دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python Data Science: The Ultimate Handbook for Beginners on How to Explore NumPy for Numerical Data, Pandas for Data Analysis, IPython, Scikit-Learn and Tensorflow for Machine Learning and Business
دانلود کتاب Python Data Science: راهنمای نهایی برای مبتدیان در مورد نحوه کاوش NumPy برای داده های عددی، پانداها برای تجزیه و تحلیل داده، IPython، Scikit-Learn و Tensorflow برای یادگیری ماشین و کسب و کار
مشخصات کتاب
Python Data Science: The Ultimate Handbook for Beginners on How to Explore NumPy for Numerical Data, Pandas for Data Analysis, IPython, Scikit-Learn and Tensorflow for Machine Learning and Business
ویرایش:
نویسندگان: Steve Blair
سری:
ISBN (شابک) : 1081068000
ناشر: Steve Blair
سال نشر: 2019
تعداد صفحات: 216
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 Mb
قیمت کتاب (تومان) : 46,000
در صورت تبدیل فایل کتاب Python Data Science: The Ultimate Handbook for Beginners on How to Explore NumPy for Numerical Data, Pandas for Data Analysis, IPython, Scikit-Learn and Tensorflow for Machine Learning and Business 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: راهنمای نهایی برای مبتدیان در مورد نحوه کاوش NumPy برای داده های عددی، پانداها برای تجزیه و تحلیل داده، IPython، Scikit-Learn و Tensorflow برای یادگیری ماشین و کسب و کار 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: راهنمای نهایی برای مبتدیان در مورد نحوه کاوش NumPy برای داده های عددی، پانداها برای تجزیه و تحلیل داده، IPython، Scikit-Learn و Tensorflow برای یادگیری ماشین و کسب و کار
اخیراً شرکت‌های بیشتری یاد می‌گیرند که باید تصمیمات مبتنی بر داده اتخاذ کنند. و با توجه به اینکه کلان داده و علم داده در حال افزایش هستند، اکنون داده های بیشتری نسبت به آنچه می دانیم در اختیار داریم. در واقع، بدون شک، شما قبلاً به روشی علم داده را تجربه کرده اید. بدیهی است که شما هر بار که اطلاعاتی را در وب جستجو می کنید با استفاده از موتورهای جستجو مانند Google یا درخواست مسیر با تلفن همراه خود، با محصولات علم داده در تعامل هستید. علم داده، علم و فناوری است که بر جمع آوری داده های خام و پردازش آنها به شیوه ای مؤثر متمرکز است. این ترکیبی از مفاهیم و روش‌ها است که امکان معنا بخشیدن و قابل درک به حجم عظیمی از داده‌ها را فراهم می‌کند. علم داده چندین سال است که نیروی حل برخی از رایج ترین وظایف روزانه ما بوده است. تقریباً در تمام کارهای روزانه خود، به طور مستقیم یا غیرمستقیم روی ذخیره و تبادل داده ها کار می کنیم. با توسعه سریع فناوری، نیاز به ذخیره سازی موثر داده ها نیز در حال افزایش است. به همین دلیل باید به درستی با آن برخورد کرد. اساساً، علم داده بینش های پنهان داده های خام را کشف می کند و از آنها برای خروجی مولد استفاده می کند. امروزه پایتون اغلب در علم داده مورد استفاده قرار می گیرد زیرا یک زبان برنامه نویسی بالغ است که ویژگی های بسیار خوبی برای برنامه نویسان تازه کار دارد. برخی از قابل توجه ترین این ویژگی ها عبارتند از خوانایی آسان کد، حذف جداکننده های غیر اجباری، تایپ پویا و استفاده از حافظه پویا. پایتون یک زبان تفسیر شده است و می توان آن را در کنسول پایتون بدون نیاز به کامپایل به زبان ماشین اجرا کرد. "Python Data Science" یک دوره کامل از علم داده شامل موضوعات کلیدی مانند یکپارچه سازی داده ها، داده کاوی، پایتون و غیره را آموزش می دهد. ما NumPy را برای داده های عددی، پانداها برای تجزیه و تحلیل داده، IPython، Scikit-learn و Tensorflow را برای یادگیری ماشین و کسب و کار. هر یک از فصل های این کتاب به یکی از جالب ترین جنبه های تجزیه و تحلیل و پردازش داده ها اختصاص دارد. در زیر برخی از موضوعات اصلی تحت پوشش در علوم داده پایتون آمده است: درک علم داده شروع با پایتون برای دانشمندان داده آمار توصیفی تجزیه و تحلیل داده ها و کتابخانه ها آرایه های NumPy و محاسبات برداری تجزیه و تحلیل داده