کلمات کلیدی مربوط به کتاب یادگیری تجزیه و تحلیل پیش بینی با پایتون: کتابخانه، ادبیات کامپیوتر، پایتون
در صورت تبدیل فایل کتاب Learning Predictive 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 یادگیری تجزیه و تحلیل پیش بینی 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.
Packt Publishing, 2015. — 492 p. — ISBN: 9781783983261
با پیاده سازی الگوریتم
های پیش بینی کننده تجزیه و تحلیل بر روی مجموعه داده های عمومی
با Python درباره این کتاب، بینش عملی در مورد مدل سازی پیش بینی
به دست آورید:
گام به گام راهنمای مدلسازی پیشبینیکننده شامل بسیاری از نکات،
ترفندها و بهترین شیوهها
با اصول اولیه تجزیه و تحلیل پیشبینیکننده با پایتون آشنا
شوید
نحوه استفاده از الگوریتمهای مدلسازی پیشبینیکننده محبوب
مانند رگرسیون خطی، درختهای تصمیمگیری را بیاموزید، رگرسیون
لجستیک و خوشهبندی
این کتاب برای چه کسی
است اگر میخواهید نحوه پیادهسازی الگوریتمهای پیشبینیکننده
آنالیز با استفاده از کتابخانههای پایتون را بیاموزید، پس 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.
آنچه خواهید
آموخت:
درک مفاهیم آماری و ریاضی پشت الگوریتمهای پیشبینیکننده آنالیز
و پیادهسازی الگوریتمهای پیشبینیکننده با استفاده از
کتابخانههای پایتون
تجزیه و تحلیل پارامترهای نتیجه حاصل از اجرای الگوریتمهای
پیشبینیکننده
نوشتن ماژولها/توابع پایتون از ابتدا تا اجرای کل بخشها یا کل
بخشها از این الگوریتمها
تشخیص و کاهش احتمالات و مسائل مختلف مربوط به اجرای الگوریتمهای
پیشبینیکننده تجزیه و تحلیل
آشنایی با روشهای مختلف واردات، تمیز کردن، زیرتنظیم، ادغام،
پیوستن، الحاق، کاوش، گروهبندی، 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 بهترین شیوه ها هنگام مدیریت مجموعه داده ها در Python و
ایجاد مدلهای پیشگویانه از آنها در جزئیات رسانههای اجتماعی و
اینترنت اشیا منجر به بهمنی از دادهها شده است.
دادهها قدرتمند هستند
اما به شکل خام نیستند - این نیاز به پردازش و مدل سازی دارد 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، یک مهارت
ضروری در این عصر داده است. این کتاب راهنمای شما برای شروع کار
با Predictive Analytics با استفاده از Python است. نحوه پردازش
داده ها و ساخت مدل های پیش بینی از آن را خواهید دید. ما مفاهیم
آماری و ریاضی را متعادل می کنیم و آنها را در پایتون با استفاده
از کتابخانه هایی مانند پانداها، scikit-learn و numpy پیاده سازی
می کنیم. 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 روش ها در مدل سازی پیش بینی و همچنین کاربردهای
مختلف مدل سازی پیش بینی در دنیای مدرن را مشاهده خواهید کرد. سبک
و رویکرد تمامی مفاهیم این کتاب با استفاده از مجموعه داده و به
صورت گام به گام توضیح داده شده و به تصویر کشیده شده است. قطعه
کد پایتون برای پیاده سازی یک روش یا مفهوم با خروجی هایی مانند
نمودارها، سر داده ها، تصاویر و غیره دنبال می شود. مفاهیم آماری
هر جا که لازم باشد به تفصیل توضیح داده می شود.
Packt Publishing, 2015. — 492 p. — ISBN: 9781783983261
Gain practical insights into
predictive modelling by implementing Predictive Analytics
algorithms on public datasets with Python About This
Book:
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.
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 In Detail 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. Style and approach
All the concepts in this book been explained and illustrated
using a dataset, and in a step-by-step manner. The Python code
snippet to implement a method or concept is followed by the
output, such as charts, dataset heads, pictures, and so on. The
statistical concepts are explained in detail wherever required.