Gyakorlati útmutató az adattudományhoz: Az adattudományi megoldások racionalizálása Python, Scikit-Learn és Azure ML Service Platform használatával

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 5 olvasói szavazat alapján történt.

Eredeti címe:

Practitioner's Guide to Data Science: Streamlining Data Science Solutions using Python, Scikit-Learn, and Azure ML Service Platform

Könyv tartalma:

"Hogyan kell megvalósítani az adattudományi projektet?" soha nem volt még ennyire koncepciózus, hála az ebben a könyvben bemutatott munkának. Ez a könyv alapos betekintést nyújt a világ adatainak jelenlegi állapotába, és abba, hogy az Adattudomány kulcsszerepet játszik minden tevékenységünkben.

Ez a könyv elmagyarázza és megvalósítja a teljes Data Science életciklust olyan jól ismert adattudományi folyamatok segítségével, mint a CRISP-DM és a Microsoft TDSP. A könyv elmagyarázza ezeknek a folyamatoknak a jelentőségét az Adattudományi projektek magas kudarcarányával kapcsolatban.

A könyv segít szilárd alapokat teremteni az Adattudomány fogalmaiban és a kapcsolódó keretrendszerekben. Megtanítja, hogyan lehet valós felhasználási eseteket megvalósítani a HMDA-adatkészlet adatainak felhasználásával. Elmagyarázza az Azure ML Service architektúráját, képességeit és megvalósítását a DS-csapat számára, akik így felkészülten vághatnak bele az MLOps megvalósításába. A könyv azt is elmagyarázza, hogyan használhatjuk az Azure DevOps-ot, hogy a folyamatot megismételhetővé tegyük, miközben a folyamatot végigvesszük.

A könyv végére erős Python-kódolási készségeket sajátíthat el, biztos fogalmakat szerezhet az olyan fogalmakról, mint a feature engineering, tanulságos vizualizációkat készíthet, és megismerkedhet a gépi tanulási modellek építésének technikáival.

TARTALOMJEGYZÉK

1. Adattudomány az üzleti életben.

2. Adattudományi projektmódszertanok és csapatfolyamatok.

3. Üzleti megértés és adattájékozódás.

4. Az adatok beszerzése, feltárása és elemzése.

5. Az adatok előfeldolgozása és előkészítése.

6. Gépi tanulási modell kidolgozása.

7. Az Azure ML szolgáltatás körbejárása.

8. Modellek telepítése és kezelése.