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 Science and Analytics with Python

دانلود کتاب علوم داده و تجزیه و تحلیل پیشرفته با پایتون

Advanced Data Science and Analytics with Python

مشخصات کتاب

Advanced Data Science and Analytics with Python

ویرایش:  
نویسندگان:   
سری: Chapman & Hall/CRC Data Mining and Knowledge Series 
ISBN (شابک) : 0429446616, 9780429446610 
ناشر: CRC Press 
سال نشر: 2020 
تعداد صفحات: xl+383
[424] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 22 Mb

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Advanced Data Science and Analytics with Python 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 علوم داده و تجزیه و تحلیل پیشرفته با پایتون 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 علوم داده و تجزیه و تحلیل پیشرفته با پایتون

 علوم داده و تجزیه و تحلیل پیشرفته با پایتون دانشمندان داده را قادر می سازد تا به توسعه مهارت های خود ادامه دهند و آنها را در محیط های تجاری و دانشگاهی به کار ببرند. موضوعات مورد بحث در این کتاب مکمل و دنباله‌ای بر مباحث مطرح شده در علوم داده و تجزیه و تحلیل با پایتون هستند. هدف این است که با استفاده از ابزارهای توسعه‌یافته در پایتون مانند SciKit-learn، Pandas، Numpy، Beautiful Soup، NLTK، NetworkX و غیره، حوزه‌های پیشرفته مهم در علم داده را پوشش دهد. توسعه مدل با استفاده از چارچوب هایی مانند Keras، TensorFlow و Core ML و همچنین Swift برای توسعه برنامه های iOS و MacOS پشتیبانی می شود.

ویژگی ها:

خوانندگان با سابقه برنامه نویسی را که به ابزارهای مورد استفاده در تجزیه و تحلیل داده ها و علم داده علاقه مند هستند، هدف قرار می دهد. از Python در سراسر ابزار Presents، در کنار مثال های حل شده، با مراحلی استفاده می کند که خواننده می تواند به راحتی بازتولید کند و با نیازهای آنها سازگار شود. تمرکز بر استفاده عملی از ابزار به جای توضیحات طولانی به خواننده این امکان را می دهد که هر زمان که نیاز باشد به جای دنبال کردن یک مسیر متوالی از کتاب استفاده کند
کتاب را می توان مستقل از جلد قبلی خواند و هر یک از فصل های این جلد به اندازه کافی مستقل هستند. از دیگران، انعطاف پذیری را برای خواننده فراهم می کند. هر یک از موضوعات مطرح شده در این کتاب، با تمرکز بر فرآیند و نتایج به‌دست‌آمده، به گردش کار علم داده از دیدگاه عملی می‌پردازد. پیاده‌سازی و استقرار مدل‌های آموزش‌دیده در این کتاب بسیار مهم است.

تحلیل سری‌های زمانی، پردازش زبان طبیعی، مدل‌سازی موضوع، تحلیل شبکه‌های اجتماعی، شبکه‌های عصبی و یادگیری عمیق به‌طور جامع پوشش داده شده‌اند. این کتاب نیاز به توسعه محصولات داده را مورد بحث قرار می‌دهد و به موضوع ارائه مدل‌ها به مخاطبان مورد نظرشان می‌پردازد - در این مورد، به معنای واقعی کلمه در قالب یک برنامه آیفون به نوک انگشتان کاربران می‌رسد.

درباره نویسنده

Dr. Jesús Rogel-Salazarیک دانشمند پیشرو در زمینه داده است که برای شرکت هایی مانند Tympa Health Technologies، Barclays، AKQA، IBM Data Science Studio و Dow Jones کار می کند. او محقق مدعو در دپارتمان فیزیک امپریال کالج لندن، انگلستان و عضو دانشکده فیزیک، نجوم و ریاضیات در دانشگاه هرتفوردشایر بریتانیا است.


توضیحاتی درمورد کتاب به خارجی

Advanced Data Science and Analytics with Python enables data scientists to continue developing their skills and apply them in business as well as academic settings. The subjects discussed in this book are complementary and a follow-up to the topics discussed in Data Science and Analytics with Python. The aim is to cover important advanced areas in data science using tools developed in Python such as SciKit-learn, Pandas, Numpy, Beautiful Soup, NLTK, NetworkX and others. The model development is supported by the use of frameworks such as Keras, TensorFlow and Core ML, as well as Swift for the development of iOS and MacOS applications.

