Adattudomány a Python és az R használatával

Olvasói vélemények

A könyvet az adattisztításban való áttekinthetőségéről és hasznosságáról ismerik el, a hangsúlyt a példaorientált tanulásra helyezve. Ugyanakkor kritizálják a magas ára, az adatkészletek online támogatásának hiánya és a nyomtatás minőségével kapcsolatos kisebb problémák miatt.

Könnyen olvasható, jó referencia az adattisztítási tanfolyamokhoz, jól részletezett, példaközpontú, kódrészletekkel.

Hosszúságához képest drága, egyes oldalakon elmosódott nyomtatási minőség, nincs online támogatás az adatkészletekhez, hiányzik a kapcsolódó kódokhoz és adatkészletekhez való hozzáférés, a nehéz lépéseken túlmutat.

(6 olvasói vélemény alapján)

Eredeti címe:

Data Science Using Python and R

Könyv tartalma:

Tanulj adattudományt az adattudomány művelésével

Data Science Using Python and Rbeavatja Önt a világ két legelterjedtebb nyílt forráskódú adattudományi platformjába: Python és R.

Az adattudomány forró divat. A Bloomberg az adattudóst "Amerika legforróbb állásának" nevezte. A Python és az R a világ két legjobb nyílt forráskódú adattudományi eszköze. A Data Science Using Python and R című könyvben lépésről lépésre megtanulhatja, hogyan készítsen gyakorlati megoldásokat valós üzleti problémákra, a legmodernebb technikák alkalmazásával.

A Data Science Using Python and R az általános olvasóknak íródott, akiknek nincs korábbi analitikai vagy programozási tapasztalatuk. Egy teljes fejezetet szentel a Python és az R alapjainak elsajátításának, majd minden fejezetben lépésről lépésre bemutatja az adattudományi problémák Python és R használatával történő megoldásának utasításait és menet közbeni bemutatását.

Az analitikai tapasztalattal rendelkezők értékelni fogják, hogy egy helyen tanulhatják meg, hogyan kell az adattudományt Python és R használatával végezni. A tárgyalt témák közé tartozik az adatelőkészítés, a feltáró adatelemzés, az adatok modellezésének előkészítése, a döntési fák, a modellértékelés, a téves osztályozási költségek, a na ve Bayes osztályozás, a neurális hálózatok, a klaszterezés, a regressziós modellezés, a dimenziócsökkentés és az asszociációs szabályok bányászata.

Továbbá olyan izgalmas új témák is szerepelnek a könyvben, mint a véletlenszerű erdők és az általános lineáris modellek. A könyv hangsúlyozza az adatvezérelt hibaköltségeket a jövedelmezőség növelése érdekében, ami elkerüli azokat a gyakori buktatókat, amelyek egy vállalatnak dollármilliókba kerülhetnek.

A Data Science Using Python and R minden fejezet végén feladatokat tartalmaz, összesen több mint 500 feladatot a könyvben. Az olvasóknak így rengeteg lehetőségük lesz kipróbálni újonnan szerzett adattudományi készségeiket és szakértelmüket. A Kézzelfogható elemzés gyakorlatokban az olvasók érdekes üzleti problémák megoldására kapnak kihívást valós adathalmazok felhasználásával.