
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.
شروع کار با علم داده لازم نیست سخت و طاقتفرسا باشد. این راهنمای گامبهگام برای مبتدیانی که کمی پایتون میدانند و دنبال مقدمهای سریع و پرجنبوجوش هستند، عالی است.
## ویژگیهای کلیدی
* با اکوسیستم ژوپیتر و چند مجموعه دادهٔ نمونه راه بیفتید
* با مفاهیم کلیدی یادگیری ماشین مثل SVM، طبقهبندهای KNN و جنگلهای تصادفی آشنا شوید
* ببینید چطور با وباسکرپینگ میتوانید مجموعه دادههای سفارشی خودتان را جمعآوری و پردازش کنید
## معرفی کتاب
در این دورهٔ عملی پایتون و ژوپیتر، مهارتهایی را یاد میگیرید که برای ورود به علم داده لازم دارید. با برخی از پرکاربردترین کتابخانههای توزیع آناکوندا آشنا میشوید و بعد مدلهای یادگیری ماشین را روی مجموعه دادههای واقعی بررسی میکنید تا مهارت و تجربهای که در دنیای واقعی به کار میآید به دست آورید. در پایان هم نشان میدهیم جمعآوری داده از وب باز چقدر ساده است تا بتوانید مهارتهای تازهتان را در یک زمینهٔ کاربردی به کار ببرید.
## آنچه یاد میگیرید
* با اکوسیستم ژوپیتر و چند مجموعه دادهٔ نمونه راه بیفتید
* با مفاهیم کلیدی یادگیری ماشین مثل SVM، طبقهبندهای KNN و جنگلهای تصادفی آشنا شوید
* یک استراتژی طبقهبندی یادگیری ماشین طراحی کنید و مدلهای طبقهبندی را آموزش دهید
* با منحنیهای اعتبارسنجی و کاهش ابعاد، مدلهایتان را تنظیم و بهتر کنید
* ببینید چطور با وباسکرپینگ میتوانید مجموعه دادههای سفارشی خودتان را جمعآوری و پردازش کنید
* دادههای جدولی را از صفحات وب استخراج کنید و آنها را به DataFrameهای پانداس تبدیل کنید
* تجسمهای تعاملی و مناسب وب بسازید تا یافتههایتان را روشن منتقل کنید
## این کتاب برای چه کسانی است
با توجه به محبوبیت و دسترسی روزافزون علم داده، این کتاب برای متخصصانی با سمتهای شغلی گوناگون در طیف گستردهای از صنایع مناسب است. کمی تجربهٔ قبلی با پایتون لازم دارید؛ اگر قبلاً با کتابخانههایی مثل پانداس، Matplotlib و پانداس کار کرده باشید، شروع کار برایتان راحتتر خواهد بود.
## فهرست مطالب
1. مبانی ژوپیتر
2. پاکسازی داده و یادگیری ماشین پیشرفته
3. وباسکرپینگ و تجسمهای تعاملی
Getting started with data science doesn't have to be an uphill battle. This step-by-step guide is ideal for beginners who know a little Python and are looking for a quick, fast-paced introduction.## Key Features* Get up and running with the Jupyter ecosystem and some example datasets* Learn about key machine learning concepts like SVM, KNN classifiers and Random Forests* Discover how you can use web scraping to gather and parse your own bespoke datasets## Book DescriptionGet to grips with the skills you need for entry-level data science in this hands-on Python and Jupyter course. You'll learn about some of the most commonly used libraries that are part of the Anaconda distribution, and then explore machine learning models with real datasets to give you the skills and exposure you need for the real world. We'll finish up by showing you how easy it can be to scrape and gather your own data from the open web, so that you can apply your new skills in an actionable context.## What you will learn* Get up and running with the Jupyter ecosystem and some example datasets* Learn about key machine learning concepts like SVM, KNN classifiers, and Random Forests* Plan a machine learning classification strategy and train classification, models* Use validation curves and dimensionality reduction to tune and enhance your models* Discover how you can use web scraping to gather and parse your own bespoke datasets* Scrape tabular data from web pages and transform them into Pandas DataFrames* Create interactive, web-friendly visualizations to clearly communicate your findings## Who this book is forThis book is ideal for professionals with a variety of job descriptions across large range of industries, given the rising popularity and accessibility of data science. You'll need some prior experience with Python, with any prior work with libraries like Pandas, Matplotlib and Pandas providing you a useful head start.## Table of Contents1. Jupyter Fundamentals2. Data Cleaning and Advanced Machine Learning3. Web Scraping and Interactive Visualizations