علم داده کاربردی با Jupyter ۲۰۲۱
Practical Data Science with Jupyter 2021

با استفاده از تکنیک‌های داده‌محور و مثال‌های ساده‌ی پایتون، مسائل کسب‌وکار را حل کنید.

ویژگی‌های کلیدی:

* پوشش ضروری آمار و تکنیک‌های علم داده.
* آشنایی با Jupyter، PyCharm و استفاده از GitHub.
* موارد استفاده واقعی، بهترین شیوه‌ها و تکنیک‌های هوشمندانه در استفاده از علم داده برای کاربردهای داده‌ای.

توضیحات:

این کتاب با مقدمه‌ای بر علم داده و سپس مفاهیم پایتون آغاز می‌شود. خوانندگان درک خواهند کرد که چگونه با پیاده‌سازی‌های پایتون خود با پایگاه‌های داده مختلف و مفاهیم آماری تعامل داشته باشند. شما یاد خواهید گرفت که چگونه انواع مختلف داده را در پایتون وارد کنید، که اولین گام در فرآیند تجزیه و تحلیل داده است. پس از اینکه با وارد کردن داده‌ها راحت شدید، مجموعه داده را پاک می‌کنید و پس از آن درک درستی از نمودارهای مختلف مصورسازی به دست خواهید آورد. این کتاب بر چگونگی اعمال تکنیک‌های مهندسی ویژگی برای با ارزش‌تر کردن داده‌های شما برای یک الگوریتم تمرکز دارد. خوانندگان با الگوریتم‌های مختلف یادگیری ماشین، مفاهیم، داده‌های سری زمانی و چند مطالعه موردی واقعی آشنا می‌شوند. این کتاب همچنین برخی از بهترین شیوه‌ها را ارائه می‌دهد که به شما کمک می‌کند برای صنعت آماده شوید.

این کتاب بر چگونگی تمرین تکنیک‌های علم داده در حین یادگیری مفاهیم آن‌ها با استفاده از پایتون و Jupyter تمرکز دارد. این کتاب پاسخی کامل به رایج‌ترین سؤال است که چگونه می‌توانید به جای توضیح ریاضیات و آمار پشت الگوریتم‌های یادگیری ماشین، علم داده را شروع کنید.

آنچه خواهید آموخت:

* درک سریع مفاهیم پایتون برای کاربردهای علم داده.
* درک و تمرین نحوه اجرای تجزیه و تحلیل داده با تکنیک‌ها و الگوریتم‌های علم داده.
* یادگیری مهندسی ویژگی، کار با مجموعه‌های داده مختلف و پرطرفدارترین الگوریتم‌های یادگیری ماشین.
* خودکفا شوید تا وظایف علم داده را با بهترین ابزارها و تکنیک‌ها انجام دهید.

این کتاب برای چه کسانی است:

این کتاب برای یک مبتدی یا یک متخصص با تجربه است که به فکر شغل یا تغییر شغل به علم داده است. هر فصل شامل مثال‌های ساده‌ی پایتون است.

فهرست مطالب:

1. مبانی علم داده
2. نصب نرم افزار و راه اندازی سیستم
3. لیست ها و دیکشنری ها
4. بسته، تابع و حلقه
5. مبانی نام‌پای (NumPy)
6. پانداز (Pandas) و دیتافریم (DataFrame)
7. تعامل با پایگاه های داده
8. تفکر آماری در علم داده
9. چگونه داده ها را در پایتون وارد کنیم؟
10. پاکسازی داده های وارد شده
11. مصورسازی داده ها
12. پیش پردازش داده ها
13. یادگیری ماشین نظارت شده
14. یادگیری ماشین بدون نظارت
15. مدیریت داده های سری زمانی
16. روش های سری زمانی
17. مطالعه موردی 1
18. مطالعه موردی 2
19. مطالعه موردی 3
20. مطالعه موردی 4
21. محیط مجازی پایتون
22. معرفی یک الگوریتم پیشرفته – CatBoost
23. مرور آموخته های تمام فصل ها

Solve business problems with data-driven techniques and easy-to-follow Python examples

Ê

KEY FEATURESÊÊ

_ Essential coverage on statistics and data science techniques.

_ Exposure to Jupyter, PyCharm, and use of GitHub.

_ Real use-cases, best practices, and smart techniques on the use of data science for data applications.

DESCRIPTIONÊÊ

This book begins with an introduction to Data Science followed by the Python concepts. The readers will understand how to interact with various database and Statistics concepts with their Python implementations. You will learn how to import various types of data in Python, which is the first step of the data analysis process. Once you become comfortable with data importing, you willÊ clean the dataset and after that will gain an understanding about various visualization charts. This book focuses on how to apply feature engineering techniques to make your data more valuable to an algorithm. The readers will get to know various Machine Learning Algorithms, concepts, Time Series data, and a few real-world case studies. This book also presents some best practices that will help you to be industry-ready.

This book focuses on how to practice data science techniques while learning their concepts using Python and Jupyter. This book is a complete answer to the most common question that how can you get started with Data Science instead of explaining Mathematics and Statistics behind the Machine Learning Algorithms.

WHAT YOU WILL LEARN

_ Rapid understanding of Python concepts for data science applications.

_ Understand and practice how to run data analysis with data science techniques and algorithms.

_ Learn feature engineering, dealing with different datasets, and most trending machine learning algorithms.

_ Become self-sufficient to perform data science tasks with the best tools and techniques.

Ê

WHO THIS BOOK IS FORÊÊ

This book is for a beginner or an experienced professional who is thinking about a career or a career switch to Data Science. Each chapter contains easy-to-follow Python examples.

Ê

TABLE OF CONTENTS

1. Data Science Fundamentals

2. Installing Software and System Setup

3. Lists and Dictionaries

4. Package, Function, and Loop

5. NumPy Foundation

6. Pandas and DataFrame

7. Interacting with Databases

8. Thinking Statistically in Data Science

9. How to Import Data in Python?

10. Cleaning of Imported Data

11. Data Visualization

12. Data Pre-processing

13. Supervised Machine Learning

14. Unsupervised Machine Learning

15. Handling Time-Series Data

16. Time-Series Methods

17. Case Study-1

18. Case Study-2

19. Case Study-3

20. Case Study-4

21. Python Virtual Environment

22. Introduction to An Advanced Algorithm – CatBoost

23. Revision of All ChaptersÕ Learning