
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.
این کتاب با رویکردی کاملاً عملی و واقعگرایانه، شما را با تحلیل دادهها و دنیای کار با زبان برنامهنویسی پایتون آشنا میکند و پر از مثالهای متنوع است. پایتون گزینهای ایدهآل برای دسترسی، پردازش و بهدست آوردن بینش از دادههایی با انواع گوناگون است. «پایتون برای علم داده» شما را به جهان تحلیل دادهها با نگاه پایتونی، با روش یادگیریِ «یاد بگیر و انجام بده» و تکیه بر مثالهای واقعی میبرد. یاد میگیرید چگونه کد پایتون بنویسید تا داده را بهدست آورید، تبدیل کنید و تحلیلش کنید و در مسیر یادگیری، تکنیکهای روزِ پردازش داده را برای کاربردهایی مثل مدیریت کسبوکار، بازاریابی و پشتیبانی از تصمیمگیری تمرین خواهید کرد.
در این کتاب، هم با مجموعهای غنی از ساختارهای دادهٔ داخلی پایتون برای کارهای پایه آشنا میشوید و هم با اکوسیستم قدرتمند کتابخانههای متنباز علم داده که شامل NumPy، pandas، scikit-learn، matplotlib و موارد دیگر است. مثالها نشان میدهند چگونه داده را در قالبهای مختلف بارگذاری کنید، چطور دادهها را روانتر کنید، گروهبندی و تجمیع کنید، و چگونه نمودارها، نقشهها و دیگر انواع نمایشهای بصری بسازید. در فصلهای بعدی، با نمونههایی واقعیتر و عمیقتر وارد میشوید؛ از جمله استفاده از دادههای مکانی برای راهاندازی سرویس تاکسی، تحلیل سبد خرید برای پیدا کردن اقلامی که معمولاً با هم خریداری میشوند، و یادگیری ماشین برای پیشبینی قیمت سهام.
A hands-on, real-world introduction to data analysis with the Python programming language, loaded with wide-ranging examples.Python is an ideal choice for accessing, manipulating, and gaining insights from data of all kinds. Python for Data Science introduces you to the Pythonic world of data analysis with a learn-by-doing approach rooted in practical examples and hands-on activities. You’ll learn how to write Python code to obtain, transform, and analyze data, practicing state-of-the-art data processing techniques for use cases in business management, marketing, and decision support.You will discover Python’s rich set of built-in data structures for basic operations, as well as its robust ecosystem of open-source libraries for data science, including NumPy, pandas, scikit-learn, matplotlib, and more. Examples show how to load data in various formats, how to streamline, group, and aggregate data sets, and how to create charts, maps, and other visualizations. Later chapters go in-depth with demonstrations of real-world data applications, including using location data to power a taxi service, market basket analysis to identify items commonly purchased together, and machine learning to predict stock prices.