڈیٹا سائنٹسٹ کے خصوصی کرداروں کو بہتر انداز میں سراہنے اور پھر آگے بڑھنے کی پوزیشن میں ہو گا۔