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 Python Data Analytics and Visualization. A course in three modules

دانلود کتاب تجزیه و تحلیل و تجسم داده های پایتون یک دوره در سه ماژول

Python Data Analytics and Visualization. A course in three modules

مشخصات کتاب

Python Data Analytics and Visualization. A course in three modules

ویرایش:  
نویسندگان: , , ,   
سری:  
ISBN (شابک) : 9781788290098 
ناشر: Packt 
سال نشر: 2017 
تعداد صفحات: 841 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت

قیمت کتاب (تومان) : 33,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Python Data Analytics and Visualization. A course in three 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 و تجسم داده های پایتون یک دوره در سه ماژول 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 و تجسم داده های پایتون یک دوره در سه ماژول

درک، ارزیابی و تجسم داده‌ها درباره این کتاب - مراحل اولیه تجزیه و تحلیل داده‌ها و نحوه استفاده از پایتون و بسته‌های آن را بیاموزید - راهنمای گام به گام برای مدل‌سازی پیش‌بینی‌کننده شامل نکات، ترفندها و بهترین شیوه‌ها - تجسم مؤثر مجموعه‌ای گسترده این کتاب برای توسعه دهندگان پایتون است که مشتاق به تجزیه و تحلیل داده ها هستند و مایلند داده های تجزیه و تحلیل شده خود را به شیوه ای کارآمدتر و روشنگرتر تجسم کنند. آنچه خواهید آموخت - با NumPy آشنا شوید و از آرایه ها و محاسبات آرایه گرا در تجزیه و تحلیل داده ها استفاده کنید - پردازش و تجزیه و تحلیل داده ها با استفاده از قابلیت های سری زمانی پانداها - درک مفاهیم آماری و ریاضی پشت الگوریتم های تحلیل پیش بینی کننده - تجسم داده ها با Matplotlib - رسم تعاملی با توابع NumPy، Scipy و MKL - ساخت مدل های مالی با استفاده از شبیه سازی مونت کارلو - ایجاد نمودارهای هدایت شده و چند نمودار - تجسم پیشرفته با D3 در جزئیات دوره را با مقدمه ای بر اصول تجزیه و تحلیل داده ها و پشتیبانی شده آغاز خواهید کرد. کتابخانه ها، همراه با مبانی NumPy برای آمار و پردازش داده ها. در مرحله بعد، بسته پانداها را مرور می‌کنید و از ویژگی‌های قدرتمند آن برای حل مشکلات پردازش داده استفاده می‌کنید. در ادامه، یک نمای کلی از Matplotlib API دریافت خواهید کرد. در مرحله بعد، دستکاری زمان و ساختارهای داده، و بارگیری و ذخیره داده ها در یک فایل یا پایگاه داده با استفاده از بسته های پایتون را یاد خواهید گرفت. شما یاد خواهید گرفت که چگونه از بسته های قدرتمند در پایتون برای پردازش داده های خام به داده های خالص و مفید با استفاده از مثال استفاده کنید. همچنین یک نمای کلی از الگوریتم‌های یادگیری ماشین دریافت خواهید کرد، یعنی استفاده از نتایج تجزیه و تحلیل داده‌ها برای تصمیم‌گیری یا ساخت محصولات مفید مانند توصیه‌ها و پیش‌بینی‌ها با استفاده از Scikit-learn. پس از این، به سراغ تخصص تجزیه و تحلیل داده ها-تحلیل پیش بینی می شوید. رسانه های اجتماعی و IOT منجر به انبوهی از داده ها شده است. شما با استفاده از پایتون با تجزیه و تحلیل پیش بینی کننده شروع خواهید کرد. نحوه ایجاد مدل های پیش بینی از داده ها را خواهید دید. اطلاعات متعادلی در مورد مفاهیم آماری و ریاضی دریافت خواهید کرد و با استفاده از کتابخانه هایی مانند Pandas، scikit-learn و NumPy آنها را در پایتون پیاده سازی خواهید کرد. در مورد بهترین الگوریتم های مدل سازی پیش بینی کننده مانند رگرسیون خطی، درخت تصمیم و رگرسیون لجستیک بیشتر خواهید آموخت. در نهایت، شما بر بهترین شیوه ها در مدل سازی پیش بینی تسلط خواهید داشت. پس از این، شما تمام راهنمایی های عملی مورد نیاز برای کمک به شما در سفر به تجسم موثر داده ها را دریافت خواهید کرد. این مسیر با فصلی در چارچوب های داده شروع می شود، که تبدیل داده ها به اطلاعات و در نهایت دانش را توضیح می دهد، این مسیر متعاقباً فرآیند تجسم کامل را با استفاده از محبوب ترین کتابخانه های پایتون با نمونه های کاری پوشش می دهد. در یک بسته کامل و انتخاب شده این شامل محتوای محصولات Packt زیر است: شروع به کار با تجزیه و تحلیل داده های پایتون، Phuong Vo.T.H و مارتین سیگان؟ یادگیری تجزیه و تحلیل پیش بینی با پایتون، آشیش کومار؟ تسلط بر تجسم داده های پایتون، سبک و رویکرد Kirthi Raman این دوره به عنوان یک راهنمای گام به گام عمل می کند تا شما را با تجزیه و تحلیل داده ها و کتابخانه های پشتیبانی شده توسط پایتون با کمک مثال ها و مجموعه داده های دنیای واقعی آشنا کند. همچنین به شما کمک می‌کند تا با پیاده‌سازی الگوریتم‌های پیش‌بینی تحلیلی بر روی مجموعه داده‌های عمومی با پایتون، بینش‌های عملی را در مورد مدل‌سازی پیش‌بینی به دست آورید. این دوره انبوهی از راهنمایی های عملی را برای کمک به شما در این سفر به سمت تجسم داده ها ارائه می دهد


