
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.
درباره این کتاب با ابزارهای گوناگون و نقاط قوتشان آشنا شوید و در عین حال نمایشهایی معنادار بسازید که فهم دادهها را آسانتر کنند. سرشار از روشها و الگوریتمهای محاسباتی در حوزههای متنوع علمی. با سبکی دستهبندیشده و آسانفهم نوشته شده و تکنیکهایی کمترشناخته را مطرح میکند که کار با کدتان را سادهتر و بازاستفادهپذیرتر میکند. این کتاب برای چه کسانی است اگر توسعهدهنده پایتون هستید، مصورسازی داده انجام میدهید و میخواهید دانش فعلیتان را در پایتون گسترش دهید، این کتاب برای شماست. دانش پایه و آشنایی با کتابخانههای پایتون مفروض گرفته شده است. آنچه یاد خواهید گرفت داده را گردآوری، پاکسازی، دسترسی و به یک چارچوب بصری نگاشت کنید. تشخیص دهید کدام روش مصورسازی مناسب است و بهترین شیوههای مصورسازی داده را بیاموزید. با روایتهای خوانندهمحور، روایتهای نویسندهمحور و اصول ادراک آشنا شوید. بفهمید چرا پایتون، درست مثل متلب، ابزاری کارآمد برای محاسبات عددی است و با برخی ساختارهای داده جالب همراه آن آشنا شوید. از تکنیکهای مختلف مصورسازی استفاده کنید تا ببینید پایتون چقدر برای محاسبات مالی و آماری مفید است. پایتون را با رویکردهای دیگر مصورسازی، مثل جولیا و چارچوب مبتنی بر جاوااسکریپت مانند D3.js، مقایسه کنید. کشف کنید چطور میتوان پایتون را همراه با NoSQL، مثلاً هایو، به کار برد تا در محیطی توزیعشده نتایج را بهصورت کارآمد تولید کرد. بهتفصیل پایتون چند کتابخانه متنباز برای محاسبات عددی دارد که شامل بهینهسازی، جبر خطی، انتگرالگیری، درونیابی و سایر توابع ویژه با استفاده از اشیای آرایه، یادگیری ماشین، دادهکاوی و رسم نمودار میشود. این کتاب راهنمایی عملی برای مسیر رسیدن به مصورسازی مؤثر داده ارائه میدهد. کتاب با فصلی درباره چارچوب داده آغاز میشود و کل فرایند مصورسازی را با محبوبترین کتابخانههای پایتون و مثالهای کاربردی پوشش میدهد. یاد میگیرید چگونه از NumPy، SciPy،
About This Book Explore various tools and their strengths while building meaningful representations that can make it easier to understand data Packed with computational methods and algorithms in diverse fields of science Written in an easy-to-follow categorical style, this book discusses some niche techniques that will make your code easier to work with and reuse Who This Book Is For If you are a Python developer who performs data visualization and wants to develop your existing Python knowledge, then this book is for you. A basic knowledge level and understanding of Python libraries is assumed. What You Will Learn Gather, cleanse, access, and map data to a visual framework Recognize which visualization method is applicable and learn best practices for data visualization Get acquainted with reader-driven narratives, author-driven narratives, and the principles of perception Understand why Python is an effective tool for numerical computation much like MATLAB, and explore some interesting data structures that come with it Use various visualization techniques to explore how Python can be very useful for financial and statistical computations Compare Python with other visualization approaches using Julia and a JavaScript-based framework such as D3.js Discover how Python can be used in conjunction with NoSQL, such as Hive, to produce results efficiently in a distributed environment In Detail Python has a handful of open source libraries for numerical computations that involve optimization, linear algebra, integration, interpolation, and other special functions using array objects, machine learning, data mining, and plotting. This book offers practical guidance to help you on the journey to effective data visualization. Commencing with a chapter on the data framework, the book covers the complete visualization process, using the most popular Python libraries with working examples. You will learn how to use NumPy, SciPy,