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 Mastering Python Data Analysis

دانلود کتاب تسلط بر تجزیه و تحلیل داده های پایتون

Mastering Python Data Analysis

مشخصات کتاب

Mastering Python Data Analysis

دسته بندی: برنامه نويسي
ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 1783553294, 9781783553297 
ناشر: Packt Publishing 
سال نشر: 2016 
تعداد صفحات: 282 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 مگابایت

قیمت کتاب (تومان) : 64,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


در صورت تبدیل فایل کتاب Mastering Python Data Analysis 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 داده های 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 داده های پایتون

در استفاده از Python برای تجزیه و تحلیل آماری پیشرفته داده‌ها با استفاده از مثال‌های دنیای واقعی درباره این کتاب متخصص شوید- داده‌ها را با استفاده از خلاصه‌های گرافیکی و عددی پاک کنید، قالب‌بندی کنید و کاوش کنید- از محیط IPython برای تجزیه و تحلیل کارآمد داده‌ها با Python استفاده کنید. برای توسعه مهارت‌های محاسباتی پیشرفته برای تجزیه و تحلیل داده‌های پیچیده، مثال‌هایی را دنبال کنید. این کتاب برای چه کسی است. آشنایی با اصول اولیه استفاده از کتابخانه های پایتون در مجموعه داده ها فرض می شود. آنچه یاد خواهید گرفت- بخوانید، مرتب سازی کنید و داده های مختلف را در پایتون و پانداها نقشه برداری کنید- الگوها را بشناسید تا بتوانید داده ها را درک و کاوش کنید- از مدل های آماری برای کشف الگوها در داده ها استفاده کنید. - استنتاج آماری کلاسیک را با استفاده از Python، Pandas و SciPy مرور کنید- تشابهات و تفاوت‌ها را در داده‌ها با خوشه‌بندی شناسایی کنید- داده‌های خود را پاک کنید تا مفید باشند- در Jupyter Notebook کار کنید تا ارقام آماده انتشار را تولید کنید تا در گزارش‌ها گنجانده شوند. DetailPython، یک الگوی چندگانه زبان برنامه نویسی، به زبان انتخابی دانشمندان داده برای تجزیه و تحلیل داده، تجسم و یادگیری ماشین تبدیل شده است. آیا تا به حال تصور کرده اید که چگونه می توانید در برخورد موثر با مشکلات تجزیه و تحلیل داده ها، حل آنها و استخراج تمام اطلاعات موجود از داده های خود متخصص شوید؟ خوب، بیشتر نگاه نکنید، این کتابی است که شما می خواهید! از طریق این راهنمای جامع، داده ها را بررسی می کنید و نتایج و نتیجه گیری های حاصل از تجزیه و تحلیل آماری را به روشی معنادار ارائه می دهید. شما قادر خواهید بود مرتب سازی، کاهش و تجزیه و تحلیل های بعدی را به سرعت و با دقت انجام دهید و کاملاً درک کنید که چگونه روش های تجزیه و تحلیل داده ها می توانند از تصمیم گیری تجاری حمایت کنند. شما با یادگیری در مورد ابزارهای موجود برای تجزیه و تحلیل داده ها شروع به کار خواهید کرد. در پایتون و سپس مدل های آماری مورد استفاده برای شناسایی الگوها در داده ها را بررسی می کند. به تدریج، به بررسی استنتاج آماری با استفاده از پایتون، پانداها و SciPy خواهید پرداخت. پس از آن، ما بر روی انجام رگرسیون با استفاده از ابزارهای محاسباتی تمرکز می‌کنیم و مشکل شناسایی خوشه‌ها در داده‌ها را به روش الگوریتمی درک خواهید کرد. در نهایت، ما به تکنیک‌های پیشرفته برای تعیین کمیت علت و معلول با استفاده از روش‌های بیزی می‌پردازیم و نحوه استفاده از ابزار پایتون برای یادگیری ماشینی تحت نظارت را کشف می‌کنیم. سبک و رویکرد این کتاب رویکردی گام به گام برای خواندن، پردازش و تجزیه و تحلیل داده‌ها دارد. در پایتون با استفاده از روش ها و ابزارهای مختلف. سرشار از مثال‌ها، هر موضوع به نمونه‌های دنیای واقعی متصل می‌شود و در صورت امکان، داده‌ها را مستقیماً آنلاین بازیابی می‌کند. با این کتاب، دانش و ابزارهایی به شما داده می شود تا هر داده ای را به تنهایی کاوش کنید، و کنجکاوی مناسب همه دانشمندان داده را تشویق می کند.


