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 Web Data Mining with Python: Discover and extract information from the web using Python (English Edition)

دانلود کتاب داده کاوی وب با پایتون: کشف و استخراج اطلاعات از وب با استفاده از پایتون (نسخه انگلیسی)

Web Data Mining with Python: Discover and extract information from the web using Python (English Edition)

مشخصات کتاب

Web Data Mining with Python: Discover and extract information from the web using Python (English Edition)

ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 9355513631, 9789355513632 
ناشر: BPB Publications 
سال نشر: 2023 
تعداد صفحات: 304
[308] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 28 Mb

قیمت کتاب (تومان) : 43,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Web Data Mining with Python: Discover and extract information from the web using Python (English Edition) 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 داده کاوی وب با پایتون: کشف و استخراج اطلاعات از وب با استفاده از پایتون (نسخه انگلیسی) 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 داده کاوی وب با پایتون: کشف و استخراج اطلاعات از وب با استفاده از پایتون (نسخه انگلیسی)

تکنیک های مختلف وب کاوی را برای کشف الگوها، ساختارها و اطلاعات از وب کاوش کنید. ویژگی های کلیدی ● مروری کامل بر مفاهیم اولیه و پیشرفته وب کاوی. ● برای وب کاوی با کتابخانه های منبع باز Python با استفاده آسان کار کنید. ● با حوزه های مختلف و کاربردهای مفید وب کاوی آشنا شوید. شرح Data Science سریع ترین شغل در حال رشد در سراسر جهان است و پیش بینی می شود تا سال 2026 11.5 میلیون شغل ایجاد کند، بنابراین جویندگان کار با این مجموعه مهارت فرصت های زیادی دارند. یکی از حوزه‌هایی که در زمینه علم داده مورد جستجو قرار می‌گیرد، استخراج اطلاعات از وب است. اگر شما یک دانشمند داده مشتاق هستید که به دنبال یادگیری تکنیک های مختلف وب کاوی هستید، این کتاب برای شما مناسب است. این کتاب با پوشش مفاهیم کلیدی وب کاوی و طبقه بندی آن شروع می شود. سپس اصول اسکراپینگ وب، کاربردها و مؤلفه‌های آن را بررسی می‌کند و به دنبال آن موضوعاتی مانند جنبه‌های قانونی مربوط به خراش دادن، استخراج داده‌ها و پیش پردازش، خراش دادن وب‌سایت‌های پویا و CAPTCHA را بررسی می‌کند. این کتاب همچنین شما را با مفهوم Opinion Mining و Web structure mining آشنا می کند. علاوه بر این، استخراج نمودار وب، استخراج اطلاعات وب، جستجوی وب و لینک‌ها، جستجوی موضوعی ناشی از پیوند (HITS) و الگوریتم‌های پارتیشن بندی که برای وب‌کاوی استفاده می‌شوند را پوشش می‌دهد. در پایان، این کتاب به شما تکنیک‌های مختلف کاوی را آموزش می‌دهد تا الگوهای استفاده جالب از داده‌های وب را کشف کنید. تا پایان کتاب، شما بر هنر استخراج داده ها با استفاده از پایتون مسلط خواهید شد. آنچه خواهید آموخت ● یاد بگیرید که چگونه داده ها را از هر وب سایتی با پایتون خراش دهید. ● با مفاهیم نظر کاوی و تحلیل احساسات آشنا شوید. ● از استخراج ساختار وب برای کشف اطلاعات ساختار از وب استفاده کنید. ● نحوه جمع آوری و تجزیه و تحلیل داده های رسانه های اجتماعی با استفاده از پایتون را بیاموزید. ● از استخراج استفاده از وب برای پیش بینی رفتارهای مرور کاربران استفاده کنید. این کتاب برای چه کسانی است این کتاب برای کسانی است که می خواهند وب کاوی را یاد بگیرند. دانشمندان مشتاق داده، مهندسان داده و تحلیلگران داده که می خواهند بر وب کاوی مسلط شوند، این کتاب را بسیار مفید خواهند یافت. فهرست مطالب 1. وب کاوی — مقدمه 2. طبقه بندی وب کاوی 3. برنامه های کاربردی برجسته با وب کاوی 4. اصول پایتون 5. Web Scraping 6. Web Opinion Mining 7. Web Structure Mining 8. تجزیه و تحلیل شبکه های اجتماعی در پایتون 9. استفاده از استخراج


