ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Learning Python for data mining

دانلود کتاب آموزش پایتون برای داده کاوی

Learning Python for data mining

مشخصات کتاب

Learning Python for data mining

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان:   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : AZW3 (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 32,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



کلمات کلیدی مربوط به کتاب آموزش پایتون برای داده کاوی: پایتون



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Learning Python for data mining 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 آموزش پایتون برای داده کاوی 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.


توضیحاتی در مورد کتاب آموزش پایتون برای داده کاوی

هدف من همراهی خواننده ای است که شروع به مطالعه این زبان برنامه نویسی می کند، مفاهیم اولیه را به او نشان می دهد و سپس به سمت داده کاوی حرکت می کند. ما با توضیح نحوه استفاده از پایتون و ساختارهای آن، نحوه نصب پایتون، ابزارهایی که برای کار یک تحلیلگر داده مناسب هستند، شروع می کنیم و سپس به مقدمه بسته های داده کاوی می رویم. کتاب در هر صورت یک مقدمه است. به عنوان مثال، هدف آن توضیح کامل موضوعاتی مانند یادگیری ماشین یا آمار با این زبان برنامه نویسی نیست، که حداقل دو یا سه برابر کل این کتاب طول می کشد. هدف ارائه راهنمایی از اولین مراحل برنامه نویسی با پایتون تا دستکاری و وارد کردن مجموعه داده ها تا نمونه هایی از تجزیه و تحلیل داده ها است. برای دقیق تر بودن، در بخش Getting Started، برخی از مفاهیم اولیه نصب، ابزارهای موجود برای برنامه نویسی در پایتون، تفاوت های Python2 و Python3 و راه اندازی یک پوشه کاری را بررسی می کنیم. در فصل 1، ما شروع به دیدن برخی از مفاهیم اساسی در مورد ایجاد اشیا، وارد کردن نظرات، کلمات رزرو شده برای سیستم و انواع مختلف عملگرهایی خواهیم کرد که بخشی از دستور زبان این زبان برنامه نویسی هستند. در فصل 2، ساختارهای پایه پایتون، مانند تاپل ها، لیست ها، دیکشنری ها، مجموعه ها، رشته ها و فایل ها را ادامه می دهیم و نحوه ایجاد و تبدیل آنها را یاد می گیریم. در فصل 3 ما اصول اولیه ایجاد توابع اولیه کوچک و نحوه ذخیره آنها را خواهیم دید. فصل 4 به دستورالعمل های شرطی می پردازد که به ما امکان می دهد قدرت یک تابع و همچنین برخی از توابع مهم را افزایش دهیم. در فصل 5 ما در مورد برخی از مفاهیم اساسی مربوط به برنامه نویسی شی گرا، مفهوم ماژول، روش و مدیریت خطا صحبت خواهیم کرد. فصل 6 به وارد کردن فایل ها با برخی از ویژگی های اساسی اختصاص دارد. نحوه باز کردن و ویرایش فایل های متنی با فرمت csv. و فرمت های مختلف دیگر را خواهیم دید. فصل‌های 7 تا 10 به مهم‌ترین بسته‌های داده‌کاوی پایتون می‌پردازند: Numpy و Scipy برای توابع ریاضی و تولید داده‌های تصادفی، پانداها برای مدیریت چارچوب داده و وارد کردن داده‌ها، Matplotlib برای رسم نمودارها و scikit-learn برای یادگیری ماشین. با توجه به Sicit-Learn، ما خود را به ارائه یک ایده اولیه از کد الگوریتم‌های مختلف محدود می‌کنیم، بدون اینکه با توجه به پیچیدگی موضوع، وارد جزئیات تکنیک‌های مختلف شویم. در نهایت، در Conclusions، موضوعات و مفاهیم کتاب را خلاصه می کنیم و مدیریت تاریخ ها و برخی از منابع داده برای تست های خود با پایتون را مشاهده می کنیم. این کتاب برای کسانی است که می خواهند از منظر تجزیه و تحلیل داده ها به زبان برنامه نویسی پایتون نزدیک شوند. بنابراین، پس از آشنایی با مفاهیم اولیه پایتون، بر روی بسته‌های مورد استفاده برای تجزیه و تحلیل داده‌ها تمرکز خواهیم کرد.


توضیحاتی درمورد کتاب به خارجی

My goal is to accompany a reader who is starting to study this programming language, showing her through basic concepts and then move to data mining. We will begin by explaining how to use Python and its structures, how to install Python, which tools are best suited for a data analyst work, and then switch to an introduction to data mining packages. The book is in any case an introduction. Its aim is not, for instance, to fully explain topics such as machine learning or statistics with this programming language, which would take at least twice or three times as much as this entire book. The aim is to provide a guidance from the first programming steps with Python to manipulation and import of datasets, to some examples of data analysis. To be more precise, in the Getting Started section, we will run through some basic installation concepts, tools available for programming on Python, differences between Python2 and Python3, and setting up a work folder. In Chapter 1, we will begin to see some basic concepts about creating objects, entering comments, reserved words for the system, and on the various types of operators that are part of the grammar of this programming language. In Chapter 2, we will carry on with the basic Python structures, such as tuples, lists, dictionaries, sets, strings, and files, and learn how to create and convert them. In Chapter 3 we will see the basics for creating small basic functions, and how to save them. Chapter 4 deals with conditional instructions that allow us to extend the power of a function as well as some important functions. In Chapter 5 we will keep talking about some basic concepts related to object-oriented programming, concept of module, method, and error handling. Chapter 6 is dedicated to importing files with some of the basic features. We will see how to open and edit text files, in .csv format, and in various other formats. Chapters 7 to 10 will deal with Python's most important data mining packages: Numpy and Scipy for mathematical functions and random data generation, pandas for dataframe management and data import, Matplotlib for drawing charts and scikit-learn for machine learning. With regard to scikit-learn, we will limit ourselves to provide a basic idea of the code of the various algorithms, without going, given the complexity of the subject, into details for the various techniques. Finally, in Conclusions, we will summarize the topics and concepts of the book and see the management of dates and some of the data sources for our tests with Python. This book is intended for those who want to get closer to the Python programming language from a data analysis perspective. We will therefore focus on the most used packages for data analysis, after the introduction to Python's basic concepts.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی