دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Morgan. Peters
سری:
ISBN (شابک) : 9781721942817, 1721942815
ناشر: Createspace Independent Publishing Platform
سال نشر: 2016
تعداد صفحات: 113
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Data Analysis from Scratch with Python: Step by Step Guide 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 ها از ابتدا با پایتون: راهنمای گام به گام 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.
***** همین حالا بخرید (به زودی به 25.59 باز می گردد)
******کتاب الکترونیکی رایگان برای مشتریانی که کتاب چاپی را از
آمازون خریداری می کنند******* آیا به این فکر می کنید که با
استفاده از پایتون یک تحلیلگر داده شوید؟ اگر به دنبال یک راهنمای
کامل برای تجزیه و تحلیل داده ها با استفاده از زبان پایتون و
کتابخانه آن هستید که به شما کمک کند تا به یک دانشمند داده موثر
تبدیل شوید، این کتاب برای شما مناسب است. از AI Sciences
Publisher کتابهای ما ممکن است بهترین کتاب برای مبتدیان باشد.
این یک راهنمای گام به گام برای هر فردی است که می خواهد یادگیری
هوش مصنوعی و علم داده را از ابتدا شروع کند. این به شما در تهیه
یک پایه محکم و یادگیری سایر دوره های سطح بالا کمک می کند. برای
استفاده بیشتر از مفاهیمی که پوشش داده میشود، به خوانندگان
توصیه میشود رویکردی را اتخاذ کنند که منجر به بازنمایی ذهنی
بهتری میشود. راهنمای گام به گام و تصاویر و مثالهای بصری کتاب
دستورالعملهای کاملی را برای دستکاری، پردازش، تمیز کردن،
مدلسازی و خرد کردن مجموعههای داده در پایتون ارائه میدهد. این
یک راهنمای عملی با مطالعات موردی عملی از مشکلات تجزیه و تحلیل
داده ها است. پانداها، NumPy، IPython و Jupiter را در فرآیند یاد
خواهید گرفت. کاربران هدف این کتاب یک مقدمه عملی برای ابزارهای
علم داده در پایتون است. این برای افراد مبتدی در پایتون و برای
برنامه نویسان پایتون که تازه به علوم داده و علوم کامپیوتری
هستند ایده آل است. به جای فرمول های ریاضی سخت، این کتاب حاوی
چندین نمودار و تصویر است. داخل این کتاب چیست؟
مقدمه
چرا پایتون را برای علم داده و یادگیری ماشین انتخاب کنید
پیش نیازها و یادآوری ها
بازبینی سریع پایتون
نمای کلی و اهداف
یک سریع مثال
دریافت و پردازش داده
تجسم داده
یادگیری نظارت شده و بدون نظارت
رگرسیون
رگرسیون خطی ساده
رگرسیون خطی چندگانه
درخت تصمیم
جنگل تصادفی
طبقه بندی
رگرسیون لجستیک
K-نزدیکترین همسایگان
طبقه بندی درخت تصمیم
طبقه بندی جنگل تصادفی
< br />
خوشه بندی
اهداف و کاربردهای خوشه بندی
خوشه بندی K-Means
تشخیص ناهنجاری
یادگیری قوانین انجمنی
توضیح
Apriori
یادگیری تقویتی
یادگیری تقویتی چیست
مقایسه با یادگیری تحت نظارت و بدون نظارت
به کارگیری یادگیری تقویتی
< br />
شبکه های عصبی
ایده ای از نحوه عملکرد مغز
پتانسیل ها و محدودیت ها
در اینجا یک مثال آمده است
پردازش زبان طبیعی< br />تجزیه و تحلیل کلمات و
احساسات
استفاده از NLTK
انتخاب مدل و بهبود عملکرد
منابع و مراجع
سوالات متداول
س: آیا این کتاب برای من است و آیا به تجربه برنامه نویسی نیاز
دارم؟ پاسخ: اگر می خواهید پایتون را برای تجزیه و تحلیل داده ها
شکست دهید، این کتاب برای شما مناسب است. تجربه برنامه نویسی کمی
مورد نیاز است. اگر قبلاً چند خط کد نوشته اید و عبارات اصلی
برنامه نویسی را تشخیص می دهید، مشکلی ندارید.
س: آیا این کتاب شامل همه چیزهایی است که برای تبدیل شدن به یک
متخصص علوم داده نیاز دارم؟ ج: متأسفانه خیر. این کتاب برای
خوانندگانی طراحی شده است که اولین گامهای خود را در تجزیه و
تحلیل دادهها برمیدارند و یادگیری بیشتر فراتر از این کتاب برای
تسلط بر همه جنبهها لازم است.
سؤال: اگر این کتاب برای من مناسب نیست، میتوانم مبلغی را
بازپرداخت کنم. ? پاسخ: بله، در صورت نارضایتی آمازون وجه به شما
بازپرداخت می کند، برای کسب اطلاعات بیشتر در مورد خدمات
بازپرداخت آمازون لطفاً به پلت فرم کمک آمازون بروید. همچنین اگر
به ما ایمیلی به آدرس contact@aisciences.net بفرستید، خوشحال
خواهیم شد به شما کمک کنیم.
