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 Science Essentials [source code]

دانلود کتاب Python Data Science Essentials [کد منبع]

Python Data Science Essentials [source code]

مشخصات کتاب

Python Data Science Essentials [source code]

ویرایش: 2nd 
نویسندگان:   
سری:  
ISBN (شابک) : 9781786462138 
ناشر: Packt 
سال نشر: 2016 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 38,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Python Data Science Essentials [source code] 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 Python Data Science Essentials [کد منبع] 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 Python Data Science Essentials [کد منبع]

با درک مفاهیم کلیدی Python درباره این کتاب، به یک متخصص علوم داده کارآمد تبدیل شوید - 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 - پروژه های علمی داده موثر ایجاد کنید و از دام های رایج با کمک استفاده نکنید. مثال‌ها و نکات دیکته‌شده توسط تجربه این کتاب برای چه کسی است اگر شما یک دانشمند داده مشتاق هستید و حداقل دانش کاری در مورد تجزیه و تحلیل داده‌ها و پایتون دارید، این کتاب شما را در علم داده شروع می‌کند. تحلیلگران داده با تجربه R یا MATLAB نیز این کتاب را مرجعی جامع برای تقویت مهارت های دستکاری داده و یادگیری ماشینی خود می دانند. آنچه یاد خواهید گرفت- جعبه ابزار علم داده خود را با استفاده از یک محیط علمی پایتون در ویندوز، مک، و لینوکس- داده ها را برای پروژه علم داده خود آماده کنید- داده ها را به منظور حل مشکلات علم داده دستکاری، اصلاح و کاوش کنید- یک خط لوله آزمایشی برای آزمایش فرضیه های علم داده خود راه اندازی کنید- موثرترین و مقیاس پذیرترین الگوریتم یادگیری را برای علم داده خود انتخاب کنید. وظایف - مدل‌های یادگیری ماشین خود را بهینه کنید تا بهترین عملکرد را داشته باشید - نمودارهای خوشه‌ای را کاوش کنید، از اتصالات و پیوندها در داده‌های خود استفاده کنید. در علم داده با استفاده از پایتون 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 رویکرد تک منبعی که به شما امکان می دهد با پایتون 2.7 نیز کار کنید، به ساخت جعبه ابزار علوم داده ضروری پایتون 3.5 خود بپردازید. 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 به مخاطبانی از متخصصان علوم داده و کاربران تجاری آسان‌تر می‌کنند، دریافت کنید. سبک و رویکرد این کتاب به این صورت است. یک پروژه علم داده شما همیشه از کدهای واضح و مثال‌های ساده‌شده برای کمک به درک مکانیک‌های اساسی و مجموعه داده‌های دنیای واقعی بهره‌مند خواهید شد.


توضیحاتی درمورد کتاب به خارجی

Become an efficient data science practitioner by understanding Python's key conceptsAbout This Book- 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 experienceWho This Book Is ForIf you are an aspiring data scientist and you have at least a working knowledge of data analysis and Python, this book will get you started in data science. Data analysts with experience of R or MATLAB will also find the book to be a comprehensive reference to enhance their data manipulation and machine learning skills.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 dataIn DetailFully 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.Style and approachThe book is structured as a data science project. You will always benefit from clear code and simplified examples to help you understand the underlying mechanics and real-world datasets.



