Learning Predictive Analytics with Python

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: Kumar Ashish.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

قیمت کتاب (تومان) : 35,000

Packt Publishing, 2016. — 354 p. — ISBN-10: 1-78398-327-2، ISBN-13: 978-1-78398-326-1.

با پیاده سازی الگوریتم های تجزیه و تحلیل پیش بینی کننده در مجموعه داده های عمومی با Python رسانه های اجتماعی و اینترنت اشیا منجر به بهمنی از داده ها شده است. داده ها قدرتمند هستند اما به شکل خام نیستند - نیاز به پردازش و مدل سازی دارند و پایتون یکی از قوی ترین ابزارهای موجود برای انجام این کار است. دارای مجموعه‌ای از بسته‌ها برای مدل‌سازی پیش‌بینی‌کننده و مجموعه‌ای از IDE‌ها برای انتخاب. یادگیری پیش‌بینی اینکه چه کسی با پایتون برنده، بازنده، خرید، دروغ گفتن یا می‌میرد، مهارتی ضروری است که در این عصر داده باید داشته باشید. این کتاب راهنمای شما برای شروع کار با Predictive Analytics با استفاده از پایتون است. نحوه پردازش داده‌ها و ساخت مدل‌های پیش‌بینی از آن‌ها را خواهید دید. ما مفاهیم آماری و ریاضی را متعادل می‌کنیم و با استفاده از کتابخانه‌هایی مانند پانداها، scikit-learn و numpy آنها را در پایتون پیاده‌سازی می‌کنیم. شما با درک اصول اولیه مدل‌سازی پیش‌بینی شروع می‌کنید، سپس خواهید دید که چگونه داده‌های خود را از ناخالصی‌ها پاک کنید و آن‌ها را برای مدل‌سازی پیش‌بینی آماده کنید. همچنین درباره بهترین الگوریتم‌های مدل‌سازی پیش‌بینی‌کننده مانند رگرسیون خطی، درخت تصمیم و رگرسیون لجستیک اطلاعات بیشتری کسب خواهید کرد. در نهایت، بهترین روش‌ها در مدل‌سازی پیش‌بینی‌کننده و همچنین کاربردهای مختلف مدل‌سازی پیش‌بینی‌کننده در دنیای مدرن را خواهید دید. آنچه خواهید آموخت:
درک مفاهیم آماری و ریاضی پشت الگوریتم های پیش بینی کننده آنالیز و پیاده سازی الگوریتم های تجزیه و تحلیل پیش بینی با استفاده از کتابخانه های پایتون؛
تجزیه و تحلیل پارامترهای نتیجه حاصل از اجرای الگوریتم های پیش بینی کننده؛
نوشتن پایتون ماژول‌ها/عملکردها از ابتدا تا اجرای بخش‌ها یا کل این الگوریتم‌ها؛
تشخیص و کاهش موارد احتمالی و مسائل مربوط به اجرای الگوریتم‌های Predictive Analytics؛
آشنایی با روش‌های مختلف واردات، تمیز کردن، زیر -تنظیم، ادغام، الحاق، الحاق، کاوش، گروه بندی و ترسیم داده ها با پانداها و numpy؛
ایجاد مجموعه داده های ساختگی و شبیه سازی های ریاضی ساده با استفاده از کتابخانه های Python numpy و pandas؛
درک st هنگام مدیریت مجموعه داده‌ها در پایتون و ایجاد مدل‌های پیش‌بین از آنها تمرین می‌کند. راهنمای گام به گام برای مدل‌سازی پیش‌بینی‌کننده شامل نکات، ترفندها و بهترین‌ها تمرین کنید.
با اصول اولیه تجزیه و تحلیل پیش‌بینی‌کننده با پایتون آشنا شوید.
نحوه استفاده از الگوریتم‌های مدل‌سازی پیش‌بینی‌کننده محبوب مانند رگرسیون خطی، درخت‌های تصمیم، رگرسیون لجستیک و خوشه‌بندی را بیاموزید. این کتاب برای چه کسی است:
اگر می‌خواهید نحوه پیاده‌سازی الگوریتم‌های تحلیل پیش‌بینی‌کننده با استفاده از کتابخانه‌های پایتون را بیاموزید، این کتاب برای شماست. . اگر با کد نویسی در پایتون (یا برخی از زبان های برنامه نویسی/آماری/اسکریپت نویسی دیگر) آشنا هستید اما هرگز از الگوریتم های پیش بینی کننده آنالیز پیش بینی استفاده نکرده اید یا در مورد آن مطالعه نکرده اید، این کتاب نیز به شما کمک خواهد کرد. این کتاب برای هر علاقه مندان به علم داده مفید خواهد بود و می تواند آن را بخواند. آشنایی با پایتون برای استفاده بیشتر از این کتاب مفید خواهد بود، اما مطمئناً پیش نیاز نیست. PC دارای سیستم‌عامل رایگان است، به عنوان مثال خواننده جالب (EPUB)، کالیبر (EPUB، MOBI، AZW3)، Adobe Digital Editions (EPUB), FBRreader (EPUB، MOBI، AZW3).

