
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.
پایتون برای بسیاری از پژوهشگران ابزاری درجهیک است؛ بیشتر بهخاطر کتابخانههایی که برای ذخیره، پردازش و کسب بینش از داده دارد. برای تکتک بخشهای این مجموعهٔ ابزار علم داده منابع زیادی هست، اما فقط با ویرایش جدید کتاب راهنمای علم داده با پایتون همه را یکجا دارید: آیپایتون، نامپای، پانداس، متپلاتلیب، سایکیتلرن و ابزارهای مرتبط دیگر.
دانشمندان و تحلیلگران دادهای که با خواندن و نوشتن کد پایتون آشنا هستند، ویرایش دوم این مرجع جامع و دمدستی را برای حل مسائل روزمره بسیار مناسب میبینند: دستکاری، تبدیل و پاکسازی داده؛ مصورسازی انواع داده؛ و استفاده از داده برای ساخت مدلهای آماری یا یادگیری ماشین. بهسادگی، این همان مرجع ضروری محاسبات علمی با پایتون است.
با این کتاب راهنما یاد میگیرید که:
• آیپایتون و ژوپیتر محیطهای محاسباتی برای دانشمندانی فراهم میکنند که از پایتون استفاده میکنند
• نامپای شامل ndarray برای ذخیره و پردازش کارآمد آرایههای متراکم داده است
• پانداس شامل DataFrame برای ذخیره و پردازش کارآمد دادههای برچسبدار و ستونی است
• متپلاتلیب قابلیتهایی برای طیف انعطافپذیر مصورسازی داده دارد
• سایکیتلرن کمک میکند پیادهسازیهای کارآمد و تمیز پایتونی از مهمترین و جاافتادهترین الگوریتمهای یادگیری ماشین بسازید
Python is a first-class tool for many researchers, primarily 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 new edition of 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 the second edition of 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:• IPython and Jupyter provide computational environments for scientists using Python• NumPy includes the ndarray for efficient storage and manipulation of dense data arrays• Pandas contains the DataFrame for efficient storage and manipulation of labeled/columnar data• Matplotlib includes capabilities for a flexible range of data visualizations• Scikit-learn helps you build efficient and clean Python implementations of the most important and established machine learning algorithms