Productive and Efficient Data Science with Python: With Modularizing, Memory profiles, and Parallel/GPU Processing

این کتاب بر ابزارها و تکنیک‌های مبتنی بر پایتون تمرکز دارد تا به شما کمک کند در تمام جنبه‌های پشته‌های علوم داده معمولی مانند تجزیه و تحلیل آماری، تجسم، انتخاب مدل، و مهندسی ویژگی‌ها، بهره‌وری بالایی داشته باشید.<. /p>

شما ناکارآمدی‌ها و تنگناهای نهفته در فرآیند کسب و کار روزانه را بررسی کرده و با راه‌حل‌های عملی آن‌ها را حل خواهید کرد. اتوماسیون وظایف تکراری علم داده یک ذهنیت کلیدی است که در سراسر کتاب ترویج می شود. با کمک کتابخانه ها و بسته های پیشرفته ای که از قبل در اکوسیستم پایتون وجود دارد، یاد خواهید گرفت که چگونه روش کدگذاری موجود را گسترش دهید تا مجموعه داده های بزرگتر را با کارایی بالا مدیریت کنید.

این کتاب بر موضوعاتی مانند نحوه اندازه‌گیری ردپای حافظه و سرعت اجرای مدل‌های یادگیری ماشین، تست کیفیت خط لوله علم داده، و مدولار کردن خط لوله علم داده برای برنامه تمرکز دارد. توسعه. شما کتابخانه های پایتون را که برای خودکارسازی و سرعت بخشیدن به کارهای روزمره بسیار مفید هستند، مرور خواهید کرد.

آنچه یاد خواهید گرفت

• کدی سریع و کارآمد برای علم داده بنویسید و یادگیری ماشین
• ساخت خطوط لوله علم داده قوی و گویا
• < span>حافظه و مشخصات CPU را برای روش های یادگیری ماشین اندازه گیری کنید
• از پتانسیل کامل GPU برای کارهای علم داده استفاده کنید
• مجموعه های داده های بزرگ و پیچیده را به طور موثر مدیریت کنید

این کتاب برای چه کسانی است 

دانشمندان داده، تحلیلگران داده، مهندسین یادگیری ماشین، متخصصان هوش مصنوعی، آماردانانی که می‌خواهند از اکوسیستم پایتون استفاده کامل کنند.

This book focuses on the Python-based tools and techniques to help you become highly productive at all aspects of typical data science stacks such as statistical analysis, visualization, model selection, and feature engineering.

You’ll review the inefficiencies and bottlenecks lurking in the daily business process and solve them with practical solutions. Automation of repetitive data science tasks is a key mindset that is promoted throughout the book. You’ll learn how to extend the existing coding practice to handle larger datasets with high efficiency with the help of advanced libraries and packages that already exist in the Python ecosystem. 

The book focuses on topics such as how to measure the memory footprint and execution speed of machine learning models, quality test a data science pipelines, and modularizing a data science pipeline for app development. You’ll review Python libraries which come in very handy for automating and speeding up the day-to-day tasks.  

What You’ll Learn

• Write fast and efficient code for data science and machine learning
• Build robust and expressive data science pipelines
• Measure memory and CPU profile for machine learning methods
• Utilize the full potential of GPU for data science tasks
• Handle large and complex data sets efficiently

Who This Book Is For 

Data scientists, data analysts, machine learning engineers, Artificial intelligence practitioners, statisticians who want to take full advantage of Python ecosystem.