توضیحاتی درمورد کتاب به خارجی

Explore different web mining techniques to discover patterns, structures, and information from the web KEY FEATURES ● A complete overview of the basic and advanced concepts of Web mining. ● Work with easy-to-use open-source Python libraries for Web mining. ● Get familiar with the various beneficial areas and applications of Web mining. DESCRIPTION Data Science is the fastest growing job across the globe and is predicted to create 11.5 million jobs by 2026, so job seekers with this skill set have a lot of opportunities. One of the most sought areas in the field of Data Science is mining information from the web. If you are an aspiring Data Scientist looking to learn different Web mining techniques, then this book is for you. This book starts by covering the key concepts of Web mining and its taxonomy. It then explores the basics of Web scraping, its uses and components followed by topics like legal aspects related to scraping, data extraction and pre-processing, scraping dynamic websites, and CAPTCHA. The book also introduces you to the concept of Opinion mining and Web structure mining. Furthermore, it covers Web graph mining, Web information extraction, Web search and hyperlinks, Hyperlink Induced Topic Search (HITS) search, and partitioning algorithms that are used for Web mining. Towards the end, the book will teach you different mining techniques to discover interesting usage patterns from Web data. By the end of the book, you will master the art of data extraction using Python. WHAT YOU WILL LEARN ● Learn how to scrape data from any website with Python. ● Get familiar with the concepts of Opinion Mining and Sentiment Analysis. ● Use Web structure mining to discover structure information from the web. ● Learn how to collect and analyze social media data using Python. ● Use Web usage mining for predicting users\' browsing behaviors. WHO THIS BOOK IS FOR The book is for anyone who wants to learn Web mining. Aspiring Data Scientists, Data Engineers, and Data Analysts who want to master Web mining will find this book very helpful. TABLE OF CONTENTS 1. Web Mining—An Introduction 2. Web Mining Taxonomy 3. Prominent Applications with Web Mining 4. Python Fundamentals 5. Web Scraping 6. Web Opinion Mining 7. Web Structure Mining 8. Social Network Analysis in Python 9. Web Usage Mining