Features:

Targets readers with a background in programming, who are interested in the tools used in data analytics and data science Uses Python throughout Presents tools, alongside solved examples, with steps that the reader can easily reproduce and adapt to their needs Focuses on the practical use of the tools rather than on lengthy explanations Provides the reader with the opportunity to use the book whenever needed rather than following a sequential path
The book can be read independently from the previous volume and each of the chapters in this volume is sufficiently independent from the others, providing flexibility for the reader. Each of the topics addressed in the book tackles the data science workflow from a practical perspective, concentrating on the process and results obtained. The implementation and deployment of trained models are central to the book.

Time series analysis, natural language processing, topic modelling, social network analysis, neural networks and deep learning are comprehensively covered. The book discusses the need to develop data products and addresses the subject of bringing models to their intended audiences - in this case, literally to the users' fingertips in the form of an iPhone app.

About the Author

Dr. Jesús Rogel-Salazar is a lead data scientist in the field, working for companies such as Tympa Health Technologies, Barclays, AKQA, IBM Data Science Studio and Dow Jones. He is a visiting researcher at the Department of Physics at Imperial College London, UK and a member of the School of Physics, Astronomy and Mathematics at the University of Hertfordshire, UK.



فهرست مطالب

Cover
Half Title
Series Page
Title Page
Copyright Page
Dedication
Table of Contents
1: No Time to Lose: Time Series Analysis
	1.1 Time Series
	1.2 One at a Time: Some Examples
	1.3 Bearing with Time: Pandas Series
		1.3.1 Pandas Time Series in Action
		1.3.2 Time Series Data Manipulation
	1.4 Modelling Time Series Data
		1.4.1 Regression. . . (Not) a Good Idea?
		1.4.2 Moving Averages and Exponential Smoothing
		1.4.3 Stationarity and Seasonality
		1.4.4 Determining Stationarity
		1.4.5 Autoregression to the Rescue
	1.5 Autoregressive Models
	1.6 Summary
2: Speaking Naturally: Text and Natural Language Processing
	2.1 Pages and Pages: Accessing Data from the Web
		2.1.1 Beautiful Soup in Action
	2.2 Make Mine a Regular: Regular Expressions
		2.2.1 Regular Expression Patterns
	2.3 Processing Text with Unicode
	2.4 Tokenising Text
	2.5 Word Tagging
	2.6 What Are You Talking About?: Topic Modelling
		2.6.1 Latent Dirichlet Allocation
		2.6.2 LDA in Action
	2.7 Summary
3: Getting Social: Graph Theory and Social Network Analysis
	3.1 Socialising Among Friends and Foes
	3.2 Let’s Make a Connection: Graphs and Networks
		3.2.1 Taking the Measure: Degree, Centrality and More
		3.2.2 Connecting the Dots: Network Properties
	3.3 Social Networks with Python: NetworkX
		3.3.1 NetworkX: A Quick Intro
	3.4 Social Network Analysis in Action
		3.4.1 Karate Kids: Conflict and Fission in a Network
		3.4.2 In a Galaxy Far, Far Away: Central Characters in a Network
	3.5 Summary
4: Thinking Deeply: Neural Networks and Deep Learning
	4.1 A Trip Down Memory Lane
	4.2 No-Brainer: What Are Neural Networks?
		4.2.1 Neural Network Architecture: Layers and Nodes
		4.2.2 Firing Away: Neurons, Activate!
		4.2.3 Going Forwards and Backwards
	4.3 Neural Networks: From the Ground up
		4.3.1 Going Forwards
		4.3.2 Learning the Parameters
		4.3.3 Backpropagation and Gradient Descent
		4.3.4 Neural Network: A First Implementation
	4.4 Neural Networks and Deep Learning
		4.4.1 Convolutional Neural Networks
		4.4.2 Convolutional Neural Networks in Action
		4.4.3 Recurrent Neural Networks
		4.4.4 Long Short-Term Memory
		4.4.5 Long Short-Term Memory Networks in Action
	4.5 Summary
5: Here Is One I Made Earlier: Machine Learning Deployment
	5.1 The Devil in the Detail: Data Products
	5.2 Apples and Snakes: Core ML + Python
	5.3 Machine Learning at the Core: Apps and ML
		5.3.1 Environment Creation
		5.3.2 Eeny, Meeny, Miny, Moe: Model Selection
		5.3.3 Location, Location, Location: Exploring the Data
		5.3.4 Modelling and Core ML: A Crucial Step
		5.3.5 Model Properties in Core ML
	5.4 Surprise and Delight: Build an iOS App
		5.4.1 New Project: Xcode
		5.4.2 Push My Buttons: Adding Functionality
		5.4.3 Being Picky: The Picker View
		5.4.4 Model Behaviour: Core ML + SwiftUI
	5.5 Summary
A: Information Criteria
B: Power Iteration
C: The Softmax Function and Its Derivative
	C.1 Numerical Stability
D: The Derivative of the Cross-Entropy Loss Function
Bibliography
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی