Atjaunināt sīkdatņu piekrišanu

E-grāmata: Scientific Data: A 50 Steps Guide using Python

  • Formāts: 234 pages
  • Sērija : De Gruyter Textbook
  • Izdošanas datums: 07-Oct-2024
  • Izdevniecība: De Gruyter
  • Valoda: eng
  • ISBN-13: 9783111334608
  • Formāts - PDF+DRM
  • Cena: 68,12 €*
  • * ši ir gala cena, t.i., netiek piemērotas nekādas papildus atlaides
  • Ielikt grozā
  • Pievienot vēlmju sarakstam
  • Šī e-grāmata paredzēta tikai personīgai lietošanai. E-grāmatas nav iespējams atgriezt un nauda par iegādātajām e-grāmatām netiek atmaksāta.
  • Formāts: 234 pages
  • Sērija : De Gruyter Textbook
  • Izdošanas datums: 07-Oct-2024
  • Izdevniecība: De Gruyter
  • Valoda: eng
  • ISBN-13: 9783111334608

DRM restrictions

  • Kopēšana (kopēt/ievietot):

    nav atļauts

  • Drukāšana:

    nav atļauts

  • Lietošana:

    Digitālo tiesību pārvaldība (Digital Rights Management (DRM))
    Izdevējs ir piegādājis šo grāmatu šifrētā veidā, kas nozīmē, ka jums ir jāinstalē bezmaksas programmatūra, lai to atbloķētu un lasītu. Lai lasītu šo e-grāmatu, jums ir jāizveido Adobe ID. Vairāk informācijas šeit. E-grāmatu var lasīt un lejupielādēt līdz 6 ierīcēm (vienam lietotājam ar vienu un to pašu Adobe ID).

    Nepieciešamā programmatūra
    Lai lasītu šo e-grāmatu mobilajā ierīcē (tālrunī vai planšetdatorā), jums būs jāinstalē šī bezmaksas lietotne: PocketBook Reader (iOS / Android)

    Lai lejupielādētu un lasītu šo e-grāmatu datorā vai Mac datorā, jums ir nepieciešamid Adobe Digital Editions (šī ir bezmaksas lietotne, kas īpaši izstrādāta e-grāmatām. Tā nav tas pats, kas Adobe Reader, kas, iespējams, jau ir jūsu datorā.)

    Jūs nevarat lasīt šo e-grāmatu, izmantojot Amazon Kindle.

"Scientific Data: A 50 Steps Guide using Python" is your guide towards experimental scientific data. It aims to bridge the gap between classical natural sciences as taught in universities and the ever-growing need for technological/digital capabilities, particularly in industrial research. Topics covered include instructions for setting up a workspace, guidelines for structuring data, examples for interfacing with results files and suggestions for drawing scientific conclusions therefrom. Additionally, concepts for designing experiments and visualizing the corresponding results are highlighted next to ways of extracting meaningful characteristics and leveraging those in terms of multi-objective optimizations.

The concise problem-solution-discussion structure used throughout supported by Python code snippets emphasizes the work’s focus on practitioners. This guide will provide you with a solid understanding of how to process and understand experimental data within a natural scientific context while ensuring sustainable use of your findings and processing as seen through a programmer’s eyes.

Matthias Hofmann holds a Ph.D. in Physical Chemistry from the University of Regensburg. At Albert Invent, Matthias continues to contribute to innovative methods in natural science research and accelerating R&D through a data-driven approach.





He is the author of "Data Management for Natural Scientists - A Practical Guide to Data Extraction and Storage Using Python".