فهرست مطالب

Cover
Copyright
Credits
About the Authors
About the Reviewer
www.PacktPub.com
Table of Contents
Preface
Chapter 1: First Steps
	Introducing data science and Python
	Installing Python
		Python 2 or Python 3?
		Step-by-step installation
		The installation of packages
		Package upgrades
		Scientific distributions
			Anaconda
			Leveraging conda to install packages
			Enthought Canopy
			PythonXY
			WinPython
		Explaining virtual environments
			conda for managing environments
		A glance at the essential packages
			NumPy
			SciPy
			pandas
			Scikit-learn
			Jupyter
			Matplotlib
			Statsmodels
			Beautiful Soup
			NetworkX
			NLTK
			Gensim
			PyPy
			XGBoost
			Theano
			Keras
	Introducing Jupyter
		Fast installation and first test usage
		Jupyter magic commands
		How Jupyter Notebooks can help data scientists
		Alternatives to Jupyter
	Datasets and code used in the book
		Scikit-learn toy datasets
			The MLdata.org public repository
			LIBSVM data examples
			Loading data directly from CSV or text files
			Scikit-learn sample generators
	Summary
Chapter 2: Data Munging
	The data science process
	Data loading and preprocessing with pandas
		Fast and easy data loading
		Dealing with problematic data
		Dealing with big datasets
		Accessing other data formats
		Data preprocessing
		Data selection
	Working with categorical and text data
		A special type of data – text
		Scraping the Web with Beautiful Soup
	Data processing with NumPy
		NumPy's n-dimensional array
		The basics of NumPy ndarray objects
	Creating NumPy arrays
		From lists to unidimensional arrays
		Controlling the memory size
		Heterogeneous lists
		From lists to multidimensional arrays
		Resizing arrays
		Arrays derived from NumPy functions
		Getting an array directly from a file
		Extracting data from pandas
	NumPy's fast operations and computations
		Matrix operations
		Slicing and indexing with NumPy arrays
		Stacking NumPy arrays
	Summary
Chapter 3: The Data Pipeline
	Introducing EDA
	Building new features
	Dimensionality reduction
		The covariance matrix
		Principal Component Analysis (PCA)
		PCA for big data – RandomizedPCA
		Latent Factor Analysis (LFA)
		Linear Discriminant Analysis (LDA)
		Latent Semantical Analysis (LSA)
		Independent Component Analysis (ICA)
		Kernel PCA
		T-SNE
		Restricted Boltzmann Machine (RBM)
	The detection and treatment of outliers
		Univariate outlier detection
		EllipticEnvelope
		OneClassSVM
	Validation metrics
		Multilabel classification
		Binary classification
		Regression
	Testing and validating
	Cross-validation
		Using cross-validation iterators
		Sampling and bootstrapping
	Hyperparameter optimization
		Building custom scoring functions
		Reducing the grid search runtime
	Feature selection
		Selection based on feature variance
		Univariate selection
		Recursive elimination
		Stability and L1-based selection
	Wrapping everything in a pipeline
		Combining features together and chaining transformations
		Building custom transformation functions
	Summary
Chapter 4: Machine Learning
	Preparing tools and datasets
	Linear and logistic regression
	Naive Bayes
	K-Nearest Neighbors
	Nonlinear algorithms
		SVM for classification
		SVM for regression
		Tuning SVM
	Ensemble strategies
		Pasting by random samples
		Bagging with weak classifiers
		Random subspaces and random patches
		Random Forests and Extra-Trees
		Estimating probabilities from an ensemble
		Sequences of models – AdaBoost
		Gradient tree boosting (GTB)
		XGBoost
	Dealing with big data
		Creating some big datasets as examples
		Scalability with volume
		Keeping up with velocity
		Dealing with variety
		An overview of Stochastic Gradient Descent (SGD)
	Approaching deep learning
	A peek at Natural Language Processing (NLP)
		Word tokenization
		Stemming
		Word tagging
		Named Entity Recognition (NER)
		Stopwords
		A complete data science example – text classification
	An overview of unsupervised learning
	Summary
Chapter 5: Social Network Analysis
	Introduction to graph theory
	Graph algorithms
	Graph loading, dumping, and sampling
	Summary
Chapter 6: Visualization, Insights, and Results
	Introducing the basics of matplotlib
		Curve plotting
		Using panels
		Scatterplots for relationships in data
		Histograms
		Bar graphs
		Image visualization
		Selected graphical examples with pandas
			Boxplots and histograms
		Scatterplots
		Parallel coordinates
	Wrapping up matplotlib's commands
		Introducing Seaborn
		Enhancing your EDA capabilities
	Interactive visualizations with Bokeh
	Advanced data-learning representations
		Learning curves
		Validation curves
		Feature importance for RandomForests
		GBT partial dependence plots
		Creating a prediction server for ML-AAS
	Summary
Appendix: Strengthen Your Python Foundations
	Your learning list
		Lists
		Dictionaries
		Defining functions
		Classes, objects, and OOP
		Exceptions
		Iterators and generators
		Conditionals
		Comprehensions for lists and dictionaries
	Learn by watching, reading, and doing
		MOOCs
		PyCon and PyData
		Interactive Jupyter
		Don't be shy, take a real challenge
Index




نظرات کاربران

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