Értékelés:
A könyvet általában jól fogadják az adattudomány és az adatelemzés kezdői, dicsérik könnyű olvashatóságát és az alapvető fogalmak és eszközök széles körű lefedettségét. Sok kritikus értékeli a gyakorlati Python kódpéldák szerepeltetését és a kezdeti beállításoktól a gépi tanulásig terjedő témák strukturált megközelítését. Számos kritika azonban kiemeli a könyv mélységének hiányát, a hibák jelenlétét, valamint az ábrák és illusztrációk minőségével kapcsolatos problémákat.
Előnyök:Könnyen olvasható és érthető, így kezdők számára is alkalmas.
Hátrányok:Átfogó bevezetés az adattudományi fogalmakba és eszközökbe.
(13 olvasói vélemény alapján)
Python Data Analysis - Third Edition: Perform data collection, data processing, wrangling, visualization, and model building using Python
Értse meg az adatelemzési csővezetékeket a gépi tanulási algoritmusok és technikák segítségével ezzel a gyakorlati útmutatóval
Főbb jellemzők:
⬤ Készítse elő és tisztítsa meg adatait, hogy feltáró elemzésre, adatmanipulációra és adatfeldolgozásra használhassa őket.
⬤ Fedezze fel a felügyelt, felügyelet nélküli, valószínűségi és Bayes-féle gépi tanulási módszereket.
⬤ Kezdje meg a gráffeldolgozást és az érzéselemzést.
Könyvismertető:
Az adatelemzés lehetővé teszi, hogy új minták és trendek felfedezésével értéket teremtsen a kis és nagy adatokból, és a Python az egyik legnépszerűbb eszköz a legkülönfélébb adatok elemzéséhez. Ezzel a könyvvel a Python adatelemzési célú használatába vághat bele az adatelemzésben használt különböző fázisok és módszertanok feltárásával, és megtanulhatja, hogyan használhatja a Python ökoszisztéma modern könyvtárait hatékony adatpipeline-ok létrehozásához.
Az alapvető statisztikai és adatelemzési alapokkal kezdve a Python használatával komplex adatelemzést és modellezést, adatmanipulációt, adattisztítást és adatvizualizálást végezhet, könnyen követhető példák segítségével. Ezután megérti, hogyan végezhet idősorelemzést és jelfeldolgozást ARMA-modellek segítségével. Ahogy haladsz előre, megismerkedsz az intelligens feldolgozással és az adatelemzéssel olyan gépi tanulási algoritmusok segítségével, mint a regresszió, az osztályozás, a főkomponens-elemzés (PCA) és a klaszterezés. A befejező fejezetekben valós példákon dolgozhat szöveges és képi adatok elemzésével, természetes nyelvfeldolgozási (NLP), illetve képelemzési technikák alkalmazásával. Végül a könyv bemutatja a párhuzamos számítást a Dask használatával.
Ennek az adatelemzési könyvnek a végére olyan készségekkel lesz felvértezve, amelyekkel előkészítheti az adatokat az elemzéshez, és értelmes adatvizualizációkat készíthet az adatokból értékek előrejelzéséhez.
Amit tanulni fog:
⬤ Tudja meg az adattudományt és annak különböző folyamatmodelljeit.
⬤ Adatmanipulációt végezzen a NumPy és a pandas segítségével az aggregáláshoz, tisztításhoz és a hiányzó értékek kezeléséhez.
⬤ Interaktív vizualizációk készítése Matplotlib, Seaborn és Bokeh használatával.
⬤ Adatok lekérdezése, feldolgozása és tárolása a legkülönbözőbb formátumokban.
⬤ Az adatok előfeldolgozásának és a funkciótervezésnek a pandas és a scikit-learn használatával történő megismerése.
⬤ Idősorelemzés és jelfeldolgozás végzése napfoltciklus-adatok felhasználásával.
⬤ Szöveges adatok és képi adatok elemzése fejlett elemzések elvégzéséhez.
⬤ Felkészüljön a párhuzamos számítástechnika használatára a Dask segítségével.
Kinek szól ez a könyv:
Ez a könyv adatelemzőknek, üzleti elemzőknek, statisztikusoknak és adattudósoknak szól, akik meg akarják tanulni, hogyan használhatják a Pythont adatelemzésre. A hallgatók és az egyetemi tanszékek is hasznosnak találják ezt a könyvet a Python adatelemzés gyakorlatias megközelítésű elsajátításához és tanításához. A matematikai alapismeretek és a Python programozási nyelv működő ismerete segít a könyvvel való ismerkedésben.