مشخصات کتاب

Mastering Predictive Analytics with Python

ویرایش:  
نویسندگان: Joseph Babcock  
سری:  
ISBN (شابک) : 9781785882715 
ناشر: Packt 
سال نشر: 2016 
تعداد صفحات: 323 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

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

در صورت تبدیل فایل کتاب Mastering 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 تسلط بر تجزیه و تحلیل پیش بینی کننده 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.

توضیحاتی در مورد کتاب تسلط بر تجزیه و تحلیل پیش بینی کننده با پایتون

با پیش‌بینی احتمالات و روندها و ایجاد راه‌حل‌های تحلیلی پیشرفته با Python درباره این کتاب از قدرت داده‌ها در کسب‌وکار خود بهره‌برداری کنید* در استفاده از ابزارهای منبع باز پایتون برای ساختن مدل‌های پیش‌بینی پیچیده تسلط پیدا کنید. راهنمای آینده‌اندیشی* روش‌های اصلی مدل‌سازی پیش‌بینی‌کننده را درک کنید و از تفکر جعبه سیاه فراتر بروید و به سطح عمیق‌تری از درک این کتاب بروید. از درک مفهومی تجزیه و تحلیل پیشرفته به یک متخصص در طراحی و ساخت راه حل های تحلیلی پیشرفته با استفاده از پایتون حرکت کنید. از شما انتظار می رود که تجربه اولیه توسعه با پایتون را داشته باشید. آنچه خواهید آموخت* به دست آوردن بینشی در مورد اجزا و تصمیمات طراحی برای یک برنامه تحلیلی* تسلط بر استفاده از نوت بوک های پایتون برای تجزیه و تحلیل داده های اکتشافی و نمونه سازی سریع * با اعمال رگرسیون آشنا شوید. الگوریتم‌های طبقه‌بندی، خوشه‌بندی و یادگیری عمیق* روش‌های پیشرفته برای تجزیه و تحلیل داده‌های ساختاریافته و بدون ساختار را کشف کنید* نحوه استقرار یک مدل یادگیری ماشینی در محیط تولید را بیاموزید* عملکرد مدل‌ها و بینش‌هایی را که تولید می‌کنند تجسم کنید. داده‌ها با استفاده از پایتون رشد می‌کنند* با تسلط بر بهترین شیوه‌های تحلیل پیش‌بینی‌کننده در جزئیات، از استحکام برنامه‌های تحلیلی خود اطمینان حاصل کنید، حجم، تنوع و سرعت داده‌های موجود هرگز بیشتر از این نبوده است. روش‌های قدرتمند یادگیری ماشینی می‌توانند ارزش این اطلاعات را با یافتن روابط پیچیده و روندهای پیش‌بینی نشده باز کنند. با استفاده از زبان برنامه‌نویسی پایتون، تحلیلگران می‌توانند از این روش‌های پیچیده برای ساخت برنامه‌های تحلیلی مقیاس‌پذیر برای ارائه بینش‌هایی استفاده کنند که ارزش فوق‌العاده‌ای برای سازمان‌هایشان دارند. در تسلط بر تجزیه و تحلیل پیش‌بینی‌کننده با پایتون، شما از طریق یک فرآیند گام به گام برای تبدیل شدن به خام کار خواهید کرد. داده ها را به بینش های قدرتمند تبدیل می کند. این جلد با مطالعات موردی و نمونه‌های کد با استفاده از کتابخانه‌های محبوب پایتون منبع باز، روند توسعه کامل برنامه‌های تحلیلی را نشان می‌دهد. مثال‌های دقیق، کاربردهای قوی و مقیاس‌پذیر را برای موارد استفاده رایج نشان می‌دهند. شما یاد خواهید گرفت که به سرعت از این روش ها برای داده های خود استفاده کنید. با پوشش طیف گسترده ای از الگوریتم ها برای طبقه بندی، رگرسیون، خوشه بندی و تکنیک های پیشرفته مانند یادگیری عمیق، نه تنها نحوه کار این روش ها، بلکه نحوه پیاده سازی را نیز یاد خواهید گرفت. آنها را در عمل همچنین مهارت انتخاب رویکرد مناسب برای مشکل خود را به دست خواهید آورد. این راهنما همچنین چگونگی توسعه تجسم های جذاب از این الگوریتم ها را توضیح می دهد تا بینش های مدل سازی پیش بینی را برای تحلیلگر و ذینفعان آنها زنده کند.

