Sale
اصول علم داده در پایتون: گردآوری – سازماندهی – کاوش – پیشبینی – ارزش ۲۰۱۶
Data Science Essentials in Python: Collect – Organize – Explore – Predict – Value 2016
دانلود کتاب اصول علم داده در پایتون: گردآوری – سازماندهی – کاوش – پیشبینی – ارزش ۲۰۱۶ (Data Science Essentials in Python: Collect – Organize – Explore – Predict – Value 2016) با لینک مستقیم و فرمت pdf (پی دی اف)
| نویسنده |
Dmitry Zinoviev |
|---|
۳۰ هزار تومان تخفیف با کد «OFF30» برای اولین خرید
| سال انتشار |
2016 |
|---|---|
| زبان |
English |
| تعداد صفحهها |
226 |
| نوع فایل |
|
| حجم |
5.3 MB |
🏷️ قیمت اصلی: 200,000 تومان بود.129,000 تومانقیمت فعلی: 129,000 تومان.
هوشمصنوعی ترجمه کالیبو
توضیحات
معرفی کتاب اصول علم داده در پایتون: گردآوری – سازماندهی – کاوش – پیشبینی – ارزش ۲۰۱۶
با استفاده از این مرجع سریع برای دانشمندان داده پرمشغله، دادههای نامرتب و فاقد ساختار ذخیره شده در پایگاههای داده SQL و NoSQL را به مجموعهدادههای مرتب و خوشساختار تبدیل کنید. با مفاهیم متنکاوی، یادگیری ماشین و تحلیل شبکهها آشنا شوید؛ دادههای عددی را با ماژولهای NumPy و Pandas پردازش کنید؛ دادهها را با استفاده از روشهای آماری و نظریههای شبکه توصیف و تحلیل کنید؛ و نمونههای واقعی از تحلیل دادهها در عمل را مشاهده کنید. این راهکار جامع، علوم داده ضروری مورد نیاز شما در پایتون را پوشش میدهد.
علم داده، از نظر تحقیقات آکادمیک، ثبتنام دانشجویان و استخدام، یکی از سریعترین رشتههای در حال رشد است. پایتون، با انعطافپذیری و مقیاسپذیری خود، به سرعت جایگزین زبان R برای پروژههای علمی داده میشود. با استفاده از این مرجع سریع و ماژولار، مفاهیم علم داده پایتون را در دسترس خود نگه دارید و از ابزارهای مورد استفاده برای کسب، پاکسازی، تجزیه و تحلیل و ذخیره دادهها استفاده کنید.
این راهکار جامع، پایتون ضروری، پایگاههای داده، تحلیل شبکه، پردازش زبان طبیعی، عناصر یادگیری ماشین و مصورسازی را پوشش میدهد. به دادههای متنی و عددی ساختاریافته و بدون ساختار از فایلهای محلی، پایگاههای داده و اینترنت دسترسی پیدا کنید. دادهها را مرتب، تنظیم و پاکسازی کنید. با پایگاههای داده رابطهای و غیر رابطهای، مصورسازی دادهها و تحلیل پیشبینی ساده (رگرسیون، خوشهبندی و درختهای تصمیمگیری) کار کنید. ببینید که چگونه مسائل معمولی تحلیل دادهها حل میشوند. و راهحلهای خود را برای انواع پروژههای متوسط که کار کردن روی آنها سرگرمکننده است و برای رزومه شما عالی به نظر میرسند، امتحان کنید.
این راهنمای سریع و کاربردی را در کنار خود داشته باشید، چه دانشجو باشید، چه یک متخصص علم داده تازهکار که از R به پایتون تغییر مسیر دادهاید، یا یک توسعهدهنده باتجربه پایتون که نمیخواهد هر تابع و گزینهای را حفظ کند.
آنچه شما نیاز دارید:
شما به یک توزیع مناسب از پایتون 3.3 یا بالاتر نیاز دارید که حداقل شامل NLTK، Pandas، NumPy، Matplotlib، Networkx، SciKit-Learn و BeautifulSoup باشد. یک توزیع عالی که این الزامات را برآورده میکند Anaconda است که به صورت رایگان از www.continuum.io در دسترس است. اگر قصد دارید سرورهای پایگاه داده خود را راهاندازی کنید، به MySQL (www.mysql.com) و MongoDB (www.mongodb.com) نیز نیاز دارید. هر دو بسته رایگان هستند و روی ویندوز، لینوکس و مکاواس اجرا میشوند.
