ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Advanced Data Analytics Using Python: With Architectural Patterns, Text and Image Classification, and Optimization Techniques

دانلود کتاب تجزیه و تحلیل داده های پیشرفته با استفاده از پایتون: با الگوهای معماری، طبقه بندی متن و تصویر، و تکنیک های بهینه سازی

Advanced Data Analytics Using Python: With Architectural Patterns, Text and Image Classification, and Optimization Techniques

مشخصات کتاب

Advanced Data Analytics Using Python: With Architectural Patterns, Text and Image Classification, and Optimization Techniques

ویرایش: [2 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 1484280040, 9781484280041 
ناشر: Apress 
سال نشر: 2022 
تعداد صفحات: 266
[259] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Advanced Data Analytics Using Python: With Architectural Patterns, Text and Image Classification, and Optimization Techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تجزیه و تحلیل داده های پیشرفته با استفاده از پایتون: با الگوهای معماری، طبقه بندی متن و تصویر، و تکنیک های بهینه سازی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب تجزیه و تحلیل داده های پیشرفته با استفاده از پایتون: با الگوهای معماری، طبقه بندی متن و تصویر، و تکنیک های بهینه سازی

مفاهیم پیشرفته تجزیه و تحلیل داده ها مانند سری های زمانی و تجزیه و تحلیل اجزای اصلی با ETL، یادگیری نظارت شده و PySpark را با استفاده از Python درک کنید. این کتاب الگوهای معماری در تجزیه و تحلیل داده ها، طبقه بندی متن و تصویر، تکنیک های بهینه سازی، پردازش زبان طبیعی و بینایی کامپیوتر در محیط ابری را پوشش می دهد. الگوهای طراحی عمومی در برنامه نویسی پایتون به وضوح توضیح داده شده است و بر رویه های معماری مانند ضد الگوهای سیب زمینی داغ تأکید دارد. شما پیشرفت‌های اخیر در پایگاه‌های داده مانند Neo4j، Elasticsearch و MongoDB را مرور خواهید کرد. سپس مهندسی ویژگی را در تصاویر و متون با پیاده سازی منطق تجاری مطالعه خواهید کرد و نحوه ساخت مدل های یادگیری ماشینی و یادگیری عمیق را با استفاده از یادگیری انتقالی مشاهده خواهید کرد. تجزیه و تحلیل پیشرفته با پایتون، ویرایش 2 دارای فصلی در مورد خوشه بندی با شبکه عصبی، تکنیک های منظم سازی و الگوهای طراحی الگوریتمی در تجزیه و تحلیل داده ها با یادگیری تقویتی است. در نهایت، سیستم توصیه‌گر در PySpark نحوه بهینه‌سازی مدل‌ها را برای یک برنامه خاص توضیح می‌دهد. آنچه می آموزید ساختن سیستم های هوشمند برای سازمانی بررسی تجزیه و تحلیل سری های زمانی، طبقه بندی ها، رگرسیون و خوشه بندی کاوش در یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری تقویتی، و یادگیری انتقال استفاده از پلت فرم های ابری مانند GCP و AWS در تجزیه و تحلیل داده ها درک الگوهای طراحی پوشش در Python Who This Book برای دانشمندان داده و توسعه دهندگان نرم افزار علاقه مند به حوزه تجزیه و تحلیل داده است.


توضیحاتی درمورد کتاب به خارجی

Understand advanced data analytics concepts such as time series and principal component analysis with ETL, supervised learning, and PySpark using Python. This book covers architectural patterns in data analytics, text and image classification, optimization techniques, natural language processing, and computer vision in the cloud environment. Generic design patterns in Python programming is clearly explained, emphasizing architectural practices such as hot potato anti-patterns. You\'ll review recent advances in databases such as Neo4j, Elasticsearch, and MongoDB. You\'ll then study feature engineering in images and texts with implementing business logic and see how to build machine learning and deep learning models using transfer learning. Advanced Analytics with Python, 2nd edition features a chapter on clustering with a neural network, regularization techniques, and algorithmic design patterns in data analytics with reinforcement learning. Finally, the recommender system in PySpark explains how to optimize models for a specific application. What You\'ll Learn Build intelligent systems for enterprise Review time series analysis, classifications, regression, and clustering Explore supervised learning, unsupervised learning, reinforcement learning, and transfer learning Use cloud platforms like GCP and AWS in data analytics Understand Covers design patterns in Python Who This Book Is For Data scientists and software developers interested in the field of data analytics.