توضیحاتی درمورد کتاب به خارجی

Exploit the power of data in your business by predicting probabilities and trends and creating advanced analytic solutions with PythonAbout This Book* Master the use of open source Python tools to build sophisticated predictive models* Learn to identify the right machine learning algorithm for your problem with this forward-thinking guide* Grasp the major methods of predictive modeling and move beyond black box thinking to a deeper level of understandingWho This Book Is ForThis book is designed for business analysts, BI analysts, data scientists, or junior level data analysts who are ready to move from a conceptual understanding of advanced analytics to an expert in designing and building advanced analytics solutions using Python. You're expected to have basic development experience with Python.What You Will Learn* Gain an insight into components and design decisions for an analytical application* Master the use Python notebooks for exploratory data analysis and rapid prototyping* Get to grips with applying regression, classification, clustering, and deep learning algorithms* Discover the advanced methods to analyze structured and unstructured data* Find out how to deploy a machine learning model in a production environment* Visualize the performance of models and the insights they produce* Scale your solutions as your data grows using Python* Ensure the robustness of your analytic applications by mastering the best practices of predictive analysisIn DetailThe volume, diversity, and speed of data available has never been greater. Powerful machine learning methods can unlock the value in this information by finding complex relationships and unanticipated trends. Using the Python programming language, analysts can use these sophisticated methods to build scalable analytic applications to deliver insights that are of tremendous value to their organizations.In Mastering Predictive Analytics with Python, you will work through a step-by-step process to turn raw data into powerful insights. Power-packed with case studies and code examples using popular open-source Python libraries, this volume illustrates the complete development process for analytic applications. The detailed examples illustrate robust and scalable applications for common use cases. You will learn to quickly apply these methods to your own data.Covering a wide range of algorithms for classification, regression, clustering, and cutting-edge techniques such as deep learning, you will learn not only how these methods work, but how to implement them in practice. You will also gain the skill to choose the right approach for your problem. This guide also explains how to develop engaging visualizations from these algorithms, to bring the insights of predictive modeling to life for the analyst and their stakeholders.

فهرست مطالب

Contents
Preface
From Data to Decisions
	Designing an advanced analytic solution
	Case study: sentiment analysis of social  media feeds
	Case study: targeted e-mail campaigns
	Summary
Exploratory Data Analysis & Visualization in Python
	Exploring categorical & numerical data in IPython
	Time series analysis
	Working with geospatial data
	Introduction to PySpark
	Summary
Clustering & Unsupervised Learning
	Similarity and distance metrics
	Affinity propagation – automatically choosing cluster numbers
	k-medoids
	Agglomerative clustering
	Streaming clustering in Spark
	Summary
Regression Methods
	Linear regression
	Tree methods
	Scaling out with PySpark
	Summary
Classification Methods & Analysis
	Logistic regression
	Fitting the model
	Evaluating classification model
	Separating Nonlinear boundaries with SVMs
	Comparing classification method
	Case study: fitting classifier model in pyspark
	Summary
Unstructured Data
	Working with textual data
	Principal component analysis
	Images
	Case Study: Training Recommender System in PySpark
	Summary
Deep Networks & Unsupervised Features
	Learning patterns with neural networks
	The TensorFlow library & digit recognition
	Summary
Sharing Models with Prediction Services
	Architecture of prediction service
	Clients and making requests
	Server – the web traffic controlle
	Persisting information with database systems
	Case study – logistic regression service
	Summary
Iterating on Analytic Systems
	Checking the health of models with diagnostics
	Iterating on models through A/B testing
	Guidelines for communication
	Summary
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Buncombe Bob: The Life and Times of Robert Rice Reynolds

دانلود کتاب CRU Oyster Bar Nantucket cookbook: savoring four seasons of the good life

دانلود کتاب Carpenter's Gothic (Classic, 20th-Century, Penguin)

دانلود کتاب Dermatología : atlas, diagnóstico y tratamiento

دانلود کتاب Ukraine - Culture Smart!: The Essential Guide to Customs & Culture