Packt Publishing, 2016. — 354 p. — ISBN-10: 1-78398-327-2, ISBN-13: 978-1-78398-326-1.

Gain practical insights into predictive modelling by implementing Predictive Analytics algorithms on public datasets with Python Social Media and the Internet of Things have resulted in an avalanche of data. Data is powerful but not in its raw form - It needs to be processed and modeled, and Python is one of the most robust tools out there to do so. It has an array of packages for predictive modeling and a suite of IDEs to choose from. Learning to predict who would win, lose, buy, lie, or die with Python is an indispensable skill set to have in this data age. This book is your guide to getting started with Predictive Analytics using Python. You will see how to process data and make predictive models from it. We balance both statistical and mathematical concepts, and implement them in Python using libraries such as pandas, scikit-learn, and numpy. You'll start by getting an understanding of the basics of predictive modeling, then you will see how to cleanse your data of impurities and get it ready it for predictive modeling. You will also learn more about the best predictive modeling algorithms such as Linear Regression, Decision Trees, and Logistic Regression. Finally, you will see the best practices in predictive modeling, as well as the different applications of predictive modeling in the modern world. What You Will Learn:
Understand the statistical and mathematical concepts behind Predictive Analytics algorithms and implement Predictive Analytics algorithms using Python libraries;
Analyze the result parameters arising from the implementation of Predictive Analytics algorithms;
Write Python modules/functions from scratch to execute segments or the whole of these algorithms;
Recognize and mitigate various contingencies and issues related to the implementation of Predictive Analytics algorithms;
Get to know various methods of importing, cleaning, sub-setting, merging, joining, concatenating, exploring, grouping, and plotting data with pandas and numpy;
Create dummy datasets and simple mathematical simulations using the Python numpy and pandas libraries;
Understand the best practices while handling datasets in Python and creating predictive models out of them. A step-by-step guide to predictive modeling including lots of tips, tricks, and best practices.
Get to grips with the basics of Predictive Analytics with Python.
Learn how to use the popular predictive modeling algorithms such as Linear Regression, Decision Trees, Logistic Regression, and Clustering. Who This Book Is For:
If you wish to learn how to implement Predictive Analytics algorithms using Python libraries, then this is the book for you. If you are familiar with coding in Python (or some other programming/statistical/scripting language) but have never used or read about Predictive Analytics algorithms, this book will also help you. The book will be beneficial to and can be read by any Data Science enthusiasts. Some familiarity with Python will be useful to get the most out of this book, but it is certainly not a prerequisite. Формат книги совместим с iPAD и Amazon Kindle, на PC открывается многими бесплатными ридерами, например Cool Reader (EPUB), Calibre (EPUB, MOBI, AZW3), Adobe Digital Editions (EPUB), FBReader (EPUB, MOBI, AZW3).