دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python для сложных задач: наука о данных
دانلود کتاب پایتون برای مسائل پیچیده: علم داده
مشخصات کتاب
Python для сложных задач: наука о данных
ویرایش: [1 ed.]
نویسندگان: Джейк Вандер Плас
سری: Бестселлеры O’Reilly
ISBN (شابک) : 9786010835641
ناشر: Спринт Бук
سال نشر: 2024
تعداد صفحات: 592
زبان: Russian
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
قیمت کتاب (تومان) : 35,000
در صورت تبدیل فایل کتاب Python для сложных задач: наука о данных 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 پایتون برای مسائل پیچیده: علم داده 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 درمورد کتاب به خارجی
فهرست مطالب
Отзывы ко второму изданию Предисловие Что такое наука о данных Для кого предназначена эта книга Почему Python Общая структура книги Вопросы установки Условные обозначения Использование примеров кода Полноцветные иллюстрации От издательства Часть I. Jupyter: за пределами обычного Python Глава 1 Глава 1. Знакомство с IPython и Jupyter Запуск командной оболочки IPython Запуск Jupiter Notebook Справка и документация в IPython Доступ к документации с помощью символа ? Доступ к исходному коду с помощью символов ?? Исследование содержимого модулей с помощью функции автодополнения Горячие клавиши в командной оболочке IPython Навигационные горячие клавиши Горячие клавиши ввода текста Горячие клавиши для истории команд Прочие горячие клавиши Глава 2. Расширенные интерактивные возможности Магические команды IPython Выполнение внешнего кода: %run Измерение продолжительности выполнения кода: %timeit Справка по «магическим» функциям: ?, %magic и %lsmagic История ввода и вывода Объекты In и Out оболочки IPython Быстрый доступ к предыдущим выводам с помощью знака подчеркивания Подавление вывода Соответствующие «магические» команды IPython и использование системного командного процессора Краткое введение в использование командного процессора Инструкции командного процессора в оболочке IPython Передача значений в командный процессор и из него «Магические» команды для командного процессора Глава 3. Отладка и профилирование Ошибки и отладка Управление исключениями: %xmode Отладка: что делать, если информации в трассировке недостаточно Профилирование и хронометраж выполнения кода Хронометраж выполнения фрагментов кода: %timeit и %time Профилирование сценариев целиком: %prun Пошаговое профилирование с помощью %lprun Профилирование потребления памяти: %memit и %mprun Дополнительные источники информации об оболочке IPython Веб-ресурсы Книги Часть II. Введение в NumPy Глава 4. Типы данных в Python Целое число в Python — больше, чем просто целое число Список в Python — больше чем просто список Массивы фиксированного типа в Python Создание массивов из списков Создание массивов с нуля Стандартные типы данных NumPy Глава 5. Введение в массивы NumPy Атрибуты массивов NumPy Индексация массива: доступ к отдельным элементам Срезы массивов: доступ к подмассивам Одномерные подмассивы Многомерные подмассивы Подмассивы как представления Создание копий массивов Изменение формы массивов Слияние и разбиение массивов Слияние массивов Разбиение массивов Глава 6. Вычисления с массивами NumPy: универсальные функции Медлительность циклов Введение в универсальные функции Обзор универсальных функций в библиотеке NumPy Арифметические операции над массивами Абсолютное значение Тригонометрические функции Показательные функции и логарифмы Специализированные универсальные функции Продвинутые возможности универсальных функций Сохранение результатов в массиве Сводные показатели Векторные произведения Универсальные функции: дополнительная информация Глава 7. Агрегирование: минимум, максимум и все, что посередине Суммирование значений в массиве Минимум и максимум Многомерные сводные показатели Другие функции агрегирования Пример: чему равен средний рост президентов США Глава 8. Операции над массивами. Транслирование Введение в транслирование Правила транслирования Транслирование. Пример 1 Транслирование. Пример 2 Транслирование. Пример 3 Транслирование на практике Центрирование массива Построение графика двумерной функции Глава 9. Сравнения, маски и булева логика Пример: подсчет количества дождливых дней Операторы сравнения как универсальные функции Работа с булевыми массивами Подсчет количества элементов Булевы операторы Булевы массивы как маски