Gyakorlati adattudomány Python 3-mal: Az adatokból származó hasznosítható meglátások szintetizálása

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.

Eredeti címe:

Practical Data Science with Python 3: Synthesizing Actionable Insights from Data

Könyv tartalma:

1. fejezet. Bevezetés az adattudománybaAz oldalak száma: Ez a fejezet bemutatja az olvasót az adattudománynak, és ismerteti az adatokkal való munka főbb szakaszait (gyűjtés, feltárás, előfeldolgozás, vizualizálás, előrejelzés és következtetés). Meghatározza a közös elvárásokat, hogy mi alkotja az adattudomány területét. Ez a fejezet részletesen kitér az Anaconda IDE-re, amelyet a könyvben használni fogunk.

2. fejezet. AdatgyűjtésSzám: Oldalak száma: Ez a fejezet bemutatja az olvasónak, hogyan lehet adatokat lekérni és tárolni különböző adatforrásokból/adatforrásokba: szöveges fájlok (beleértve a különböző formátumokat, mint a CSV, XML és JSON), bináris fájlok (beleértve az Apache Avro-t), webes elérésű adatok, relációs adatbázisok, NoSQL-adatbázisok, Apache Arrow (mint hatékony és újszerű oszlopos adattároló rendszer), multimodális adatbázisok és hálózati adatbázisok. Ez a fejezet bemutatja a BeautifulSoup-ot is az XML és a HTML feldolgozásához.

3. fejezet. Alapvető adatfeldolgozásAz oldalak száma: 40Ezek a tudományos számításokhoz és adatfeldolgozáshoz használt szabványos Python-könyvtárak. A NumPy magában foglal mindenféle adatszerkezetet, amelyre az adatelemzés során szükség van. Itt olyan példákat mutatunk be, amelyek megvilágítják a kifinomult keretrendszerek és az újrafelhasználáson alapuló szoftverfejlesztés fontosságát az adattudomány területén.

4. fejezet. A munka dokumentálásaAz oldalak száma: Ez a fejezet bemutatja az adatelemzés legnépszerűbb számítástechnikai környezetét. Lehetővé teszi az eredmények megosztását az adattudósok között, könnyen reprodukálható módon.

5. fejezet. Az adatok transzformálása és csomagolásaSzám: Oldalak: Ez a fejezet egy kritikus adattudományi keretrendszert világít meg, amely a NumPy-ra épül. Kiváló adatstruktúrákat biztosít az adatkeretek és adatsorok kezeléséhez.

6. fejezet. VizualizációAz oldalak száma: Ez a fejezet az adatok vizualizálásának különböző módjait mutatja be; az összefoglaló statisztikák vagy a táblázatos ábrázolások csak korlátozott értékkel bírnak az adatok feltárásában. A következő keretrendszerek lesznek a fejezet témája: Matplotlib, glueviz, Bokeh és orange3. A vizualizáció mind a feltáró elemzés során, mind a hatékony jelentések készítésekor fontos.

7. fejezet. Előrejelzés és következtetésAz oldalak száma: Ez a fejezet az adattudományi erőfeszítések megfelelő skálázásához szükséges összes technikáról és technológiáról szól. Megtanítja az olvasókat arra, hogyan hozzanak létre olyan rendszereket, amelyek láthatatlan adatokon válaszokat fogalmazhatnak meg, vagy rejtett mintákat találhatnak az adatokban. Kitér a felügyelt, a felügyelet nélküli, a mély és a megerősítéses tanulási módszerekre. Emellett bemutatja az Apache Sparkot az MLib-vel (kötegelt és stream üzemmódban egyaránt), valamint a TensorFlow-t. A következő keretrendszerek is témája lesz ennek a fejezetnek: XGBoost, sci-kit learn és Keras a PyTorch-csal.

8. fejezet. Hálózati elemzésAz oldalak száma: 40Ez a fejezet az összetett hálózatok és gráfok elemzésének módjait vizsgálja. Ez a fejezet bemutatja az Apache Spark GraphX-et, az Apache Giraph-ot és a NetworkX-et. Ez a fejezet bemutatja a spektrális gráfelemzést is, amely egy érdekes közelítő, nem lineáris és nem parametrikus gépi tanulási módszer.

9. fejezet. Adattudományi folyamatmérnökségAz oldalak száma: Ez a fejezet azt fejti ki, hogyan lehet a csapatok által használt adattudományi gyakorlatokat/módszereket az OMG Essence segítségével megosztani és testre szabni.

10. fejezet. Multi-agent rendszerek, játékelmélet és gépi tanulásAz oldalak száma: Ez a fejezet olyan fejlett adatközpontú alkalmazásokat vizsgál, ahol az adatokat önirányított intelligens ágensek állítják elő és fogyasztják. A fejezet megismerteti az olvasót a multiágens rendszerek fogalmával, a játékelméleti módszerekkel és modellekkel, valamint a kapcsolódó tanulási algoritmusokkal.

11. fejezet. Valószínűségi grafikus modellekNumbe.