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 The Data Analysis Workshop: Solve business problems with state-of-the-art data analysis models, developing expert data analysis skills along the way

دانلود کتاب کارگاه تجزیه و تحلیل داده ها: حل مشکلات تجاری با پیشرفته ترین مدل های تجزیه و تحلیل داده ها ، توسعه مهارت های تجزیه و تحلیل داده های متخصص در طول راه

The Data Analysis Workshop: Solve business problems with state-of-the-art data analysis models, developing expert data analysis skills along the way

مشخصات کتاب

The Data Analysis Workshop: Solve business problems with state-of-the-art data analysis models, developing expert data analysis skills along the way

ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 1839211385, 9781839211386 
ناشر: Packt Publishing - ebooks Account 
سال نشر: 2020 
تعداد صفحات: 625 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 41 مگابایت 

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب The Data Analysis Workshop: Solve business problems with state-of-the-art data analysis models, developing expert data analysis skills along the way 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 کارگاه تجزیه و تحلیل داده ها: حل مشکلات تجاری با پیشرفته ترین مدل های تجزیه و تحلیل داده ها ، توسعه مهارت های تجزیه و تحلیل داده های متخصص در طول راه 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 کارگاه تجزیه و تحلیل داده ها: حل مشکلات تجاری با پیشرفته ترین مدل های تجزیه و تحلیل داده ها ، توسعه مهارت های تجزیه و تحلیل داده های متخصص در طول راه



چگونگی تجزیه و تحلیل داده ها را با استفاده از مدل های پایتون با کمک موارد استفاده در دنیای واقعی و راهنمایی کارشناسان صنعت بیاموزید

ویژگی های کلیدی

  • با مطالعه موارد استفاده در زمینه های مختلف، با تجزیه و تحلیل داده ها آشنا شوید
  • مهارت های تفکر انتقادی خود را با پیروی از تجزیه و تحلیل داده های آزمایش شده و واقعی توسعه دهید
  • چگونگی استفاده از نتیجه گیری از تجزیه و تحلیل داده ها را بیاموزید. برای اتخاذ تصمیمات تجاری بهتر

توضیحات کتاب

امروزه کسب و کارها بصورت آنلاین فعالیت می کنند و تقریباً به طور مداوم داده تولید می کنند. اگرچه ممکن است همه داده‌ها به شکل خام مفید به نظر نرسند، اما اگر به درستی پردازش و تجزیه و تحلیل شوند، می‌توانند بینش‌های پنهان ارزشمندی را در اختیار شما قرار دهند. کارگاه تجزیه و تحلیل داده ها به شما کمک می کند یاد بگیرید که چگونه این الگوهای پنهان را در داده های خود کشف کنید، آنها را تجزیه و تحلیل کنید و از نتایج برای کمک به تغییر کسب و کار خود استفاده کنید.

این کتاب با استفاده از یک مورد استفاده شروع می شود. مغازه اجاره دوچرخه به شما نشان داده می شود که چگونه داده ها را به هم مرتبط کنید، هیستوگرام ها را رسم کنید، و ویژگی های زمانی را تجزیه و تحلیل کنید. همانطور که پیشرفت می کنید، یاد خواهید گرفت که چگونه داده ها را برای یک سیستم هیدرولیک با استفاده از کتابخانه های Seaborn و Matplotlib ترسیم کنید و انواع موارد استفاده را بررسی کنید که به شما نحوه پیوستن و ادغام پایگاه های داده، آماده سازی داده ها برای تجزیه و تحلیل و مدیریت داده های نامتعادل را نشان می دهد.

در پایان کتاب، تکنیک‌های مختلف تجزیه و تحلیل داده‌ها، از جمله آزمون فرضیه، همبستگی، و انتساب ارزش صفر را یاد خواهید گرفت و به یک تحلیلگر داده مطمئن تبدیل خواهید شد.

< h4>آنچه یاد خواهید گرفت
  • با مفاهیم اساسی و قراردادهای تجزیه و تحلیل داده ها آشنا شوید
  • دریابید که چگونه الگوریتم های مختلف به شما در تجزیه و تحلیل موثر داده ها کمک می کنند
  • تعیین تنوع بین گروه های داده با استفاده از آزمون فرضیه
  • داده های خود را به درستی با استفاده از نقاط ترسیم مناسب تجسم کنید
  • از تکنیک های همبستگی برای کشف رابطه بین متغیرها استفاده کنید
  • با استفاده از تکنیک ها و استراتژی های پیشرفته الگوهای پنهان در داده ها را بیابید

این کتاب برای چه کسی است

h4>

کارگاه تجزیه و تحلیل داده ها برای برنامه نویسانی است که از قبل نحوه کدنویسی در پایتون را می دانند و می خواهند از آن برای تجزیه و تحلیل داده ها استفاده کنند. اگر به دنبال کسب تجربه عملی در علم داده با پایتون هستید، این کتاب برای شما مناسب است.


