Python Data Science Essentials - Second Edition

ویژگی های کلیدی

• با استفاده از Python 3.5 به سرعت با علم داده آشنا شوید
• با تمام ابزارهای ضروری توضیح داده شده در زمان (و تلاش) صرفه جویی کنید
• با کمک مثال‌ها و نکاتی که تجربه دیکته می‌کند، پروژه‌های علمی داده‌ای مؤثر ایجاد کنید و از دام‌های رایج اجتناب کنید

توضیحات کتاب

به‌طور کامل گسترش یافته و ارتقا یافته، ویرایش دوم Python Data Science Essentials شما را با تمام آنچه که برای موفقیت در علم داده با استفاده از پایتون نیاز دارید آشنا می کند. بینش مدرنی از هسته داده‌های پایتون، از جمله آخرین نسخه‌های نوت‌بوک‌های Jupyter، NumPy، پانداها و scikit-learn دریافت کنید. با تجسم داده های زیبا با Seaborn و ggplot، توسعه وب با Bottle، و حتی مرزهای جدید یادگیری عمیق با Theano و TensorFlow، فراتر از اصول اولیه نگاه کنید.

با استفاده از جعبه ابزار علوم داده Python 3.5 ضروری خود را بسازید. یک رویکرد تک منبع که به شما اجازه می دهد تا با پایتون 2.7 نیز کار کنید. به سرعت با munging و پیش پردازش داده ها و تمام تکنیک هایی که برای بارگیری، تجزیه و تحلیل و پردازش داده های خود نیاز دارید، آشنا شوید. در نهایت، یک نمای کلی از الگوریتم‌های اصلی یادگیری ماشین، تکنیک‌های تجزیه و تحلیل گراف، و تمام ابزارهای تجسم و استقرار که ارائه نتایج خود را برای مخاطبان متخصصان علم داده و کاربران تجاری آسان‌تر می‌کنند، دریافت کنید.

آنچه خواهید آموخت

• جعبه ابزار علم داده خود را با استفاده از محیط علمی پایتون در ویندوز، مک و لینوکس راه اندازی کنید
• داده ها را برای پروژه علم داده خود آماده کنید
• دستکاری، اصلاح و کاوش داده ها به منظور حل مشکلات علم داده
• راه اندازی یک خط لوله آزمایشی برای آزمایش فرضیه های علم داده خود
• موثرترین و مقیاس پذیرترین یادگیری را انتخاب کنید. الگوریتم وظایف علم داده خود
• مدل های یادگیری ماشینی خود را برای دریافت بهترین عملکرد بهینه کنید
• کاوش و نمودارهای خوشه ای را با استفاده از اتصالات و پیوندهای موجود در داده های خود کاوش کنید
</ ul>

درباره نویسنده

Alberto Boschetti یک دانشمند داده با تخصص در پردازش سیگنال و آمار است. او دارای مدرک دکترای مهندسی مخابرات است و در حال حاضر در لندن زندگی و کار می کند. در پروژه های کاری خود، او با چالش هایی از پردازش زبان طبیعی (NLP)، تحلیل رفتاری، و یادگیری ماشین گرفته تا پردازش توزیع شده مواجه است. او به شغل خود بسیار علاقه مند است و همیشه سعی می کند در مورد آخرین پیشرفت ها در فن آوری های علم داده، شرکت در جلسات، کنفرانس ها و رویدادهای دیگر به روز بماند.

Luca Massaron یک دانشمند داده و مدیر تحقیقات بازاریابی متخصص در تجزیه و تحلیل آماری چند متغیره، یادگیری ماشین، و بینش مشتری، با بیش از یک دهه تجربه در حل مشکلات دنیای واقعی و ایجاد ارزش برای سهامداران با استفاده از استدلال، آمار، داده کاوی و الگوریتم‌ها. از پیشگام بودن در تجزیه و تحلیل مخاطبان وب در ایتالیا تا کسب رتبه ده کاگلر برتر، او همیشه در مورد هر جنبه ای از داده ها و تجزیه و تحلیل آن و همچنین نشان دادن پتانسیل کشف دانش مبتنی بر داده به هر دو متخصص بسیار علاقه مند بوده است. و افراد غیر متخصص لوکا با ترجیح سادگی بر پیچیدگی های غیرضروری، معتقد است که در علم داده تنها با انجام امور ضروری می توان به چیزهای زیادی دست یافت.

فهرست مطالب

1. گام های اول< li>Munging داده
2. خط لوله داده
3. یادگیری ماشین
4. تحلیل شبکه اجتماعی
5. تجسم، بینش، و نتایج
6. مبانی پایتون خود را تقویت کنید

Key Features

• Quickly get familiar with data science using Python 3.5
• Save time (and effort) with all the essential tools explained
• Create effective data science projects and avoid common pitfalls with the help of examples and hints dictated by experience

Book Description

Fully expanded and upgraded, the second edition of Python Data Science Essentials takes you through all you need to know to suceed in data science using Python. Get modern insight into the core of Python data, including the latest versions of Jupyter notebooks, NumPy, pandas and scikit-learn. Look beyond the fundamentals with beautiful data visualizations with Seaborn and ggplot, web development with Bottle, and even the new frontiers of deep learning with Theano and TensorFlow.

Dive into building your essential Python 3.5 data science toolbox, using a single-source approach that will allow to to work with Python 2.7 as well. Get to grips fast with data munging and preprocessing, and all the techniques you need to load, analyse, and process your data. Finally, get a complete overview of principal machine learning algorithms, graph analysis techniques, and all the visualization and deployment instruments that make it easier to present your results to an audience of both data science experts and business users.

What you will learn

• Set up your data science toolbox using a Python scientific environment on Windows, Mac, and Linux
• Get data ready for your data science project
• Manipulate, fix, and explore data in order to solve data science problems
• Set up an experimental pipeline to test your data science hypotheses
• Choose the most effective and scalable learning algorithm for your data science tasks
• Optimize your machine learning models to get the best performance
• Explore and cluster graphs, taking advantage of interconnections and links in your data

About the Author

Alberto Boschetti is a data scientist with expertise in signal processing and statistics. He holds a PhD in telecommunication engineering and currently lives and works in London. In his work projects, he faces challenges ranging from natural language processing (NLP), behavioral analysis, and machine learning to distributed processing. He is very passionate about his job and always tries to stay updated about the latest developments in data science technologies, attending meet-ups, conferences, and other events.

Luca Massaron is a data scientist and marketing research director specializing in multivariate statistical analysis, machine learning, and customer insight, with over a decade of experience of solving real-world problems and generating value for stakeholders by applying reasoning, statistics, data mining, and algorithms. From being a pioneer of web audience analysis in Italy to achieving the rank of a top ten Kaggler, he has always been very passionate about every aspect of data and its analysis, and also about demonstrating the potential of data-driven knowledge discovery to both experts and non-experts. Favoring simplicity over unnecessary sophistication, Luca believes that a lot can be achieved in data science just by doing the essentials.

Table of Contents

1. First Steps
2. Data Munging
3. The Data Pipeline
4. Machine Learning
5. Social Network Analysis
6. Visualization, Insights, and Results
7. Strengthen Your Python Foundations