Ключевые слова and/or и операторы &/| Глава 10. «Прихотливая» индексация Возможности «прихотливой» индексации Комбинированная индексация Пример: выборка случайных точек Изменение значений с помощью прихотливой индексации Пример: разбиение данных на интервалы Глава 11. Сортировка массивов Быстрая сортировка в библиотеке NumPy: функции np.sort и np.argsort Сортировка по строкам и столбцам Частичная сортировка: секционирование Пример: k ближайших соседей Глава 12. Структурированные данные: структурированные массивы NumPy Создание структурированных массивов Более продвинутые типы данных Массивы записей: структурированные массивы с дополнительными возможностями Вперед, к Pandas Часть III. Манипуляции над данными с помощью пакета Pandas Глава 13. Знакомство с объектами библиотеки Pandas Объект Series Объект Series как обобщенный массив NumPy Объект Series как специализированный словарь Создание объектов Series Объект DataFrame DataFrame как обобщенный массив NumPy Объект DataFrame как специализированный словарь Создание объектов DataFrame Объект Index Объект Index как неизменяемый массив Index как упорядоченное множество Глава 14. Индексация и выборка данных Выборка данных из объекта Series Объект Series как словарь Объект Series как одномерный массив Индексаторы: loc и iloc Выборка данных из объекта DataFrame Объект DataFrame как словарь Объект DataFrame как двумерный массив Дополнительный синтаксис для индексации Глава 15. Операции над данными в библиотеке Pandas Универсальные функции: сохранение индекса Универсальные функции: согласование индексов Согласование индексов в объектах Series Согласование индексов в объектах DataFrame Универсальные функции: операции между объектами DataFrame и Series Глава 16. Обработка отсутствующих данных Компромиссы при обозначении отсутствующих данных Отсутствующие данные в Pandas None как значение-индикатор NaN: отсутствующие числовые данные Значения NaN и None в библиотеке Pandas Типы данных с поддержкой пустых значений в Pandas Операции над пустыми значениями Выявление пустых значений Удаление пустых значений Заполнение пустых значений Глава 17. Иерархическая индексация Мультииндексированный объект Series Плохой способ Лучший способ: объект MultiIndex Мультииндекс как дополнительное измерение Методы создания объектов MultiIndex Явные конструкторы MultiIndex Названия уровней мультииндексов Мультииндекс для столбцов Индексация и срезы по мультииндексу Мультииндексация объектов Series Мультииндексация объектов DataFrame Перегруппировка мультииндексов Отсортированные и неотсортированные индексы Выполнение операций stack и unstack над индексами Создание и перестройка индексов Глава 18. Объединение наборов данных: конкатенация и добавление в конец Напоминание: конкатенация массивов NumPy Простая конкатенация с помощью метода pd.concat Дублирование индексов Конкатенация с использованием соединений Метод append() Глава 19. Объединение наборов данных: слияние и соединение Реляционная алгебра Виды соединений Соединения «один-к-одному» Соединения «многие-к-одному» Соединения «многие-ко-многим» Задание ключа слияния Именованный аргумент on Именованные аргументы left_on и right_on Именованные аргументы left_index и right_index Применение операций над множествами для соединений Пересекающиеся имена столбцов: именованный аргумент suffixes Пример: данные по штатам США Глава 20. Агрегирование и группировка Данные о планетах Простое агрегирование в библиотеке Pandas groupby: разбиение, применение, объединение Разбиение, применение и объединение Объект GroupBy Агрегирование, фильтрация, преобразование, применение Задание ключа разбиения Пример группировки Глава 21. Сводные таблицы Примеры для изучения приемов работы со сводными таблицами Сводные таблицы «вручную» Синтаксис сводных таблиц Многоуровневые сводные таблицы Дополнительные параметры сводных таблиц Пример: данные о рождаемости Глава 22. Векторизованные операции над строками Знакомство со строковыми операциями в библиотеке Pandas Таблица строковых методов в библиотеке Pandas Методы, аналогичные строковым методам языка Python Методы, использующие регулярные выражения Прочие методы Пример: база данных рецептов Простая рекомендательная система для рецептов Дальнейшая работа с рецептами Глава 23. Работа с временными рядами Дата и время в языке Python Представление даты и времени в Python: