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 Practical Data Science with Jupyter

دانلود کتاب علم داده های عملی با Jupyter

Practical Data Science with Jupyter

مشخصات کتاب

Practical Data Science with Jupyter

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9789389898064 
ناشر: BPB Publications 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 16 مگابایت 

قیمت کتاب (تومان) : 58,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Practical Data Science with Jupyter 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 علم داده های عملی با Jupyter 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 علم داده های عملی با Jupyter

حل مشکلات کسب و کار با تکنیک های داده محور و مثال های ساده پایتون ویژگی های کلیدی ● پوشش اساسی آمار و تکنیک های علم داده. ● قرار گرفتن در معرض Jupyter، PyCharm، و استفاده از GitHub. ● موارد استفاده واقعی، بهترین شیوه ها، و تکنیک های هوشمند در استفاده از علم داده برای کاربردهای داده. شرح این کتاب با مقدمه ای بر علم داده و سپس مفاهیم پایتون آغاز می شود. خوانندگان متوجه خواهند شد که چگونه با پیاده سازی های پایتون خود با مفاهیم مختلف پایگاه داده و آمار تعامل داشته باشند. شما یاد خواهید گرفت که چگونه انواع مختلف داده را در پایتون وارد کنید، که اولین مرحله از فرآیند تجزیه و تحلیل داده است. هنگامی که با وارد کردن داده راحت شدید، مجموعه داده را پاک می کنید و پس از آن به درک درستی در مورد نمودارهای تجسم مختلف خواهید رسید. این کتاب بر چگونگی استفاده از تکنیک‌های مهندسی ویژگی برای ارزشمندتر کردن داده‌های شما برای یک الگوریتم تمرکز دارد. خوانندگان با الگوریتم های مختلف یادگیری ماشین، مفاهیم، ​​داده های سری زمانی و چند مطالعه موردی در دنیای واقعی آشنا می شوند. این کتاب همچنین برخی از بهترین روش ها را ارائه می دهد که به شما کمک می کند تا برای صنعت آماده باشید. این کتاب بر نحوه تمرین تکنیک های علم داده در حین یادگیری مفاهیم آنها با استفاده از پایتون و ژوپیتر تمرکز دارد. این کتاب پاسخ کاملی به رایج‌ترین سوال است که چگونه می‌توان به جای توضیح ریاضیات و آمار در پشت الگوریتم‌های یادگیری ماشین، با علم داده شروع کرد. آنچه خواهید آموخت ● درک سریع مفاهیم پایتون برای کاربردهای علم داده. ● نحوه اجرای تجزیه و تحلیل داده ها با تکنیک ها و الگوریتم های علم داده را بدانید و تمرین کنید. ● مهندسی ویژگی، برخورد با مجموعه داده‌های مختلف و بیشتر الگوریتم‌های یادگیری ماشینی پرطرفدار را بیاموزید. ● برای انجام وظایف علم داده با بهترین ابزار و تکنیک ها خودکفا شوید. این کتاب برای چه کسی است. هر فصل شامل مثال‌های ساده پایتون است. فهرست مطالب 1. مبانی علم داده 2. نصب نرم افزار و راه اندازی سیستم 3. فهرست ها و فرهنگ لغت ها 4. بسته، عملکرد و حلقه 5. پایه NumPy 6. پانداها و DataFrame 7. تعامل با پایگاه های داده 8. تفکر آماری در علم داده 9 چگونه داده ها را در پایتون وارد کنیم؟ 10. پاکسازی داده های وارداتی 11. تجسم داده ها 12. پیش پردازش داده ها 13. یادگیری ماشینی نظارت شده 14. یادگیری ماشینی بدون نظارت 15. مدیریت داده های سری زمانی 16. روش های سری زمانی 17. مطالعه موردی-1 18. مطالعه موردی 2 19. Case Study-3 20. Case Study-4 21. Python Virtual Environment 22. Introduction to An Advanced Algorithm - CatBoost 23. Revision of All Chapters' Learning


توضیحاتی درمورد کتاب به خارجی

Solve business problems with data-driven techniques and easy-to-follow Python examples KEY FEATURES ● Essential coverage on statistics and data science techniques. ● Exposure to Jupyter, PyCharm, and use of GitHub. ● Real use-cases, best practices, and smart techniques on the use of data science for data applications. DESCRIPTION This book begins with an introduction to Data Science followed by the Python concepts. The readers will understand how to interact with various database and Statistics concepts with their Python implementations. You will learn how to import various types of data in Python, which is the first step of the data analysis process. Once you become comfortable with data importing, you will clean the dataset and after that will gain an understanding about various visualization charts. This book focuses on how to apply feature engineering techniques to make your data more valuable to an algorithm. The readers will get to know various Machine Learning Algorithms, concepts, Time Series data, and a few real-world case studies. This book also presents some best practices that will help you to be industry-ready. This book focuses on how to practice data science techniques while learning their concepts using Python and Jupyter. This book is a complete answer to the most common question that how can you get started with Data Science instead of explaining Mathematics and Statistics behind the Machine Learning Algorithms. WHAT YOU WILL LEARN ● Rapid understanding of Python concepts for data science applications. ● Understand and practice how to run data analysis with data science techniques and algorithms. ● Learn feature engineering, dealing with different datasets, and most trending machine learning algorithms. ● Become self-sufficient to perform data science tasks with the best tools and techniques. WHO THIS BOOK IS FOR This book is for a beginner or an experienced professional who is thinking about a career or a career switch to Data Science. Each chapter contains easy-to-follow Python examples. TABLE OF CONTENTS 1. Data Science Fundamentals 2. Installing Software and System Setup 3. Lists and Dictionaries 4. Package, Function, and Loop 5. NumPy Foundation 6. Pandas and DataFrame 7. Interacting with Databases 8. Thinking Statistically in Data Science 9. How to Import Data in Python? 10. Cleaning of Imported Data 11. Data Visualization 12. Data Pre-processing 13. Supervised Machine Learning 14. Unsupervised Machine Learning 15. Handling Time-Series Data 16. Time-Series Methods 17. Case Study-1 18. Case Study-2 19. Case Study-3 20. Case Study-4 21. Python Virtual Environment 22. Introduction to An Advanced Algorithm - CatBoost 23. Revision of All Chapters’ Learning





نظرات کاربران