توضیحاتی درمورد کتاب به خارجی

Learn how to analyze data using Python models with the help of real-world use cases and guidance from industry experts

Key Features

  • Get to grips with data analysis by studying use cases from different fields
  • Develop your critical thinking skills by following tried-and-true data analysis
  • Learn how to use conclusions from data analyses to make better business decisions

Book Description

Businesses today operate online and generate data almost continuously. While not all data in its raw form may seem useful, if processed and analyzed correctly, it can provide you with valuable hidden insights. The Data Analysis Workshop will help you learn how to discover these hidden patterns in your data, to analyze them and leverage the results to help transform your business.

The book begins by taking you through the use case of a bike rental shop. You'll be shown how to correlate data, plot histograms, and analyze temporal features. As you progress, you'll learn how to plot data for a hydraulic system using the Seaborn and Matplotlib libraries, and explore a variety of use cases that show you how to join and merge databases, prepare data for analysis, and handle imbalanced data.

By the end of the book, you'll have learned different data analysis techniques, including hypothesis testing, correlation, and null-value imputation, and will have become a confident data analyst.

What you will learn

  • Get to grips with the fundamental concepts and conventions of data analysis
  • Understand how different algorithms help you to analyze the data effectively
  • Determine the variation between groups of data using hypothesis testing
  • Visualize your data correctly using appropriate plotting points
  • Use correlation techniques to uncover the relationship between variables
  • Find hidden patterns in data using advanced techniques and strategies

Who This Book Is For

The Data Analysis Workshop is for programmers who already know how to code in Python and want to use it to perform data analysis. If you are looking to gain practical experience in data science with Python, this book is for you.