пакеты datetime и dateutil Типизированные массивы значений времени: тип datetime64 библиотеки NumPy Даты и время в библиотеке Pandas: лучшее из обоих миров Временные ряды библиотеки Pandas: индексация по времени Структуры данных для временных рядов библиотеки Pandas Регулярные последовательности: функция pd.date_range() Периодичность и смещения дат Передискретизация, временные сдвиги и окна Передискретизация и изменение периодичности интервалов Временные сдвиги Скользящие окна Пример: визуализация количества велосипедов в Сиэтле Визуализация данных Углубленное изучение данных Глава 24. Увеличение производительности библиотеки Pandas: eval() и query() Основания для использования функций query() и eval(): составные выражения Использование функции pandas.eval() для эффективных операций Использование метода DataFrame.eval() для выполнения операций по столбцам Присваивание в методе DataFrame.eval() Локальные переменные в методе DataFrame.eval() Метод DataFrame.query() Производительность: когда следует использовать эти функции Дополнительные источники информации Часть IV. Визуализация с помощью библиотеки Matplotlib Глава 25. Общие советы по библиотеке Matplotlib Импортирование matplotlib Настройка стилей Использовать или не использовать show()? Как отображать графики Построение графиков в сценариях Построение графиков из командной оболочки IPython Построение графиков из блокнота Jupyter Сохранение изображений в файлы Два интерфейса по цене одного Глава 26. Простые линейные графики Настройка графика: цвета и стили линий Настройка графика: пределы осей координат Метки на графиках Нюансы использования Matplotlib Глава 27. Простые диаграммы рассеяния Построение диаграмм рассеяния с помощью plt.plot Построение диаграмм рассеяния с помощью plt.scatter plot и scatter: примечание относительно производительности Визуализация погрешностей Простые планки погрешностей Непрерывные погрешности Глава 28. Графики плотности и контурные графики Визуализация трехмерной функции Гистограммы, разбиения по интервалам и плотность Двумерные гистограммы и разбиение по интервалам Функция plt.hist2d: двумерная гистограмма Функция plt.hexbin: гексагональное разбиение по интервалам Ядерная оценка плотности распределения Глава 29. Настройка легенд на графиках Выбор элементов для легенды Задание легенды для точек разного размера Отображение нескольких легенд Глава 30. Настройка цветовых шкал Настройка цветовой шкалы Выбор карты цветов Ограничение и расширение карты цветов Дискретные цветовые шкалы Пример: рукописные цифры Глава 31. Множественные субграфики plt.axes: создание субграфиков вручную plt.subplot: простые сетки субграфиков plt.subplots: создание всей сетки за один раз plt.GridSpec: более сложные конфигурации Глава 32. Текст и поясняющие надписи Преобразования и координаты текста Стрелки и поясняющие надписи Глава 33. Настройка делений на осях координат Основные и промежуточные деления осей координат Сокрытие делений и/или меток Уменьшение или увеличение количества делений Экзотические форматы делений Краткая сводка локаторов и форматеров Глава 34. Настройка Matplotlib: конфигурации и таблицы стилей Настройка графиков вручную Изменение значений по умолчанию: rcParams Таблицы стилей Стиль по умолчанию default Стиль FiveThirtyEight Стиль ggplot Стиль «байесовские методы для хакеров» Стиль с темным фоном Оттенки серого Стиль Seaborn Глава 35. Построение трехмерных графиков в библиотеке Matplotlib Трехмерные точки и линии Трехмерные контурные графики Каркасы и поверхностные графики Триангуляция поверхностей Пример: визуализация ленты Мебиуса Глава 36. Визуализация с помощью библиотеки Seaborn Анализируем графики Seaborn Гистограммы, KDE и плотности Графики пар Фасетные гистограммы Графики факторов Совместные распределения Столбиковые диаграммы Пример: время прохождения марафона Дополнительные источники информации Другие графические библиотеки для Python Часть V. Машинное обучение Глава 37. Что такое машинное обучение Категории машинного обучения Качественные примеры прикладных задач машинного обучения Классификация: предсказание дискретных меток Регрессия: предсказание непрерывных меток Кластеризация: определение меток для немаркированных данных Понижение размерности: определение структуры немаркированных данных Резюме Глава 38. Знакомство с библиотекой Scikit-Learn Представление данных