
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
برای بسیاری از پژوهشگران، پایتون ابزاری درجهیک است؛ عمدتاً بهخاطر کتابخانههایی که برای ذخیره، دستکاری و کسب بینش از داده دارد. منابع زیادی برای تکتک بخشهای این مجموعه ابزارهای علم داده وجود دارد، اما فقط با راهنمای علم داده با پایتون همهی آنها را یکجا میگیرید—آیپایتون، نامپای، پانداز، متپلاتلیب، سایکیت-لرن و ابزارهای مرتبط دیگر.
دانشمندان فعال و تحلیلگران دادهای که با خواندن و نوشتن کد پایتون آشنا هستند، این مرجع جامع و دمدست را برای حل مسائل روزمره ایدئال مییابند: دستکاری، تبدیل و پاکسازی داده؛ مصورسازی انواع مختلف داده؛ و استفاده از داده برای ساخت مدلهای آماری یا یادگیری ماشین. خلاصه اینکه، این مرجع ضروری برای محاسبات علمی با پایتون است.
با این راهنما یاد میگیرید چطور از اینها استفاده کنید:
آیپایتون و ژوپیتر: محیطهای محاسباتی برای دانشمندان داده که با پایتون کار میکنند
نامپای: شامل ndarray برای ذخیرهسازی و دستکاری کارآمد آرایههای متراکم داده در پایتون
پانداز: دارای DataFrame برای ذخیرهسازی و دستکاری کارآمد دادههای برچسبدار و ستونی در پایتون
متپلاتلیب: قابلیتهایی برای طیف انعطافپذیری از مصورسازی داده در پایتون
سایکیت-لرن: برای پیادهسازیهای کارآمد و تمیز پایتونی از مهمترین و جاافتادهترین الگوریتمهای یادگیری ماشین
درباره نویسنده
جیک وندرپلاس کاربر و توسعهدهندهی دیرینهی مجموعه ابزارهای علمی پایتون است. او هماکنون بهعنوان مدیر پژوهشی میانرشتهای در دانشگاه واشنگتن کار میکند، پژوهشهای نجومی خودش را پیش میبرد و وقتی را صرف مشاوره و راهنمایی دانشمندان محلی از حوزههای گوناگون میکند.
For many researchers, Python is a first-class tool mainly because of its libraries for storing, manipulating, and gaining insight from data. Several resources exist for individual pieces of this data science stack, but only with the Python Data Science Handbook do you get them all—IPython, NumPy, Pandas, Matplotlib, Scikit-Learn, and other related tools.Working scientists and data crunchers familiar with reading and writing Python code will find this comprehensive desk reference ideal for tackling day-to-day issues: manipulating, transforming, and cleaning data; visualizing different types of data; and using data to build statistical or machine learning models. Quite simply, this is the must-have reference for scientific computing in Python.With this handbook, you’ll learn how to use:IPython and Jupyter: provide computational environments for data scientists using PythonNumPy: includes the ndarray for efficient storage and manipulation of dense data arrays in PythonPandas: features the DataFrame for efficient storage and manipulation of labeled/columnar data in PythonMatplotlib: includes capabilities for a flexible range of data visualizations in PythonScikit-Learn: for efficient and clean Python implementations of the most important and established machine learning algorithms\*\*About the AuthorJake VanderPlas is a long-time user and developer of the Python scientific stack. He currently works as an interdisciplinary research director at the University of Washington, conducts his own astronomy research, and spends time advising and consulting with local scientists from a wide range of fields.