شرکت علوم AI به شما کتابهای الکترونیکی رایگان را در
http: //aisciences.net/free/
***** BUY NOW (Will soon return to 25.59) ******Free eBook for
customers who purchase the print book from Amazon****** Are you
thinking of becoming a data analyst using Python? If you are
looking for a complete guide to data analysis using Python
language and its library that will help you to become an
effective data scientist, this book is for you. From AI
Sciences Publisher Our books may be the best one for beginners;
it's a step-by-step guide for any person who wants to start
learning Artificial Intelligence and Data Science from scratch.
It will help you in preparing a solid foundation and learn any
other high-level courses. To get the most out of the concepts
that would be covered, readers are advised to adopt hands on
approach, which would lead to better mental representations.
Step By Step Guide and Visual Illustrations and Examples The
Book give complete instructions for manipulating, processing,
cleaning, modeling and crunching datasets in Python. This is a
hands-on guide with practical case studies of data analysis
problems effectively. You will learn pandas, NumPy, IPython,
and Jupiter in the Process. Target Users This book is a
practical introduction to data science tools in Python. It is
ideal for analyst's beginners to Python and for Python
programmers new to data science and computer science. Instead
of tough math formulas, this book contains several graphs and
images. What's Inside This Book?
Introduction
Why Choose Python for Data Science & Machine Learning
Prerequisites & Reminders
Python Quick Review
Overview & Objectives
A Quick Example
Getting & Processing Data
Data Visualization
Supervised & Unsupervised Learning
Regression
Simple Linear Regression
Multiple Linear Regression
Decision Tree
Random Forest
Classification
Logistic Regression
K-Nearest Neighbors
Decision Tree Classification
Random Forest Classification
Clustering
Goals & Uses of Clustering
K-Means Clustering
Anomaly Detection
Association Rule Learning
Explanation
Apriori
Reinforcement Learning
What is Reinforcement Learning
Comparison with Supervised & Unsupervised Learning
Applying Reinforcement Learning
Neural Networks
An Idea of How the Brain Works
Potential & Constraints
Here's an Example
Natural Language Processing
Analyzing Words & Sentiments
Using NLTK
Model Selection & Improving Performance
Sources & References
Frequently Asked Questions
Q: Is this book for me and do I need programming experience? A:
if you want to smash Python for data analysis, this book is for
you. Little programming experience is required. If you already
wrote a few lines of code and recognize basic programming
statements, you'll be OK.
Q: Does this book include everything I need to become a data
science expert? A: Unfortunately, no. This book is designed for
readers taking their first steps in data analysis and further
learning will be required beyond this book to master all
aspects.
Q: Can I have a refund if this book is not fitted for me? A:
Yes, Amazon refund you if you aren't satisfied, for more
information about the amazon refund service please go to the
amazon help platform. We will also be happy to help you if you
send us an email at contact@aisciences.net.
AI Sciences Company offers you a free eBooks at http:
//aisciences.net/free/
Who Should Read This?......Page 4
From AI Sciences Publisher......Page 7
Author Biography......Page 12
Table of Contents......Page 13
Introduction......Page 16
Python vs R......Page 17
Clarity......Page 18
Installation & Setup......Page 20
Is Mathematical Expertise Necessary?......Page 21
4. Python Quick Review......Page 22
Tips for Faster Learning......Page 28
Data Analysis vs Data Science vs Machine Learning......Page 29
Limitations of Data Analysis & Machine Learning......Page 30
Accuracy & Performance......Page 31
Iris Dataset......Page 33
Potential & Implications......Page 34
CSV Files......Page 37
Feature Selection......Page 40
Internal Data Source......Page 42
Goal of Visualization......Page 44
Importing & Using Matplotlib......Page 45
What is Supervised Learning?......Page 51
What is Unsupervised Learning?......Page 53
How to Approach a Problem......Page 54
Simple Linear Regression......Page 55
Multiple Linear Regression......Page 58
Decision Tree......Page 63
Random Forest......Page 65
Logistic Regression......Page 69
K-Nearest Neighbors......Page 73
Decision Tree Classification......Page 76
Random Forest Classification......Page 79
Goals & Uses of Clustering......Page 83
K-Means Clustering......Page 84
Anomaly Detection......Page 87
Explanation......Page 89
Apriori......Page 91
What is Reinforcement Learning?......Page 95
Applying Reinforcement Learning......Page 96
An Idea of How the Brain Works......Page 100
Potential & Constraints......Page 101
Here’s an Example......Page 102
Analyzing Words & Sentiments......Page 106
Using NLTK......Page 107
Thank you !......Page 109
Online books, tutorials, & other references......Page 110
Thank you !......Page 112