فهرست مطالب

Table of Contents
About the Authors
About the Technical Reviewer
Acknowledgments
Introduction
Chapter 1: A Birds Eye View to AI System
	OOP in Python
	Calling Other Languages in Python
	Exposing the Python Model as a Microservice
	High-Performance API and  Concurrent Programming
	Choosing the Right Database
	Summary
Chapter 2: ETL with Python
	MySQL
		How to Install MySQLdb?
		Database Connection
		INSERT Operation
		READ Operation
		DELETE Operation
		UPDATE Operation
		COMMIT Operation
		ROLL-BACK Operation
	Normal Forms
		First Normal Form
		Second Normal Form
		Third Normal Form
	Elasticsearch
		Connection Layer API
	Neo4j Python Driver
	neo4j-rest-client
	In-Memory Database
	MongoDB (Python Edition)
		Import Data into the Collection
		Create a Connection Using pymongo
		Access Database Objects
		Insert Data
		Update Data
		Remove Data
	Cloud Databases
	Pandas
	ETL with Python (Unstructured Data)
		Email Parsing
		Topical Crawling
			Crawling Algorithms
	Summary
Chapter 3: Feature Engineering and Supervised Learning
	Dimensionality Reduction with Python
		Correlation Analysis
		Principal Component Analysis
		Mutual Information
	Classifications with Python
	Semi-Supervised Learning
	Decision Tree
		Which Attribute Comes First?
		Random Forest Classifier
	Naïve Bayes Classifier
	Support Vector Machine
	Nearest Neighbor Classifier
	Sentiment Analysis
	Image Recognition
		Regression with Python
		Least Square Estimation
		Logistic Regression
	Classification and Regression
	Intentionally Bias the Model to Over-Fit or Under-Fit
	Dealing with Categorical Data
	Summary
Chapter 4: Unsupervised Learning: Clustering
	K-Means Clustering
	Choosing K: The Elbow Method
	Silhouette Analysis
	Distance or Similarity Measure
		Properties
		General and Euclidean Distance
		Squared Euclidean Distance
		Distance Between String-Edit Distance
			Levenshtein Distance
			Needleman–Wunsch Algorithm
	Similarity in the Context of a Document
		Types of Similarity
	Example of K-Means in Images
		Preparing the Cluster
	Thresholding
		Time to Cluster
		Revealing the Current Cluster
	Hierarchical Clustering
		Bottom-Up Approach
		Distance Between Clusters
			Single Linkage Method
			Complete Linkage Method
			Average Linkage Method
		Top-Down Approach
		Graph Theoretical Approach
		How Do You Know If the Clustering Result Is Good?
	Summary
Chapter 5: Deep Learning and Neural Networks
	Backpropagation
		Backpropagation Approach
	Other Algorithms
	TensorFlow
		Network Architecture and Regularization Techniques
		Updatable Model and Transfer Learning
	Recurrent Neural Network
		LSTM
	Reinforcement Learning
		TD0
		TDλ
		Example of Dialectic Learning
	Convolution Neural Networks
	Summary
Chapter 6: Time Series
	Classification of Variation
	Analyzing a Series Containing a Trend
		Curve Fitting
		Removing Trends from a Time Series
	Analyzing a Series Containing Seasonality
	Removing Seasonality from a Time Series
		By Filtering
		By Differencing
	Transformation
		To Stabilize the Variance
		To Make the Seasonal Effect Additive
		To Make the Data Distribution Normal
			Cyclic Variation
			Irregular Fluctuations
	Stationary Time Series
		Stationary Process
		Autocorrelation and the Correlogram
		Estimating Autocovariance and  Autocorrelation Functions
	Time-Series Analysis with Python
		Useful Methods
			Moving Average Process
			Fitting Moving Average Process
		Autoregressive Processes
		Estimating Parameters of an AR Process
	Mixed ARMA Models
	Integrated ARMA Models
	The Fourier Transform
	An Exceptional Scenario
	Missing Data
	Summary
Chapter 7: Analytics at Scale
	Hadoop
		MapReduce Programming
		Partitioning Function
		Combiner Function
		HDFS File System
		MapReduce Design Pattern
			Summarization Pattern
			Filtering Pattern
			Join Patterns
	A Notes on Functional Programming
	Spark
	PySpark
	Updatable Machine Learning and Spark Memory Model
	Analytics in the Cloud
	Internet of Things
		Essential Architectural Patterns for Data Scientists
		Scenario 1: Hot Potato Anti-Pattern
			Code: Data Collector Module
		Scenario 2: Proxy and Layering Patterns
			Database Core Layer
	Thank You
Index




نظرات کاربران