|
||
Strona główna > opis książki
podział tematyczny • wydawnictwa anglojęzyczne podział tematyczny Newsletter: • Zamów informacje o nowościach z wybranego tematu Informacje: • sposoby płatności i dostawy • kontakt • Cookies na stronie • Regulamin zakupów Szukasz książki? Pomożemy Ci! Zadzwoń 512 994 090 Napisz poczta@ksiazki24h.pl |
DATA SCIENCE OD PODSTAW ANALIZA DANYCH W PYTHONIEGRUS J.wydawnictwo: HELION , rok wydania 2020, wydanie IIcena netto: Data science od podstaw Analiza danych w Pythonie Analityka danych jest uważana za wyjątkowo obiecującą dziedzinę wiedzy. Rozwija się błyskawicznie i znajduje coraz to nowsze zastosowania. Profesjonaliści biegli w eksploracji danych i wydobywaniu z nich pożytecznych informacji mogą liczyć na interesującą pracę i bardzo atrakcyjne warunki zatrudnienia. Jednak aby zostać analitykiem danych, trzeba znać matematykę i statystykę, a także nauczyć się programowania. Umiejętności w zakresie uczenia maszynowego i uczenia głębokiego również są ważne. W przypadku tak specyficznej dziedziny, jaką jest nauka o danych, szczególnie istotne jest zdobycie gruntownych podstaw i dogłębne ich zrozumienie. W tym przewodniku opisano zagadnienia związane z podstawami nauki o danych. Wyjaśniono niezbędne elementy matematyki i statystyki. Przedstawiono także techniki budowy potrzebnych narzędzi i sposoby działania najistotniejszych algorytmów. Książka została skonstruowana tak, aby poszczególne implementacje były jak najbardziej przejrzyste i zrozumiałe. Zamieszczone tu przykłady napisano w Pythonie: jest to język dość łatwy do nauki, a pracę na danych ułatwia szereg przydatnych bibliotek Pythona. W drugim wydaniu znalazły się nowe tematy, takie jak uczenie głębokie, statystyka i przetwarzanie języka naturalnego, a także działania na ogromnych zbiorach danych. Zagadnienia te często pojawiają się w pracy współczesnego analityka danych. W książce między innymi:
Przedmowa do drugiego wydania 11 Przedmowa do pierwszego wydania 14 1. Wprowadzenie 17 Znaczenie danych 17 Czym jest analiza danych? 17 Hipotetyczna motywacja 18 Określanie najważniejszych węzłów 19 Analitycy, których możesz znać 21 Wynagrodzenie i doświadczenie 23 Płatne konta 25 Tematy interesujące użytkowników 26 Co dalej? 27 2. Błyskawiczny kurs Pythona 29 Zasady tworzenia kodu Pythona 29 Skąd wziąć interpreter Pythona? 30 Środowiska wirtualne 30 Formatowanie za pomocą białych znaków 31 Moduły 32 Polskie znaki diakrytyczne 33 Funkcje 33 Łańcuchy 34 Wyjątki 35 Listy 35 Krotki 36 Słowniki 37 defaultdict 38 Counter 39 Zbiory 39 Przepływ sterowania 40 Wartości logiczne 41 Sortowanie 42 Składanie list 42 Testy automatyczne i instrukcja assert 43 Programowanie obiektowe 43 Obiekty iterowalne i generatory 45 Losowość 46 Wyrażenia regularne 47 Narzędzia funkcyjne 48 Funkcja zip i rozpakowywanie argumentów 48 Argumenty nazwane i nienazwane 49 Adnotacje typów 50 Jak pisać adnotacje typów 52 Witaj w firmie DataSciencester! 