Értékelés:
Ezt a könyvet a felhasználók nagyra értékelik a Python adattudományi célú elsajátításához szükséges áttekinthetősége és hasznossága miatt, amely mind a kezdők, mind a középhaladó programozók számára alkalmas. Gyakorlati példákat és gyakorlatokat kínál, bár egyes felhasználók a nyomtatás minősége és a programozási hibák miatt frusztrálónak találták.
Előnyök:⬤ Világos és tömör
⬤ kezdőknek és haladóknak egyaránt nagyszerű
⬤ gyakorlati példák
⬤ hasznos az adattudományi fogalmak elsajátításához
⬤ gyakorlatokkal zárul a megértéshez
⬤ kézikönyvnek is alkalmas.
⬤ Fekete-fehérben nyomtatva, ami befolyásolja a grafikonok áttekinthetőségét
⬤ néhány kódrészlet nem működik megfelelően
⬤ pedagógiai problémák
⬤ az optimális megértéshez előzetes Python-tudás szükséges.
(9 olvasói vélemény alapján)
Data Science Essentials in Python: Collect - Organize - Explore - Predict - Value
Az SQL és NoSQL adatbázisokban tárolt rendezetlen, strukturálatlan műtárgyaktól egy rendezett, jól szervezett adathalmazig juthat el ezzel a gyors referenciával az elfoglalt adattudósok számára. Értse meg a szövegbányászatot, a gépi tanulást és a hálózatelemzést; dolgozzon fel numerikus adatokat a NumPy és Pandas modulokkal; írja le és elemezze az adatokat statisztikai és hálózatelméleti módszerekkel; és nézzen meg tényleges példákat az adatelemzésre munka közben. Ez az egyablakos megoldás lefedi a Pythonban szükséges alapvető adattudományi ismereteket.
Az adattudomány az egyik leggyorsabban növekvő tudományág a tudományos kutatás, a hallgatói létszám és a foglalkoztatás szempontjából. A Python a maga rugalmasságával és skálázhatóságával gyorsan megelőzi az R nyelvet az adattudományos projektekben. Tartsa kéznél a Python adattudományi fogalmait ezzel a moduláris, gyors referenciával az adatok megszerzéséhez, tisztításához, elemzéséhez és tárolásához használt eszközökről.
Ez az egyablakos megoldás lefedi az alapvető Python, adatbázisok, hálózatelemzés, természetes nyelvi feldolgozás, a gépi tanulás elemeit és a vizualizációt. Hozzáférés strukturált és strukturálatlan szöveges és numerikus adatokhoz helyi fájlokból, adatbázisokból és az internetről. Rendezze, rendezze át és tisztítsa az adatokat. Munka relációs és nem relációs adatbázisokkal, adatvizualizációval és egyszerű prediktív elemzéssel (regressziók, klaszterezés és döntési fák). Lássa, hogyan kezelik a tipikus adatelemzési problémákat. És próbáld ki a saját megoldásaidat különböző közepes méretű projektekben, amelyeken szórakoztató dolgozni, és jól mutatnak az önéletrajzodban.
Tartsd magad mellett ezt a praktikus gyors útmutatót, akár diák vagy, akár az R-ről Pythonra áttérő, kezdő adattudományi szakember, akár tapasztalt Python-fejlesztő, aki nem akar minden funkciót és opciót megjegyezni.
Amire szükséged van:
Szükséged van egy megfelelő Python 3 disztribúcióra. 3 vagy annál magasabb, amely legalább az NLTK-t, Pandas-t, NumPy-t, Matplotlib-et, Networkx-et, SciKit-Learn-t és BeautifulSoup-ot tartalmazza. Egy nagyszerű disztribúció, amely megfelel a követelményeknek, az Anaconda, amely ingyenesen elérhető a www.continuum. io oldalon. Ha saját adatbázis-szerverek felállítását tervezzük, akkor szükségünk lesz még a MySQL-re (www.mysql.com) és a MongoDB-re (www.mongodb.com). Mindkét csomag ingyenes, és Windows, Linux és Mac OS rendszereken futnak.
