
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.
بخش اول. شروع کار با پایتون برای علم داده -- کشف همخوانی علم داده و پایتون -- آشنایی با قابلیتها و شگفتیهای پایتون -- راهاندازی پایتون برای علم داده -- مرور پایتون پایه -- بخش دوم. دستبهکار شدن با داده -- کار با دادههای واقعی -- آمادهسازی دادهها -- شکلدادن به داده -- بهکارگیری آموختهها -- بخش سوم. تصویرسازی آنچه دیده نمیشود -- آموزش فشردهٔ MatPlotLib -- تصویرسازی داده -- آشنایی با ابزارها -- بخش چهارم. مرتبسازی و پردازش داده -- گسترش قابلیتهای پایتون -- کاوش در تحلیل داده -- کاهش ابعاد -- خوشهبندی -- تشخیص نقاط پرت در داده -- بخش پنجم. یادگیری از داده -- بررسی چهار الگوریتم ساده و مؤثر -- انجام اعتبارسنجی متقابل، انتخاب و بهینهسازی -- افزایش پیچیدگی با تکنیکهای خطی و غیرخطی -- درک قدرت جمعی -- بخش ششم. ده نکتهٔ مهم -- ده مجموعهٔ ضروری از منابع علم داده -- ده چالش دادهای که باید بپذیرید.
پایتون زبان برنامهنویسی محبوب دانشمندان داده است و بهترین ویژگیهای Matlab، Mathematica و R را در کتابخانههایی مخصوص تحلیل داده و تصویرسازی گرد هم میآورد. با این راهنمای کاربرپسند، با محیط توسعهٔ پایتون آشنا میشوید، داده را دستکاری میکنید، تصویرسازیهای جذاب طراحی میکنید و چالشهای محاسبات علمی را حل میکنید. مبانی برنامهنویسی تحلیل داده با پایتون و آمار را پوشش میدهد تا پایهای محکم در مفاهیم علم داده مثل احتمال، توزیعهای تصادفی، آزمون فرضیه و مدلهای رگرسیون بسازید. اشیاء، توابع، ماژولها و کتابخانهها و نقش آنها در تحلیل داده را توضیح میدهد. شما را با برخی از پرکاربردترین کتابخانهها، از جمله NumPy، SciPy، BeautifulSoup، Pandas و MatPlotLib آشنا میکند. --
pt. I. Getting started with Python for data science -- Discovering the match between data science and Python -- Introducing Python's capabilities and wonders -- Setting up Python for data science -- Reviewing basic Python -- pt. II. Getting your hands dirty with data -- Working with real data -- Conditioning your data -- Shaping data -- Putting what you know in action -- pt. III. Visualizing the invisible -- Getting a crash course in MatPlotLib -- Visualizing the data -- Understanding the tools -- pt. IV. Wrangling data -- Stretching Python's capabilities -- Exploring data analysis -- Reducing dimensionality -- Clustering -- Detecting outliers in data -- pt. V. Learning from data -- Exploring four simple and effective algorithms -- Performing cross-validation, selection, and optimization -- Increasing complexity with linear and nonlinear tricks -- Understanding the power of the many -- pt. VI. The part of tens -- Ten essential data science resource collections -- Ten data challenges you should take.;Python is the preferred programming language for data scientists and combines the best features of Matlab, Mathematica, and R into libraries specific to data analysis and visualization. You'll get familiar with the Python development environment, manipulate data, design compelling visualizations, and solve scientific computing challenges as you work your way through this user-friendly guide. It covers the fundamentals of Python data analysis programming and statistics to help you build a solid foundation in data science concepts like probability, random distributions, hypothesis testing, and regression models; explains objects, functions, modules, and libraries and their role in data analysis; walks you through some of the most widely-used libraries, including NumPy, SciPy, BeautifulSoup, Pandas, and MatPlobLib. --