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
دسته بندی: برنامه نويسي ویرایش: 1 نویسندگان: Dmitry Zinoviev سری: The Pragmatic Programmers ISBN (شابک) : 1680501844, 9781680501841 ناشر: Pragmatic Bookshelf سال نشر: 2016 تعداد صفحات: 218 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب ملزومات علوم داده در پایتون: جمع آوری - سازماندهی - کاوش - پیش بینی - ارزش: تصمیم گیری و حل مسئله، مدیریت و رهبری، کسب و کار و پول، تصمیم گیری، مهارت ها، کسب و کار و پول، مدل سازی و طراحی داده، پایگاه های داده و کلان داده، رایانه و فناوری، پردازش داده، پایگاه داده ها و داده های بزرگ، رایانه ها و فناوری، پایتون، زبان های برنامه نویسی، کامپیوتر و فناوری
در صورت تبدیل فایل کتاب Data Science Essentials in Python: Collect - Organize - Explore - Predict - Value 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 ملزومات علوم داده در پایتون: جمع آوری - سازماندهی - کاوش - پیش بینی - ارزش 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.
با این مرجع سریع برای دانشمند داده پرمشغله، از مصنوعات آشفته
و بدون ساختار ذخیره شده در پایگاه داده های SQL و NoSQL به یک
مجموعه داده منظم و منظم بروید. درک متن کاوی، یادگیری ماشین و
تجزیه و تحلیل شبکه؛ پردازش داده های عددی با ماژول های NumPy و
Pandas. توصیف و تجزیه و تحلیل داده ها با استفاده از روش های
آماری و نظری شبکه. و نمونه های واقعی تجزیه و تحلیل داده ها را
در محل کار ببینید. این راه حل یک مرحله ای، علم داده های ضروری
مورد نیاز شما در پایتون را پوشش می دهد.
علوم داده یکی از رشته هایی است که سریع ترین رشد را از نظر
تحقیقات آکادمیک، ثبت نام دانشجو و اشتغال دارد. پایتون با
انعطافپذیری و مقیاسپذیری خود، به سرعت از زبان R برای
پروژههای علمی داده پیشی میگیرد. مفاهیم علوم داده پایتون را
با این مرجع سریع ماژولار به ابزارهای مورد استفاده برای جمع
آوری، تمیز کردن، تجزیه و تحلیل و ذخیره سازی داده ها در دسترس
خود نگه دارید.
این راه حل یک مرحله ای پایتون، پایگاه های داده، شبکه ضروری را
پوشش می دهد. تجزیه و تحلیل، پردازش زبان طبیعی، عناصر یادگیری
ماشین، و تجسم. دسترسی به متن ساختاریافته و بدون ساختار و داده
های عددی از فایل های محلی، پایگاه های داده و اینترنت. داده ها
را مرتب کنید، مرتب کنید و تمیز کنید. کار با پایگاه های داده
رابطه ای و غیر رابطه ای، تجسم داده ها، و تجزیه و تحلیل پیش
بینی ساده (رگرسیون، خوشه بندی، و درخت های تصمیم). ببینید که
چگونه مشکلات تجزیه و تحلیل داده های معمولی مدیریت می شوند. و
راهحلهای خود را برای انواع پروژههای در مقیاس متوسط که
کار کردن روی آنها سرگرمکننده است و در رزومه شما خوب به نظر
میرسد، امتحان کنید.
این راهنمای سریع مفید را در کنار خود نگه دارید، خواه اهل
دانشجو، یک متخصص علوم داده در سطح مبتدی که از R به پایتون
تبدیل میکند، یا یک توسعهدهنده با تجربه پایتون که نمیخواهد
همه عملکردها و گزینهها را به خاطر بسپارد.
آنچه شما نیاز دارید:
شما به یک توزیع مناسب از Python 3.3 یا بالاتر نیاز دارید که
شامل حداقل NLTK، Pandas، NumPy، Matplotlib، Networkx،
SciKit-Learn و BeautifulSoup باشد. یک توزیع عالی که الزامات
را برآورده می کند Anaconda است که به صورت رایگان از
www.continuum.io در دسترس است. اگر قصد دارید سرورهای پایگاه
داده خود را راه اندازی کنید، به MySQL (www.mysql.com) و
MongoDB (www.mongodb.com) نیز نیاز دارید. هر دو بسته رایگان
هستند و روی Windows، Linux و Mac OS اجرا میشوند.
Go from messy, unstructured artifacts stored in SQL and NoSQL
databases to a neat, well-organized dataset with this quick
reference for the busy data scientist. Understand text
mining, machine learning, and network analysis; process
numeric data with the NumPy and Pandas modules; describe and
analyze data using statistical and network-theoretical
methods; and see actual examples of data analysis at work.
This one-stop solution covers the essential data science you
need in Python.
Data science is one of the fastest-growing disciplines in
terms of academic research, student enrollment, and
employment. Python, with its flexibility and scalability, is
quickly overtaking the R language for data-scientific
projects. Keep Python data-science concepts at your
fingertips with this modular, quick reference to the tools
used to acquire, clean, analyze, and store data.
This one-stop solution covers essential Python, databases,
network analysis, natural language processing, elements of
machine learning, and visualization. Access structured and
unstructured text and numeric data from local files,
databases, and the Internet. Arrange, rearrange, and clean
the data. Work with relational and non-relational databases,
data visualization, and simple predictive analysis
(regressions, clustering, and decision trees). See how
typical data analysis problems are handled. And try your hand
at your own solutions to a variety of medium-scale projects
that are fun to work on and look good on your resume.
Keep this handy quick guide at your side whether you're a
student, an entry-level data science professional converting
from R to Python, or a seasoned Python developer who doesn't
want to memorize every function and option.
What You Need:
You need a decent distribution of Python 3.3 or above that
includes at least NLTK, Pandas, NumPy, Matplotlib, Networkx,
SciKit-Learn, and BeautifulSoup. A great distribution that
meets the requirements is Anaconda, available for free from
www.continuum.io. If you plan to set up your own database
servers, you also need MySQL (www.mysql.com) and MongoDB
(www.mongodb.com). Both packages are free and run on Windows,
Linux, and Mac OS.