
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.
مهارتهای علم داده خود را بسازید. از همین حالا شروع کنید به آموزش تجسم داده با پایتون. همانجا و سریع. با ساخت تجسمهای دادهٔ باکیفیت با پایتون، تبدیل به یک تحلیلگر دادهٔ خوب شوید.
ویژگیهای کلیدی
پوشش جذاب و گسترده از کتابخانههای زیادی از پایتون، از جمله Matplotlib، Seaborn، Pandas و Plotly.
انبوهی از مثالها، تصویرها و کاربردها برای نشان دادن روایتگری بصری دادهها در طیف متنوعی از مجموعهدادهها.
این کتاب درک بنیادین و محکمی از تحلیل اکتشافی داده (EDA)، مدلسازی آماری و دادهکاوی را پوشش میدهد.
توضیحات
تجسم داده نقش مهمی در حل چالشهای علم داده دارد؛ چون امکانات گوناگونی ارائه میکند. این کتاب میخواهد دانش قابلاتکایی از پایتون را همراه با مفاهیمی که برای موفق شدن بهعنوان یک متخصص تجسم داده لازم دارید، به شما بدهد.
کتاب با یک معرفی کوتاه از دنیای تجسم داده شروع میشود و درباره اینکه چرا اهمیت دارد، تاریخچهٔ تجسم و امکاناتی که ارائه میکند صحبت میکند. یاد میگیرید چطور تجسمهای ساده مبتنی بر پایتون را با مثالهایی انجام دهید؛ از ویژگیهای کلیدی با دشواری رو به افزایش. کتاب از Matplotlib آغاز میکند و با بیش از ۵۰ مثال قدرت تجسم داده را بررسی میکند. سپس سراغ تجسم داده با استفاده از یکی از کتابخانههای محبوبِ تحلیل اکتشافی محور، یعنی Pandas میرود.
کتاب درباره کتابخانههای تجسم داده که گرایش آماری دارند هم صحبت میکند؛ مثل Seaborn. همچنین به شما آموزش میدهد چطور از bokeh و Plotly برای تجسم دادهٔ تعاملی استفاده کنید. هر فصل با ۳۰+ مثال غنی و پرمحتوا طراحی شده است تا به شما کمک کند همهچیز درباره تجسم داده و روایتگری دادههای ترکیبی را یاد بگیرید.
این کتاب چه چیزی به شما یاد میدهد؟
با کتابخانهها و چارچوبهای محبوب پایتون، از جمله Seaborn، Bokeh و Plotly کار کنید.
درک خود از تجسم داده را با مجموعهدادههای متعدد و مثالهای واقعی تمرین کنید.
نحوهٔ تجسم دادن دادههای ژئ مکانی (جغرافیایی) و دادههای سری زمانی را یاد بگیرید.
با Pandas و Matplotlib همبستگی و تحلیل اکتشافی داده (EDA) انجام دهید.
مخاطبان این کتاب
این کتاب برای همهٔ متخصصان تحلیل داده، دانشمندان داده و علاقهمندان دادهکاوی است که میخواهند با یاد گرفتن همهٔ کتابخانههای محبوب تجسم داده در پایتون، تبدیل به تجسمگرهای قوی داده شوند. دانش پیشینِ کار با پایتون فرض شده است.
فهرست مطالب
۱. مقدمهای بر تجسم داده
۲. چرا تجسم داده مهم است
۳. عناصر و ابزارهای مختلف تجسم داده
۴. استفاده از Matplotlib در پایتون
۵. استفاده از NumPy و Pandas برای رسم نمودار
۶. استفاده از Seaborn برای تجسم
۷. استفاده از Bokeh با پایتون
۸. استفاده از Plotly، Folium و ابزارهای دیگر برای تجسم داده
۹. مثالها و تمرینهای عملی، مطالعات موردی و منابع تکمیلی
دربارهٔ نویسندگان
کاللور رحمان رهبر حوزهٔ فناوری اطلاعات است و بیش از ۲ دهه تجربه در توسعهٔ نرمافزار، تست، مدیریت برنامه/پروژه و مشاورهٔ مدیریتی دارد. او در نقشهایی مانند توسعهدهنده، طراح، معمار فنی، مدیر برنامهٔ تست، رئیس واحد تحویل، رهبر خدمات فناوری اطلاعات و رهبر بخش COE/Factory Services در مجموعهای از حوزهها با پیچیدگیهای متفاوت بوده است؛ از مخابرات، علوم زیستی، خردهفروشی و صنایع سلامت گرفته تا حوزههای مرتبط. او مدرک کارشناسی ارشد مدیریت کسبوکار را همراه با مدرک مهندسی در علوم کامپیوتر دریافت کرده است. همچنین به مدیران ارشد (CxO) در شرکتهای پیشرو در بازار دربارهٔ برنامههای تست، تحول کسبوکار و تحول فناوری مشاوره داده است. بهعنوان یک صاحبنظر، در رویدادهای متعدد صنعتی با محورهای فنی و حوزهای بهدفعات دعوت میشود.
