Learning Predictive Analytics with Python

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: Kumar A.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 493 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 44,000

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.