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 Pandas for Everyone. Python Data Analysis

دانلود کتاب پاندا برای همه تجزیه و تحلیل داده های پایتون

Pandas for Everyone.  Python Data Analysis

مشخصات کتاب

Pandas for Everyone. Python Data Analysis

ویرایش:  
نویسندگان:   
سری:  
 
ناشر: Addison-Wesley Professional 
سال نشر: 2017 
تعداد صفحات: 161 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 49,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Pandas for Everyone. 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 پاندا برای همه 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 پاندا برای همه تجزیه و تحلیل داده های پایتون

این آموزش هر آنچه را که برای شروع برنامه نویسی پایتون برای حوزه سریع در حال رشد تجزیه و تحلیل داده ها نیاز دارید را آموزش می دهد. دانیل چن هر مفهوم جدید را محکم با مثال‌های کاربردی آسان و مرتبط از تجزیه و تحلیل داده‌های مدرن پیوند می‌دهد.

برخلاف سایر کتاب‌های مبتدی، این راهنما به تازه‌واردان امروزی کمک می‌کند هم پایتون و هم مجموعه ابزار علم داده محبوب پانداها را در زمینه یاد بگیرند. از وظایفی که واقعاً می خواهند انجام دهند. با پیروی از روش اثبات شده نرم افزار نجاری برای آموزش برنامه نویسی، چن هر مفهوم را با یک مثال انگیزشی ساده معرفی می کند، به آرامی بینش های عمیق تری را ارائه می دهد و توانایی شما برای انجام وظایف مشخص را افزایش می دهد.

هر فصل با یک نقشه مفهومی روشن شده است: یک نقشه بصری فهرست بصری چیزهایی که یاد می‌گیرید - و راهی آسان برای مراجعه به آنچه قبلاً آموخته‌اید. مجموعه گسترده ای از ضمیمه های آسان خوان به شما کمک می کند شکاف های دانش را در هر کجا که وجود دارد پر کنید. پوشش شامل موارد زیر است:
تنظیم محیط پایتون و پانداها
شروع به کار با دیتافریم های پاندا
استفاده از فریم های داده برای محاسبه و انجام وظایف آماری اولیه
نقشه در Matplotlib
پاک کردن داده ها، تغییر شکل فریم های داده، مدیریت موارد گمشده مقادیر، کار با تاریخ‌ها و موارد دیگر
ساخت مدل‌های پایه تجزیه و تحلیل داده‌ها
به‌کارگیری تکنیک‌های یادگیری ماشین: هم با نظارت و هم بدون نظارت
ایجاد اسناد قابل تکرار با استفاده از تکنیک‌های برنامه‌نویسی باسواد


توضیحاتی درمورد کتاب به خارجی

This tutorial teaches everything you need to get started with Python programming for the fast-growing field of data analysis. Daniel Chen tightly links each new concept with easy-to-apply, relevant examples from modern data analysis.

Unlike other beginners books, this guide helps todays newcomers learn both Python and its popular Pandas data science toolset in the context of tasks theyll really want to perform. Following the proven Software Carpentry approach to teaching programming, Chen introduces each concept with a simple motivating example, slowly offering deeper insights and expanding your ability to handle concrete tasks.

Each chapter is illuminated with a concept map: an intuitive visual index of what youll learn -- and an easy way to refer back to what youve already learned. An extensive set of easy-to-read appendices help you fill knowledge gaps wherever they may exist. Coverage includes:
Setting up your Python and Pandas environment
Getting started with Pandas dataframes
Using dataframes to calculate and perform basic statistical tasks
Plotting in Matplotlib
Cleaning data, reshaping dataframes, handling missing values, working with dates, and more
Building basic data analytics models
Applying machine learning techniques: both supervised and unsupervised
Creating reproducible documents using literate programming techniques





نظرات کاربران