دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python Data Analysis: Learn how to apply powerful data analysis techniques with popular open source Python modules
دانلود کتاب تجزیه و تحلیل داده های پایتون: بیاموزید که چگونه از تکنیک های قدرتمند تجزیه و تحلیل داده ها با ماژول های محبوب منبع باز پایتون استفاده کنید
مشخصات کتاب
Python Data Analysis: Learn how to apply powerful data analysis techniques with popular open source Python modules
ویرایش:
نویسندگان: Ivan Idris
سری:
ISBN (شابک) : 9781783553358
ناشر: Packt Publishing
سال نشر: 2014
تعداد صفحات: 348
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 24 مگابایت
قیمت کتاب (تومان) : 33,000
در صورت تبدیل فایل کتاب Python Data Analysis: Learn how to apply powerful data analysis techniques with popular open source Python modules 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 تجزیه و تحلیل داده های پایتون: بیاموزید که چگونه از تکنیک های قدرتمند تجزیه و تحلیل داده ها با ماژول های محبوب منبع باز پایتون استفاده کنید 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 تجزیه و تحلیل داده های پایتون: بیاموزید که چگونه از تکنیک های قدرتمند تجزیه و تحلیل داده ها با ماژول های محبوب منبع باز پایتون استفاده کنید
با انعطاف پذیری Python عمیق تر در تجزیه و تحلیل داده ها غوطه ور شوید و بیاموزید که چگونه می توان از طیف گسترده کتابخانه های علمی و ریاضی آن برای حل برخی از سخت ترین چالش ها در تجزیه و تحلیل داده ها استفاده کرد. با این کتاب تجزیه و تحلیل داده های متخصص، اعتماد و تخصص خود را ایجاد کنید و مهارت های ارزشمندی را در دنیایی که توسط Big Data هدایت می شود، توسعه دهید. این آموزش علم داده به شما کمک می کند یاد بگیرید چگونه به طور موثر داده ها را بازیابی، پاکسازی، دستکاری و تجسم کنید و یک گردش کار تجزیه و تحلیل داده موفق ایجاد کنید. عملکرد چشمگیر ابزارهای داده کاوی پایتون و کتابخانه های علمی و عددی را برای طیف وسیعی از مهمترین وظایف در تجزیه و تحلیل داده ها و علم داده به کار ببرید و استراتژی ها و ایده هایی را برای کنترل پروژه های تجزیه و تحلیل داده خود ایجاد کنید. با استفاده از NumPy و SciPy با تجزیه و تحلیل آماری آشنا شوید، داده‌ها را با Matplotlib تجسم کنید و از طریق تجزیه و تحلیل پیش‌بینی‌کننده و یادگیری ماشینی با SciKit-Learn، بینش‌های پیچیده را کشف کنید. شما همچنین یاد خواهید گرفت که چگونه از ابزارهای مورد نیاز برای کار با پایگاه های داده استفاده کنید و دریابید که چگونه می توان از پایتون برای تجزیه و تحلیل داده های متنی و رسانه های اجتماعی استفاده کرد، همانطور که از طریق این آموزش علوم داده ضروری کار می کنید.
توضیحاتی درمورد کتاب به خارجی
Dive deeper into data analysis with the flexibility of Python and learn how its extensive range of scientific and mathematical libraries can be used to solve some of the toughest challenges in data analysis. Build your confidence and expertise and develop valuable skills in high demand in a world driven by Big Data with this expert data analysis book. This data science tutorial will help you learn how to effectively retrieve, clean, manipulate, and visualize data and establish a successful data analysis workflow. Apply the impressive functionality of Python's data mining tools and scientific and numerical libraries to a range of the most important tasks within data analysis and data science, and develop strategies and ideas to take control your own data analysis projects. Get to grips with statistical analysis using NumPy and SciPy, visualize data with Matplotlib, and uncover sophisticated insights through predictive analytics and machine learning with SciKit-Learn. You will also learn how to use the tools needed to work with databases and find out how Python can be used to analyze textual and social media data, as you work through this essential data science tutorial.
فهرست مطالب
Getting started with Python libraries --
NumPy arrays --
Statistics and linear algebra --
pandas primer --
Retrieving, processing, and storing data --
Data visualization --
Signal processing and time series --
Working with databases --
Analyzing textual data and social media --
Predictive analytics and machine learning --
Environments outside the Python ecosystem and cloud computing --
Performance tuning, profiling, and concurrency --
Appendix A : key concepts --
Appendix B : useful functions --
Appendix C : online resources.
