Python Data Science Essentials

Olvasói vélemények

A Python adattudományról szóló könyv vegyes értékeléseket kapott a felhasználóktól, kiemelve a gyakorlati útmutatás és a strukturált tanulás terén rejlő erősségeit, ugyanakkor a tartalmi hibák és az elégtelen frissítések miatt kritikával is szembesült.

Az olvasók értékelik a világos írásmódot, a gyakorlati példákat és a témák hatékony szervezését. Megjegyezték, hogy mind a kezdők, mind a tapasztalt felhasználók számára hasznos, akik fel akarják frissíteni tudásukat. A könyv az adattudomány alapvető fogalmait tárgyalja, és tartalmaz egy szakaszt a haladó témákról, például a korlátozott Boltzmann-gépekről.

Néhány felhasználó kritizálta a könyvet, hogy számos hibát tartalmaz a kódpéldákban, a szerző nem nyújt támogatást ezekkel a kérdésekkel kapcsolatban, és hogy a hivatkozások elavultak (pl. nem foglalkozik az IPython Notebookról a Jupyterre való áttéréssel). Ezenkívül nem biztos, hogy elég átfogó a nulláról induló teljesen kezdők számára.

(6 olvasói vélemény alapján)

Könyv tartalma:

Kulcsjellemzők Gyorsan megismerkedhet az adattudományokkal a Python használatával Időt - és erőfeszítést - takaríthat meg az összes alapvető eszköz ismertetésével Hatékony adattudományi projektek létrehozása és a gyakori buktatók elkerülése a tapasztalatok által diktált példák és tippek segítségével Könyv leírása

A könyv az alapvető adattudományi eszköztár beállításának bemutatásával kezdődik. Ezután végigvezeti Önt az adatmungózás és előfeldolgozás valamennyi fázisán. Mindezt úgy teszi, hogy elmagyarázza az adatok betöltésével, átalakításával és elemzésre való rögzítésével, valamint feltárásával és feldolgozásával kapcsolatos összes alapvető adattudományi tevékenységet. Végül az áttekintést azzal teszi teljessé, hogy bemutatja a főbb gépi tanulási algoritmusokat, a gráfelemzés technikai tudnivalóit és az összes olyan vizualizációs eszközt, amelyek megkönnyíthetik az életét az eredmények bemutatásában.

Ebben az adattudományi projektként felépített sétában mindig világos kód és egyszerűsített példák kísérik, hogy segítsenek megérteni a mögöttes mechanikát és a valós adathalmazokat. Amit megtanulhatsz Az adattudományi eszköztár beállítása a Python tudományos környezet használatával Windowson, Macen és Linuxon Az adatok előkészítése az adattudományi projekthez Az adatok kezelése, javítása és feltárása az adattudományi problémák megoldása érdekében Kísérleti csővezeték beállítása az adattudományi hipotézis teszteléséhez Válassza ki a leghatékonyabb és skálázható tanulási algoritmust az adattudományi feladataihoz Optimalizálja a gépi tanulási modelleket a legjobb teljesítmény elérése érdekében Fedezze fel és klaszterezze a gráfokat, kihasználva az adatokban lévő összeköttetéseket és kapcsolatokat Tartalomjegyzék Első lépések Az adatmunka Az adattudományi csővezeték Gépi tanulás Közösségi hálózatelemzés Vizualizáció