توضیحاتی درمورد کتاب به خارجی

Understand, evaluate, and visualize data About This Book - Learn basic steps of data analysis and how to use Python and its packages - A step-by-step guide to predictive modeling including tips, tricks, and best practices - Effectively visualize a broad set of analyzed data and generate effective results Who This Book Is For This book is for Python Developers who are keen to get into data analysis and wish to visualize their analyzed data in a more efficient and insightful manner. What You Will Learn - Get acquainted with NumPy and use arrays and array-oriented computing in data analysis - Process and analyze data using the time-series capabilities of Pandas - Understand the statistical and mathematical concepts behind predictive analytics algorithms - Data visualization with Matplotlib - Interactive plotting with NumPy, Scipy, and MKL functions - Build financial models using Monte-Carlo simulations - Create directed graphs and multi-graphs - Advanced visualization with D3 In Detail You will start the course with an introduction to the principles of data analysis and supported libraries, along with NumPy basics for statistics and data processing. Next, you will overview the Pandas package and use its powerful features to solve data-processing problems. Moving on, you will get a brief overview of the Matplotlib API .Next, you will learn to manipulate time and data structures, and load and store data in a file or database using Python packages. You will learn how to apply powerful packages in Python to process raw data into pure and helpful data using examples. You will also get a brief overview of machine learning algorithms, that is, applying data analysis results to make decisions or building helpful products such as recommendations and predictions using Scikit-learn. After this, you will move on to a data analytics specialization-predictive analytics. Social media and IOT have resulted in an avalanche of data. You will get started with predictive analytics using Python. You will see how to create predictive models from data. You will get balanced information on statistical and mathematical concepts, and implement them in Python using libraries such as Pandas, scikit-learn, and NumPy. You'll learn more about the best predictive modeling algorithms such as Linear Regression, Decision Tree, and Logistic Regression. Finally, you will master best practices in predictive modeling. After this, you will get all the practical guidance you need to help you on the journey to effective data visualization. Starting with a chapter on data frameworks, which explains the transformation of data into information and eventually knowledge, this path subsequently cover the complete visualization process using the most popular Python libraries with working examples This Learning Path combines some of the best that Packt has to offer in one complete, curated package. It includes content from the following Packt products: ? Getting Started with Python Data Analysis, Phuong Vo.T.H &Martin Czygan ? Learning Predictive Analytics with Python, Ashish Kumar ? Mastering Python Data Visualization, Kirthi Raman Style and approach The course acts as a step-by-step guide to get you familiar with data analysis and the libraries supported by Python with the help of real-world examples and datasets. It also helps you gain practical insights into predictive modeling by implementing predictive-analytics algorithms on public datasets with Python. The course offers a wealth of practical guidance to help you on this journey to data visualization