او معتقد است «دانش قدرت است» و به نوشتن و به اشتراک گذاشتن دانش خود علاقهٔ زیادی دارد. تاکنون بیش از ۲۰۰ مقاله در لینکدین، DevOps.Com و سایر مجلات معتبر منتشر کرده است.
علاوه بر این، او یک علاقهمند فعال به مسابقات آنلاین/شرکتی است و در سطح سازمانی نیز در این فعالیتها شرکت میکند و مشارکت دارد. بیو لینکدین: https://www.linkedin.com/in/kalilurrahman/
Build your data science skills. Start data visualization Using Python. Right away. Become a good data analyst by creating quality data visualizations using Python.Key Features? Exciting coverage on loads of Python libraries, including Matplotlib, Seaborn, Pandas, and Plotly.? Tons of examples, illustrations, and use-cases to demonstrate visual storytelling of varied datasets.? Covers a strong fundamental understanding of exploratory data analysis (EDA), statistical modeling, and data mining.DescriptionData visualization plays a major role in solving data science challenges with various capabilities it offers. This book aims to equip you with a sound knowledge of Python in conjunction with the concepts you need to master to succeed as a data visualization expert.The book starts with a brief introduction to the world of data visualization and talks about why it is important, the history of visualization, and the capabilities it offers. You will learn how to do simple Python-based visualization with examples with progressive complexity of key features. The book starts with Matplotlib and explores the power of data visualization with over 50 examples. It then explores the power of data visualization using one of the popular exploratory data analysis-oriented libraries, Pandas.The book talks about statistically inclined data visualization libraries such as Seaborn. The book also teaches how we can leverage bokeh and Plotly for interactive data visualization. Each chapter is enriched and loaded with 30+ examples that will guide you in learning everything about data visualization and storytelling of mixed datasets.What you will learn? Learn to work with popular Python libraries and frameworks, including Seaborn, Bokeh, and Plotly.? Practice your data visualization understanding across numerous datasets and real examples.? Learn to visualize geospatial and time-series datasets.? Perform correlation and EDA analysis using Pandas and Matplotlib.Who this book is forThis book is for all data analytics professionals, data scientists, and data mining hobbyists who want to be strong data visualizers by learning all the popular Python data visualization libraries. Prior working knowledge of Python is assumed.Table of Contents1. Introduction to Data Visualization2. Why Data Visualization3. Various Data Visualization Elements and Tools4. Using Matplotlib with Python5. Using NumPy and Pandas for Plotting6. Using Seaborn for Visualization7. Using Bokeh with Python8. Using Plotly, Folium, and Other Tools for Data Visualization9. Hands-on Examples and Exercises, Case Studies, and Further ResourcesAbout the AuthorsKallur Rahman is an IT industry leader with over 2 decades of experience in software development, testing, program/ project management, and management consultancy. He has been a developer, designer, technical architect, test program manager, delivery unit head, IT Services, and COE/Factory Services leader of various complexity spanning telecommunications, Life Sciences, Retail, and Healthcare Industries. He has a master's degree in Business Administration preceded by an Engineering degree in Computer Science. He has counseled CxO level executives in market-leading corporations for testing, business and technology transformation programs. As a thought-leader, he is a frequent invitee at several industry events spanning technical and domain-focused themes.He is a believer in "Knowledge is Power" and is passionate about authoring and sharing his knowledge. He has published over 200 articles across LinkedIn, DevOps.Com, and other leading magazines.He is additionally an active quizzing aficionado who engages and contributes at corporate level quizzing. LinkedIn Bio: https://www.linkedin.com/in/kalilurrahman/