فهرست مطالب

book Title
Inner title
Copyright
Dedicated
About the Authors
About the Reviewer
Acknowledgements
Preface
Coloured Images
Piracy
Table of Contents
Chapter 1: Web Mining—An Introduction
	Introduction
	Structure
	Objectives
	Introduction to Web mining
	World Wide Web
	Evolution of the World Wide Web
	Internet and Web 2.0
	An overview of data mining, modeling, and analysis
		Basics of Web mining
		Categories of Web mining
	Difference between data mining and Web mining
		Applications of Web mining
	Web mining and Python
		Essential Python libraries for Web mining
	How Python is helpful in Web mining?
	Conclusion
	Points to Remember
	Multiple Choice Questions
		Answer
	Questions
	Key terms
Chapter 2: Web Mining Taxonomy
	Introduction
	Structure
	Objective
	Introduction to Web mining
	Web content mining
		Basic application areas of Web content mining
		Contents of a web page
		Content pre-processing
		Web content analysis
	Web structure mining
	Web usage mining
	Key concepts
		Ranking metrics
		Page rank
		Hubs and Authorities
		Web Robots
		Information Scent
		User Profile
		Online bibliometrics
		Types of Bibliometric measures
	Conclusion
	Points to remember
	Multiple Choice Questions
		Answers
	Questions
	Key terms
Chapter 3: Prominent Applications with Web Mining
	Introduction
	Structure
	Objectives
	Personalized customer applications—E-commerce
	Web search
		Most common methods of website tracking
	Personalized portal and Web
	Web service performance optimization
		Bounce rate
		Average time on page
		Unique visitors
	Process mining
	Concepts of association rules
	Association rule mining
	Components of Apriori algorithm
		Support and frequent itemsets
		Confidence
		Lift
		Steps in apriori algorithm
	Concepts of sequential pattern
		Sequence database
		Subsequence versus supersequence
		Minimum support
		Prefix and suffix
		Projection
	Association rule mining and python libraries
		Pandas
		Mlxtend
	Conclusion
	Points to remember
	Multiple Choice Questions
		Answer
	Questions
	Key terms
Chapter 4: Python Fundamentals
	Introduction
	Structure
	Objectives
	Introduction to Python
	Basics of Python
		Python programming
		Writing “Hello World”, the first Python script
		Conditional/selection statements
		Looping/iterative constructs
		Functions
		Lists
	Basics of HTML: inspecting a Web page
	Basics of Python libraries
	Installation of Python
		Unix and Linux platform
		Windows Platform
	Introduction to commonly used IDE’s and PDE
		Integrated development learning environment (IDLE)
		Atom
		Sublime text
		PyDev
		Spyder (the scientific Python development environment)
		PyCharm
		Google Colab
	Installation of Anaconda
	Conclusion
	Points to remember
	Multiple choice questions
		Answers
Chapter 5: Web Scraping
	Introduction
	Structure
	Objectives
	Introduction to Web scraping
	Web scraping
		Uses of Web scraping
		Working of Web scraper
		Challenges Of Web Scraping
		Python modules used for scraping
		Legality of Web scraping
	Data extraction and preprocessing
	Handling text, image, and videos
		Handling text
		Handling images
		Extracting videos from a Web page
	Scraping dynamic websites
	Dealing with CAPTCHA
	Case study: Implementing Web scraping to develop a scraper for finding the latest news
	Conclusion
	Points to remember
	Multiple choice questions
		Answers
	Questions
	Key terms
Chapter 6: Web Opinion Mining
	Introduction
	Structure
	Objectives
	Concepts of opinion mining
		NLTK for sentiment analysis
		Opinion Mining/Sentiment Analysis at different levels
	Collection of reviewFor the task of Sentiment Analysis, the co
		Data sources for opinion mining
	Working with data
	Pre-processing of data
		Tokenization
	Part of Speech tagging
	Feature extraction
		Bag-of-Words
		TF-IDF
	Case study for Sentiment Analysis
	Conclusion
	Points to remember
	Multiple choice questions
		Answers
	Questions
	Key terms
Chapter 7: Web Structure M
ining
	Introduction
	Structure
	Objectives
	Introduction to Web structure mining
	Concepts of Web structure mining
	Web structure mining
	Web graph mining
	Web information extraction
	Deep Web mining
	Web Search and Hyperlinks
	Hyperlink analysis on the Web
	Hyperlink Induced Topic Search (HITS)
	Partitioning algorithm
	Implementation in Python
	Conclusion
	Points to remember
	MCQs
		Answers
	Questions
	Key terms
Chapter 8: Social Network Analysis in Python
	Introduction
	Structure
	Objectives
	Introduction to Social Network Analysis
	Creating a network
		Types of graphs
	Analyzing network
	Distance measures in network connectivity
		Distance
		Average distance
		Eccentricity
		Diameter
		Radius
		Periphery
		Center
	Network influencers
	Case study on Facebook dataset
	Conclusion
	Points to remember
	Multiple choice questions
		Answers
	Questions
	Key terms
Chapter 9: Web Usage Mining
	Introduction
	Structure
	Objectives
	Process of Web usage mining
	Sources of data
	Types of data
		Usage data
		Content data
		Structure data
		User data
	Key elements of Web usage data pre-processing
		Data cleaning
		User identification
		Session identification
		Path identification
	Data modeling
		Association rule mining
		Sequential pattern
		Clustering
		Classification mining
	Discovery and analysis of pattern
		Association rule for knowledge discovery
		Pattern discovery through clustering
		Sequential pattern mining for knowledge discovery
		Learning through classification
		Pattern analysis
	Predictions on transaction pattern
		Building a content-based recommendation system
		Item profile
		User profile
	Conclusion
	Points to remember
	Multiple choice questions
		Answers
	Questions
	Key terms
Index
Back title




نظرات کاربران

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