فهرست مطالب

Cover
FM
Copyright
Table of Contents
Preface
Chapter 1: Bike Sharing Analysis
	Introduction
	Understanding the Data
	Data Preprocessing
		Exercise 1.01: Preprocessing Temporal and Weather Features
		Registered versus Casual Use Analysis
		Exercise 1.02: Analyzing Seasonal Impact on Rides
	Hypothesis Tests
		Exercise 1.03: Estimating Average Registered Rides
		Exercise 1.04: Hypothesis Testing on Registered Rides
	Analysis of Weather-Related Features
		Exercise 1.05: Evaluating the Difference between the Pearson and Spearman Correlations
			Correlation Matrix Plot
	Time Series Analysis
		Exercise 1.06: Time Series Decomposition in Trend, Seasonality, and Residual Components
	ARIMA Models
		Exercise 1.07: ACF and PACF Plots for Registered Rides
		Activity 1.01: Investigating the Impact of Weather Conditions on Rides
	Summary
Chapter 2: Absenteeism at Work
	Introduction
	Initial Data Analysis
		Exercise 2.01: Identifying Reasons for Absence
	Initial Analysis of the Reason for Absence
	Analysis of Social Drinkers and Smokers
		Exercise 2.02: Identifying Reasons of Absence with Higher Probability Among Drinkers and Smokers
		Exercise 2.03: Identifying the Probability of Being a Drinker/Smoker, Conditioned to Absence Reason
	Body Mass Index
	Age and Education Factors
		Exercise 2.04: Investigating the Impact of Age on Reason for Absence
		Exercise 2.05: Investigating the Impact of Education on Reason for Absence
	Transportation Costs and Distance to Work Factors
	Temporal Factors
		Exercise 2.06: Investigating Absence Hours, Based on the Day of the Week and the Month of the Year
		Activity 2.01: Analyzing the Service Time and Son Columns
	Summary
Chapter 3: Analyzing Bank Marketing Campaign Data
	Introduction
	Initial Data Analysis
		Exercise 3.01: Analyzing Distributions of Numerical Features in the Banking Dataset
		Exercise 3.02: Analyzing Distributions of Categorical Features in the Banking Dataset
	Impact of Numerical Features on the Outcome
		Exercise 3.03: Hypothesis Test of the Difference of Distributions in Numerical Features
	Modeling the Relationship via Logistic Regression
	Linear Regression
	Logistic Regression
		Exercise 3.04: Logistic Regression on the Full Marketing Campaign Data
		Activity 3.01: Creating a Leaner Logistic Regression Model
	Summary
Chapter 4: Tackling Company Bankruptcy
	Introduction
		Explanation of Some of the Important Features
		Importing the Data
		Exercise 4.01: Importing Data into DataFrames
		Pandas Profiling
			Running Pandas Profiling
			Pandas Profiling Report for DataFrame 1
			Pandas Profiling Report for DataFrame 2
	Missing Value Analysis
		Exercise 4.02: Performing Missing Value Analysis for the DataFrames
	Imputation of Missing Values
		Mean Imputation
		Exercise 4.03: Performing Mean Imputation on the DataFrames
		Iterative Imputation
		Exercise 4.04: Performing Iterative Imputation on the DataFrame
	Splitting the Features
	Feature Selection with Lasso
		Lasso Regularization for Mean-Imputed DataFrames
		Lasso Regularization for Iterative-Imputed DataFrames
		Activity 4.01: Feature Selection with Lasso
	Summary
Chapter 5: Analyzing the Online Shopper's Purchasing Intention
	Introduction
		Data Dictionary
	Importing the Data
	Exploratory Data Analysis
		Univariate Analysis
			Baseline Conversion Rate from the Revenue Column
			Visitor-Wise Distribution
			Traffic-Wise Distribution
		Exercise 5.01: Analyzing the Distribution of Customers Session on the Website
			Region-Wise Distribution
		Exercise 5.02: Analyzing the Browser and OS Distribution of Customers
			Administrative Pageview Distribution
			Information Pageview Distribution
			Special Day Session Distribution
		Bivariate Analysis
			Revenue Versus Visitor Type
			Revenue Versus Traffic Type
		Exercise 5.03: Analyzing the Relationship between Revenue and Other Variables
		Linear Relationships
			Bounce Rate versus Exit Rate
			Page Value versus Bounce Rate
			Page Value versus Exit Rate
			Impact of Administration Page Views and Administrative Pageview Duration on Revenue
			Impact of Information Page Views and Information Pageview Duration on Revenue
	Clustering
		Method to Find the Optimum Number of Clusters
		Exercise 5.04: Performing K-means Clustering for Informational Duration versus Bounce Rate
			Performing K-means Clustering for Informational Duration versus Exit Rate
		Activity 5.01: Performing K-means Clustering for Administrative Duration versus Bounce Rate and Administrative Duration versus Exit Rate
	Summary
Chapter 6: Analysis of Credit Card Defaulters
	Introduction
	Importing the Data
	Data Preprocessing
	Exploratory Data Analysis
		Univariate Analysis
		Bivariate Analysis
		Exercise 6.01: Evaluating the Relationship between the DEFAULT Column and the EDUCATION and MARRIAGE Columns
			PAY_1 versus DEFAULT
			Balance versus DEFAULT
		Exercise 6.02: Evaluating the Relationship between the AGE and DEFAULT Columns
	Correlation
		Activity 6.01: Evaluating the Correlation between Columns Using a Heatmap
	Building a Profile of a High-Risk Customer
	Summary
Chapter 7: Analyzing the Heart Disease Dataset
	Introduction
		Exercise 7.01: Loading and Understanding the Data
		Outliers
		Exercise 7.02: Checking for Outliers
		Activity 7.01: Checking for Outliers
		Exercise 7.03: Plotting the Distributions and Relationships Between Specific Features
		Activity 7.02: Plotting Distributions and Relationships between Columns with Respect to the Target Column
		Exercise 7.04: Plotting the Relationship between the Presence of Heart Disease and Maximum Recorded Heart Rate
		Activity 7.03: Plotting the Relationship between the Presence of Heart Disease and the Cholesterol Column
		Exercise 7.05: Observing Correlations with a Heatmap
	Summary
Chapter 8: Analysis of Credit Card Defaulters
	Introduction
	Data Cleaning
		Exercise 8.01: Loading and Cleaning Our Data
	Data Preparation and Feature Engineering
		Exercise 8.02: Preparing Our Data
	Data Analysis
		Exercise 8.03: Finding the Answers in Our Data
	Activity 8.01: Performing Data Analysis on the Online Retail II Dataset
	Summary
Chapter 9: Analysis of the Energy Consumed by Appliances
	Introduction
		Exercise 9.01: Taking a Closer Look at the Dataset
		Exercise 9.02: Analyzing the Light Energy Consumption Column
		Activity 9.01: Analyzing the Appliances Energy Consumption Column
		Exercise 9.03: Performing Feature Engineering
		Exercise 9.04: Visualizing the Dataset
		Activity 9.02: Observing the Trend between a_energy and day
		Exercise 9.05: Plotting Distributions of the Temperature Columns
		Activity 9.03: Plotting Distributions of the Humidity Columns
		Exercise 9.06: Plotting out_b, out_hum, visibility, and wind
	Summary
Chapter 10: Analyzing Air Quality
	Introduction
	About the Dataset
		Exercise 10.01: Concatenating Multiple DataFrames and Checking for Missing Values
	Outliers
		Exercise 10.02: Identifying Outliers
		Activity 10.01: Checking for Outliers
	Missing Values
		Exercise 10.03: Dealing with Missing Values
		Exercise 10.04: Observing the Concentration of PM25 and PM10 per Year
		Activity 10.02: Observing the Pollutant Concentration per Year
		Activity 10.03: Observing Pollutant Concentration per Month
	Heatmaps
		Exercise 10.05: Checking for Correlations between Features
	Summary
Appendix
Index




نظرات کاربران