توضیحاتی درمورد کتاب به خارجی

Become an expert at using Python for advanced statistical analysis of data using real-world examplesAbout This Book- Clean, format, and explore data using graphical and numerical summaries- Leverage the IPython environment to efficiently analyze data with Python- Packed with easy-to-follow examples to develop advanced computational skills for the analysis of complex dataWho This Book Is ForIf you are a competent Python developer who wants to take your data analysis skills to the next level by solving complex problems, then this advanced guide is for you. Familiarity with the basics of applying Python libraries to data sets is assumed.What You Will Learn- Read, sort, and map various data into Python and Pandas- Recognise patterns so you can understand and explore data- Use statistical models to discover patterns in data- Review classical statistical inference using Python, Pandas, and SciPy- Detect similarities and differences in data with clustering- Clean your data to make it useful- Work in Jupyter Notebook to produce publication ready figures to be included in reportsIn DetailPython, a multi-paradigm programming language, has become the language of choice for data scientists for data analysis, visualization, and machine learning. Ever imagined how to become an expert at effectively approaching data analysis problems, solving them, and extracting all of the available information from your data? Well, look no further, this is the book you want!Through this comprehensive guide, you will explore data and present results and conclusions from statistical analysis in a meaningful way. You'll be able to quickly and accurately perform the hands-on sorting, reduction, and subsequent analysis, and fully appreciate how data analysis methods can support business decision-making.You'll start off by learning about the tools available for data analysis in Python and will then explore the statistical models that are used to identify patterns in data. Gradually, you'll move on to review statistical inference using Python, Pandas, and SciPy. After that, we'll focus on performing regression using computational tools and you'll get to understand the problem of identifying clusters in data in an algorithmic way. Finally, we delve into advanced techniques to quantify cause and effect using Bayesian methods and you'll discover how to use Python's tools for supervised machine learning.Style and approachThis book takes a step-by-step approach to reading, processing, and analyzing data in Python using various methods and tools. Rich in examples, each topic connects to real-world examples and retrieves data directly online where possible. With this book, you are given the knowledge and tools to explore any data on your own, encouraging a curiosity befitting all data scientists.



فهرست مطالب

Mastering Python Data Analysis
	Mastering Python Data Analysis
	Credits
	About the Authors
	About the Reviewer
	www.PacktPub.com
		Why subscribe?
		Free access for Packt account holders
	Preface
		What this book covers
		What you need for this book
		Who this book is for
		Conventions
		Reader feedback
		Customer support
			Downloading the example code
			Downloading the color images of this book
			Errata
			Piracy
			Questions
	1. Tools of the Trade
		Before you start
		Using the notebook interface
		Imports
		An example using the Pandas library
		Summary
	2. Exploring Data
		The General Social Survey
			Obtaining the data
			Reading the data
		Univariate data
			Histograms
				Making things pretty
				Characterization
			Concept of statistical inference
			Numeric summaries and boxplots
		Relationships between variables – scatterplots
		Summary
	3. Learning About Models
		Models and experiments
		The cumulative distribution function
		Working with distributions
		The probability density function
		Where do models come from?
		Multivariate distributions
		Summary
	4. Regression
		Introducing linear regression
			Getting the dataset
			Testing with linear regression
		Multivariate regression
			Adding economic indicators
			Taking a step back
		Logistic regression
			Some notes
		Summary
	5. Clustering
		Introduction to cluster finding
			Starting out simple – John Snow on cholera
		K-means clustering
			Suicide rate versus GDP versus absolute latitude
		Hierarchical clustering analysis
			Reading in and reducing the data
			Hierarchical cluster algorithm
		Summary
	6. Bayesian Methods
		The Bayesian method
			Credible versus confidence intervals
			Bayes formula
			Python packages
		U.S. air travel safety record
			Getting the NTSB database
			Binning the data
			Bayesian analysis of the data
				Binning by month
			Plotting coordinates
				Cartopy
				Mpl toolkits – basemap
		Climate change - CO2 in the atmosphere
			Getting the data
			Creating and sampling the model
		Summary
	7. Supervised and Unsupervised Learning
		Introduction to machine learning
		Scikit-learn
		Linear regression
			Climate data
			Checking with Bayesian analysis and OLS
		Clustering
		Seeds classification
			Visualizing the data
			Feature selection
			Classifying the data
				The SVC linear kernel
				The SVC Radial Basis Function
				The SVC polynomial
				K-Nearest Neighbour
				Random Forest
			Choosing your classifier
		Summary
	8. Time Series Analysis
		Introduction
		Pandas and time series data
		Indexing and slicing
		Resampling, smoothing, and other estimates
		Stationarity
		Patterns and components
			Decomposing components
			Differencing
		Time series models
			Autoregressive – AR
			Moving average – MA
			Selecting p and q
				Automatic function
				The (Partial) AutoCorrelation Function
			Autoregressive Integrated Moving Average – ARIMA
		Summary
	A. More on Jupyter Notebook and matplotlib Styles
		Jupyter Notebook
			Useful keyboard shortcuts
				Command mode shortcuts
				Edit mode shortcuts
			Markdown cells
			Notebook Python extensions
				Installing the extensions
				Codefolding
				Collapsible headings
				Help panel
				Initialization cells
				NbExtensions menu item
				Ruler
				Skip-traceback
				Table of contents
			Other Jupyter Notebook tips
				External connections
				Export
				Additional file types
		Matplotlib styles
		Useful resources
			General resources
			Packages
			Data repositories
			Visualization of data
		Summary




نظرات کاربران

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