فهرست مطالب

Cover
Copyright
Credits
Preface
Table of Contents
Module 1: Getting Started with Python Data Analysis
Chapter 1: Introducing Data Analysis and Libraries
	Data analysis and processing
	An overview of the libraries in data analysis
	Python libraries in data analysis
	Summary
Chapter 2: NumPy Arrays and Vectorized Computation
	NumPy arrays
	Array functions
	Data processing using arrays
	Linear algebra with NumPy
	NumPy random numbers
	Summary
Chapter 3: Data Analysis with Pandas
	An overview of the Pandas package
	The Pandas data structure
	The essential basic functionality
	Indexing and selecting data
	Computational tools
	Working with missing data
	Advanced uses of Pandas for data analysis
	Summary
Chapter 4: Data Visualization
	The matplotlib API primer
	Exploring plot types
	Legends and annotations
	Plotting functions with Pandas
	Additional Python data visualization tools
	Summary
Chapter 5: Time Series
	Time series primer
	Working with date and time objects
	Resampling time series
	Downsampling time series data
	Upsampling time series data
	Time zone handling
	Timedeltas
	Time series plotting
	Summary
Chapter 6: Interacting with Databases
	Interacting with data in text format
	Interacting with data in binary format
	Interacting with data in MongoDB
	Interacting with data in Redis
	Summary
Chapter 7: Data Analysis Application Examples
	Data munging
	Data aggregation
	Grouping data
	Summary
Chapter 8: Machine Learning Models with scikit-learn
	An overview of machine learning models
	The scikit-learn modules for different models
	Data representation in scikit-learn
	Supervised learning – classification and regression
	Unsupervised learning – clustering and dimensionality reduction
	Measuring prediction performance
	Summary
Module 2: Learning Predictive Analytics with Python
Chapter 1: Getting Started with Predictive Modelling
	Introducing predictive modelling
	Applications and examples of predictive modelling
	Python and its packages – download and installation
	Python and its packages for predictive modelling
	IDEs for Python
	Summary
Chapter 2: Data Cleaning
	Reading the data – variations and examples
	Various methods of importing data in Python
	Basics – summary, dimensions, and structure
	Handling missing values
	Creating dummy variables
	Visualizing a dataset by basic plotting
	Summary
Chapter 3: Data Wrangling
	Subsetting a dataset
	Generating random numbers and their usage
	Grouping the data – aggregation, filtering, and transformation
	Random sampling – splitting a dataset in training and testing datasets
	Concatenating and appending data
	Merging/joining datasets
	Summary
Chapter 4: Statistical Concepts for Predictive Modelling
	Random sampling and the central limit theorem
	Hypothesis testing
	Chi-square tests
	Correlation
	Summary
Chapter 5: Linear Regression 
with Python
	Understanding the maths behind linear regression
	Making sense of result parameters
	Implementing linear regression with Python
	Model validation
	Handling other issues in linear regression
	Summary
Chapter 6: Logistic Regression  with Python
	Linear regression versus logistic regression
	Understanding the math behind logistic regression
	Implementing logistic regression with Python
	Model validation and evaluation
	Model validation
	Summary
Chapter 7: Clustering with Python
	Introduction to clustering – what, why, and how?
	Mathematics behind clustering
	Implementing clustering using Python
	Fine-tuning the clustering
	Summary
Chapter 8: Trees and Random Forests with Python
	Introducing decision trees
	Understanding the mathematics behind decision trees
	Implementing a decision tree with scikit-learn
	Understanding and implementing regression trees
	Understanding and implementing random forests
	Summary
Chapter 9: Best Practices for 
Predictive Modelling
	Best practices for coding
	Best practices for data handling
	Best practices for algorithms
	Best practices for statistics
	Best practices for business contexts
	Summary
A List of Links
Module 3: Mastering Python Data Visualization
Chapter 1: A Conceptual Framework for Data Visualization
	Data, information, knowledge, and insight
	The transformation of data
	Data visualization history
	How does visualization help decision-making?
	Visualization plots
	Summary
Chapter 2: Data Analysis and Visualization
	Why does visualization require planning?
	The Ebola example
	A sports example
	Creating interesting stories with data
	Perception and presentation methods
	Some best practices for visualization
	Visualization tools in Python
	Interactive visualization
	Summary
Chapter 3: Getting Started with 
the Python IDE
	The IDE tools in Python
	Visualization plots with Anaconda
	Interactive visualization packages
	Summary
Chapter 4: Numerical Computing and Interactive Plotting
	NumPy, SciPy, and MKL functions
	Scalar selection
	Slicing
	Array indexing
	Other data structures
	Visualization using matplotlib
	The visualization example in sports
	Summary
Chapter 5: Financial and 
Statistical Models
	The deterministic model
	The stochastic model
	The threshold model
	An overview of statistical and machine learning
	Creating animated and interactive plots
	Summary
Chapter 6: Statistical and Machine Learning
	k-nearest neighbors
	Logistic regression
	Support vector machines
	Principal component analysis
	k-means clustering
	Summary
Chapter 7: Bioinformatics, Genetics, 
and Network Models
	Directed graphs and multigraphs
	The clustering coefficient of graphs
	Analysis of social networks
	The planar graph test
	The directed acyclic graph test
	Maximum flow and minimum cut
	A genetic programming example
	Stochastic block models
	Summary
Chapter 8: Advanced Visualization
	Computer simulation
	Summary
Appendix: Go Forth and Explore Visualization
Bibliography
Index




نظرات کاربران

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