ها با پانداها تجسم داده ها داده کاوی طبقه‌بندی با برآوردگرهای یادگیری Scikit دادن توانایی یادگیری از داده ها به رایانه ها آموزش الگوریتم های یادگیری ماشین اکوسیستم پایتون برای علم داده مورد بحث در پایتون Data Science شامل SciPy، NumPy، Matplotlib، Pandas و Scikit-learn است که همه الگوریتم های علم داده را ارائه می دهد. پردازش و تجزیه و تحلیل داده ها یکی از داغ ترین حوزه های فناوری اطلاعات است که در آن توسعه دهندگانی که می توانند پروژه های هر سطحی، از شبکه های اجتماعی گرفته تا سیستم های آموزش دیده را مدیریت کنند، به طور مداوم مورد نیاز هستند. امیدواریم این کتاب نقطه شروعی برای سفر شما به دنیای جذاب علم داده باشد.
توضیحاتی درمورد کتاب به خارجی
Recently, more and more companies are learning that they need to make DATA-DRIVEN decisions. And with big data and data science on the rise, we now have more data than we know what to do with. In fact, without a doubt, you have already experienced data science in one way or another. Obviously, you are interacting with data science products every time you search for information on the web by using search engines such as Google, or asking for directions with your mobile phone. Data science is the science and technology focused on collecting raw data and processing it in an effective manner. It is the combination of concepts and methods that make it possible to give meaning and understandability to huge volumes of data. Data science has been the force behind resolving some of our most common daily tasks for several years. In nearly all of our daily work, we directly or indirectly work on storing and exchanging data. With the rapid development of technology, the need to store data effectively is also increasing. That's why it needs to be handled properly. Basically, data science unearths the hidden insights of raw-data and uses them for productive output. Python is often used in data science today because it is a mature programming language that has excellent properties for newbie programmers. Some of the most remarkable of these properties are its easy to read code, suppression of non-mandatory delimiters, dynamic typing, and dynamic memory usage. Python is an interpreted language, and it can be executed in the Python console without any need to compile to machine language. “Python Data Science” teaches a complete course of data science, including key topics like data integration, data mining, python etc. We will explore NumPy for numerical data, Pandas for data analysis, IPython, Scikit-learn and Tensorflow for machine learning and business. Each of the chapters in this book is devoted to one of the most interesting aspects of data analysis and processing. The following are some of the major topics covered in Python Data Science: Understanding Data Science Getting Started with Python for Data Scientists Descriptive statistics Data Analysis and Libraries NumPy Arrays and Vectorized Computation Data Analysis with Pandas Data Visualization Data Mining Classifying with Scikit-learn Estimators Giving Computers the Ability to Learn from Data Training Machine Learning Algorithms The Python ecosystem for data science discussed within Python Data Science includes SciPy, NumPy, Matplotlib, Pandas, and Scikit-learn, which provides all of the data science algorithms. Data processing and analysis is one of the hottest areas of IT, where developers who can handle projects of any level, from social networks to trained systems, are constantly required. We hope this book will be the starting point for your journey into the fascinating world of Data Science.