в Scikit-Learn Матрица признаков Целевой массив API статистического оценивания в Scikit-Learn Основы API статистического оценивания Пример обучения с учителем: простая линейная регрессия Пример обучения с учителем: классификация набора данных Iris Пример обучения без учителя: понижение размерности набора данных Iris Обучение без учителя: кластеризация набора данных Iris Прикладная задача: анализ рукописных цифр Загрузка и визуализация цифр Обучение без учителя: понижение размерности Классификация цифр Резюме Глава 39. Гиперпараметры и проверка модели Соображения относительно проверки модели Плохой способ проверки модели Хороший способ проверки модели: отложенные данные Перекрестная проверка модели Выбор оптимальной модели Компромисс между систематической ошибкой и дисперсией Кривые проверки в библиотеке Scikit-Learn Кривые обучения Проверка на практике: поиск по сетке Резюме Глава 40. Проектирование признаков Категориальные признаки Текстовые признаки Признаки для изображений Производные признаки Подстановка отсутствующих данных Конвейеры признаков Глава 41. Заглянем глубже: наивная байесовская классификация Байесовская классификация Гауссов наивный байесовский классификатор Полиномиальный наивный байесовский классификатор Пример: классификация текста Когда имеет смысл использовать наивный байесовский классификатор Глава 42. Заглянем глубже: линейная регрессия Простая линейная регрессия Регрессия по комбинации базисных функций Полиномиальные базисные функции Гауссовы базисные функции Регуляризация Гребневая регрессия (L2-регуляризация) Лассо-регрессия (L1-регуляризация) Пример: предсказание велосипедного трафика Глава 43. Заглянем глубже: метод опорных векторов Основания для использования метода опорных векторов Метод опорных векторов: максимизация отступа Аппроксимация методом опорных векторов За границами линейности: SVM-ядро Настройка SVM: размытие отступов Пример: распознавание лиц Резюме Глава 44. Заглянем глубже: деревья решений и случайные леса Движущая сила случайных лесов: деревья принятия решений Создание дерева принятия решений Деревья принятия решений и переобучение Ансамбли моделей: случайные леса Регрессия с помощью случайных лесов Пример: использование случайного леса для классификации цифр Резюме Глава 45. Заглянем глубже: метод главных компонент Знакомство с методом главных компонент PCA как метод понижения размерности Использование метода PCA для визуализации: рукописные цифры Что означают компоненты? Выбор количества компонент Использование метода PCA для фильтрации шума Пример: метод Eigenfaces Резюме Глава 46. Заглянем глубже: обучение на базе многообразий Обучение на базе многообразий: «HELLO» Многомерное масштабирование (MDS) MDS как обучение на базе многообразий Нелинейные вложения: там, где MDS не работает Нелинейные многообразия: локально линейное вложение Некоторые соображения относительно методов обучения на базе многообразий Пример: использование Isomap для распознавания лиц Пример: визуализация структуры цифр Глава 47. Заглянем глубже: кластеризация методом k средних Знакомство с методом k средних Максимизация математического ожидания Примеры Пример 1: применение метода k средних для распознавания рукописных цифр Пример 2: использование метода k средних для сжатия цветов Глава 48. Заглянем глубже: смеси Гауссовых распределений Причины появления GMM: недостатки метода k средних Обобщение EM-модели: смеси Гауссовых распределений Выбор типа ковариации GMM как метод оценки плотности распределения Пример: использование метода GMM для генерации новых данных Глава 49. Заглянем глубже: ядерная оценка плотности распределения Обоснование метода KDE: гистограммы Ядерная оценка плотности распределения на практике Выбор ширины ядра путем перекрестной проверки Пример: не столь наивный байес Внутреннее устройство пользовательской модели Использование пользовательской модели Глава 50. Прикладная задача: конвейер распознавания лиц Признаки HOG Метод HOG в действии: простой детектор лиц 1. Получаем набор положительных обучающих образцов 2. Получаем набор отрицательных обучающих образцов 3. Объединяем наборы и выделяем HOG-признаки 4. Обучаем метод опорных векторов 5. Выполняем поиск лиц в новом изображении Предостережения и дальнейшие усовершенствования Дополнительные источники информации по машинному обучению Об авторе Иллюстрация на обложке