فهرست کتاب:
۱. ۱. Python
۲. Installing Python
۳. Getting Started with Python
۴. Running Python Scripts
۵. Working with Python Libraries
۶. Summary
۲. Python Basics
۱. Numeric Types
۲. Strings
۳. Boolean Values
۴. Variables
۵. Operators
۶. Lists
۷. Dictionaries
۸. Tuples
۹. Sets
۱۰. Summary
۳. Programming Constructs
۱. Conditionals
۲. Loops
۳. Functions
۴. Classes
۵. Modules
۶. Packages
۷. List Comprehensions
۸. Summary
۴. Working with Data in Python
۱. Reading and Writing Data
۲. Working with Text Files
۳. Working with CSV Files
۴. Working with Excel Files
۵. Working with JSON Files
۶. Working with Relational Databases
۷. Summary
۵. Introduction to NumPy
۱. NumPy Arrays
۲. Creating NumPy Arrays
۳. Indexing and Slicing
۴. Array Operations
۵. Array Functions
۶. Summary
۶. Introduction to pandas
۱. pandas Data Structures
۲. Series
۳. DataFrame
۴. Data Selection
۵. Data Manipulation
۶. Data Cleaning
۷. Summary
۷. Data Visualization
۱. Matplotlib
۲. Line Plots
۳. Scatter Plots
۴. Bar Charts
۵. Histograms
۶. Box Plots
۷. Seaborn
۸. Summary
۸. Essential Statistics
۱. Descriptive Statistics
۲. Inferential Statistics
۳. Distributions
۴. Hypothesis Testing
۵. Summary
۹. Machine Learning
۱. Supervised Learning
۲. Unsupervised Learning
۳. Model Evaluation
۴. Summary
۱۰. Data Science Case Study
۱. Problem Definition
۲. Data Collection
۳. Data Preparation
۴. Exploratory Data Analysis
۵. Modeling
۶. Evaluation
۷. Deployment
۸. Summary
۱۱. Advanced Topics
۱. Web Scraping
۲. Natural Language Processing
۳. Big Data
۴. Summary
۱۲. Resources and Further Reading
۱. Python Documentation
۲. NumPy Documentation
۳. pandas Documentation
۴. Books
۵. Online Courses
۶. Summary
Index
توضیحات(انگلیسی)
Go from messy, unstructured artifacts stored in SQL and NoSQL databases to a neat, well-organized dataset with this quick reference for the busy data scientist. Understand text mining, machine learning, and network analysis; process numeric data with the NumPy and Pandas modules; describe and analyze data using statistical and network-theoretical methods; and see actual examples of data analysis at work. This one-stop solution covers the essential data science you need in Python.
Data science is one of the fastest-growing disciplines in terms of academic research, student enrollment, and employment. Python, with its flexibility and scalability, is quickly overtaking the R language for data-scientific projects. Keep Python data-science concepts at your fingertips with this modular, quick reference to the tools used to acquire, clean, analyze, and store data.
This one-stop solution covers essential Python, databases, network analysis, natural language processing, elements of machine learning, and visualization. Access structured and unstructured text and numeric data from local files, databases, and the Internet. Arrange, rearrange, and clean the data. Work with relational and non-relational databases, data visualization, and simple predictive analysis (regressions, clustering, and decision trees). See how typical data analysis problems are handled. And try your hand at your own solutions to a variety of medium-scale projects that are fun to work on and look good on your resume.
Keep this handy quick guide at your side whether you're a student, an entry-level data science professional converting from R to Python, or a seasoned Python developer who doesn't want to memorize every function and option.
What You Need:
You need a decent distribution of Python 3.3 or above that includes at least NLTK, Pandas, NumPy, Matplotlib, Networkx, SciKit-Learn, and BeautifulSoup. A great distribution that meets the requirements is Anaconda, available for free from www.continuum.io. If you plan to set up your own database servers, you also need MySQL (www.mysql.com) and MongoDB (www.mongodb.com). Both packages are free and run on Windows, Linux, and Mac OS.
Table of Contents
1. Python Companion to Data Science
✨ ضمانت تجربه خوب مطالعه
بازگشت کامل وجه
در صورت مشکل، مبلغ پرداختی بازگردانده می شود.
دانلود پرسرعت
دانلود فایل کتاب با سرعت بالا
ارسال فایل به ایمیل
دانلود مستقیم به همراه ارسال فایل به ایمیل.
پشتیبانی ۲۴ ساعته
با چت آنلاین و پیامرسان ها پاسخگو هستیم.
ضمانت کیفیت کتاب
کتاب ها را از منابع معتیر انتخاب می کنیم.
