Adattudomány a Jupyterrel: Az adattudományi készségek elsajátítása könnyen követhető Python példákkal

Olvasói vélemények

A könyv vegyes kritikákat kapott, egyes felhasználók hasznosnak találták az adattudományok kezdői számára, míg mások kritizálják a könyv mélységét és áttekinthetőségét, különösen a Python szintaxis és a Jupyter használatának magyarázatában.

Néhány olvasó nagyra értékeli a könyvet a fogalmak átismétlésében való segítőkészsége és a kezdők számára világos nyelvezete miatt. Az adattudomány számos témakörét lefedi, és tisztességes kiindulópontnak tekintik a terület iránt érdeklődők számára.

Számos kritikus kiemeli a könyv mélységének hiányát, a gyenge magyarázatokat és a Python szintaxis nem megfelelő lefedettségét. A kritikusok megemlítik, hogy az adattudomány és a programozás terén előzetes ismereteket igényel ahhoz, hogy hasznos legyen, és egyesek szerint a tartalom nem elegendő a komoly tanuláshoz.

(11 olvasói vélemény alapján)

Eredeti címe:

Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples

Könyv tartalma:

Lépésről lépésre útmutató az adattudományi technikák gyakorlásához Jupyter notebookokkal

Leírás

A modern vállalkozásokat elárasztják az adatok, ami egyre összetettebbé teszi az adatvezérelt döntéshozatali feladatokat. Ennek következtében az ilyen feladatok elvégzéséhez megfelelő technikai szakértelemre és elemzői készségekre van szükség. Ez a könyv célja, hogy felvértezze Önt a Python éppen elégséges Python-ismerettel, összekapcsolva az olyan nagy teljesítményű eszköz, mint a Jupyter Notebook használatához szükséges készségekkel, hogy sikerrel tölthesse be az adattudós szerepét.

A könyv az adattudomány világának rövid bemutatásával és a lehetőségekkel, amelyekkel találkozhat, valamint a könyvben tárgyalt legfontosabb témák áttekintésével kezdődik. Megtanulja, hogyan kell beállítani az Anaconda telepítését, amely a Jupyterrel és az előre telepített Python csomagokkal érkezik. Mielőtt belemerülne számos felügyelt, felügyelet nélküli és egyéb gépi tanulási technikába, megtanulja, hogyan használja az adatok importálásához, tisztításához, vizualizálásához és feldolgozásához szükséges alapvető adatstruktúrákat, függvényeket, könyvtárakat és csomagokat. Számos gépi tanulási technikát, mint például a regresszió, osztályozás, klaszterezés, idősorok stb. gyakorlati példák segítségével és a különböző modellek teljesítményének összehasonlításával magyarázunk el.

A könyv végére néhány esettanulmánnyal találkozhat, amelyekben a gyakorlatba ültetheti tudását, és olyan valós üzleti problémákat oldhat meg, mint például egy filmajánló motor létrehozása, spam üzenetek osztályozása, egy hitelfelvevő hitel visszafizetési képességének időben történő előrejelzése és a lakásárak idősoros előrejelzése. Ne feledje, hogy a könyv kódcsomagjában található további példákat is gyakorolnia kell, hogy elsajátíthassa ezeket a technikákat.

Közönség

A könyv mindazoknak szól, akik az adattudományi karriert keresik, minden olyan feltörekvő adattudósnak, akik meg akarják tanulni a gépi tanulás legerősebb programozási nyelvét, vagy olyan dolgozó szakembereknek, akik az adattudományi karrierjüket az adattudományra szeretnék átállítani. Bár nem feltételez előzetes ismereteket az adattudományról vagy a kapcsolódó technológiákról, hasznos lesz némi programozási tapasztalat.

Főbb jellemzők

⬤ A Python készségek elsajátítása önálló adattudományi projektek elvégzéséhez.

⬤ Tanulja meg a lineáris algebra és a statisztika alapjait Python nyelven.

⬤ Tudja meg, hogyan és mikor használják ezeket az adattudományban.

⬤ Építsen prediktív modelleket, hangolja paramétereiket és elemezze teljesítményüket néhány lépésben.

⬤ Klaszterezzen, transzformáljon, vizualizáljon és vonjon le betekintést címkézetlen adathalmazokból.

⬤ Tanulja meg, hogyan használja a matplotlib és a seaborn programokat adatvizualizációhoz.

⬤ Masinatanulási modellek megvalósítása és mentése valós üzleti forgatókönyvek számára.

Tartalomjegyzék

⬤  Adattudományi alapok.

⬤  Szoftverek telepítése és beállítása.

⬤  Listák és szótárak.

⬤  Funkció és csomagok.

⬤  NumPy alapítvány.

⬤  Pandas és Dataframe.

⬤  Adatbázisokkal való interakció.

⬤  Statisztikai gondolkodás az adattudományban.

⬤  Hogyan importáljunk adatokat Pythonban?

⬤  Az importált adatok tisztítása.

⬤  Adatvizualizáció.

⬤  Adatok előfeldolgozása.

⬤  Felügyelt gépi tanulás.

⬤  Felügyelet nélküli gépi tanulás.

⬤  Idősoros adatok kezelése.

⬤  Idősoros módszerek.

⬤  Esettanulmány - 1.

⬤  Esettanulmány - 2.

⬤  Esettanulmány - 3.

⬤  Esettanulmány - 4.

A szerzőről

Prateek adatrajongó és szereti az adatvezérelt technológiákat. Prateek összesen 7 éves tapasztalattal rendelkezik, és jelenleg egy MNC-ben dolgozik adattudósként. Pénzügyi és kiskereskedelmi ügyfelekkel dolgozott, és gépi tanulási és mélytanulási megoldásokat fejlesztett ki az üzletük számára. Érdeklődési területe a természetes nyelvi feldolgozás és a számítógépes látás. Szabadidejében blogjában a Pythonnal végzett adattudományról ír bejegyzéseket.