53 Dalsza eksploracja 53 3. Wizualizacja danych 55 Pakiet matplotlib 55 Wykres słupkowy 57 Wykresy liniowe 60 Wykresy punktowe 60 Dalsza eksploracja 63 4. Algebra liniowa 65 Wektory 65 Macierze 69 Dalsza eksploracja 71 5. Statystyka 73 Opis pojedynczego zbioru danych 73 Tendencje centralne 74 Dyspersja 76 Korelacja 78 Paradoks Simpsona 80 Inne pułapki związane z korelacją 81 Korelacja i przyczynowość 81 Dalsza eksploracja 82 6. Prawdopodobieństwo 83 Zależność i niezależność 83 Prawdopodobieństwo warunkowe 84 Twierdzenie Bayesa 85 Zmienne losowe 87 Ciągły rozkład prawdopodobieństwa 87 Rozkład normalny 89 Centralne twierdzenie graniczne 91 Dalsza eksploracja 93 7. Hipotezy i wnioski 95 Sprawdzanie hipotez 95 Przykład: rzut monetą 95 Wartości p 98 Przedziały ufności 99 Hakowanie wartości p 100 Przykład: przeprowadzanie testu A-B 101 Wnioskowanie bayesowskie 102 Dalsza eksploracja 105 8. Metoda gradientu prostego 107 Podstawy metody gradientu prostego 107 Szacowanie gradientu 108 Korzystanie z gradientu 111 Dobór właściwego rozmiaru kroku 111 Używanie metody gradientu do dopasowywania modeli 112 Metody gradientu prostego: stochastyczna i minibatch 113 Dalsza eksploracja 114 9. Uzyskiwanie danych 117 Strumienie stdin i stdout 117 Wczytywanie plików 119 Podstawowe zagadnienia dotyczące plików tekstowych 119 Pliki zawierające dane rozdzielone separatorem 120 Pobieranie danych ze stron internetowych 122 HTML i parsowanie 122 Przykład: wypowiedzi kongresmenów 124 Korzystanie z interfejsów programistycznych 126 Format JSON (i XML) 126 Korzystanie z interfejsu programistycznego bez uwierzytelniania 127 Poszukiwanie interfejsów programistycznych 128 Przykład: korzystanie z interfejsów programistycznych serwisu Twitter 128 Uzyskiwanie danych uwierzytelniających 129 Dalsza eksploracja 132 10. Praca z danymi 133 Eksploracja danych 133 Eksploracja danych jednowymiarowych 133 Dwa wymiary 135 Wiele wymiarów 136 Wykorzystanie klasy NamedTuple 137 Dekorator dataclass 139 Oczyszczanie i wstępne przetwarzanie danych 140 Przetwarzanie danych 141 Przeskalowanie 144 Dygresja: tqdm 145 Redukcja liczby wymiarów 146 Dalsza eksploracja 151 11. Uczenie maszynowe 153 Modelowanie 153 Czym jest uczenie maszynowe? 154 Nadmierne i zbyt małe dopasowanie 154 Poprawność 157 Kompromis pomiędzy wartością progową a wariancją 159 Ekstrakcja i selekcja cech 161 Dalsza eksploracja 162 12. Algorytm k najbliższych sąsiadów 163 Model 163 Przykład: dane dotyczące irysów 165 Przekleństwo wymiarowości 168 Dalsza eksploracja 171 13. Naiwny klasyfikator bayesowski 173 Bardzo prosty filtr antyspamowy 173 Bardziej zaawansowany filtr antyspamowy 174 Implementacja 175 Testowanie modelu 177 Używanie modelu 178 Dalsza eksploracja 180 14. Prosta regresja liniowa 181 Model 181 Korzystanie z algorytmu spadku gradientowego 184 Szacowanie maksymalnego prawdopodobieństwa 185 Dalsza eksploracja 185 15. Regresja wieloraka 187 Model 187 Dalsze założenia dotyczące modelu najmniejszych kwadratów 188 Dopasowywanie modelu 189 Interpretacja modelu 190 Poprawność dopasowania 191 Dygresja: ładowanie wstępne 192 Błędy standardowe współczynników regresji 193 Regularyzacja 194 Dalsza eksploracja 196 16. Regresja logistyczna 197 Problem 197 Funkcja logistyczna 199 Stosowanie modelu 201 Poprawność dopasowania 202 Maszyny wektorów nośnych 203 Dalsza eksploracja 206 17. Drzewa decyzyjne 207 Czym jest drzewo decyzyjne? 207 Entropia 209 Entropia podziału 211 Tworzenie drzewa decyzyjnego 211 Łączenie wszystkiego w całość 214 Lasy losowe 216 Dalsza eksploracja 217 18. Sztuczne sieci neuronowe 219 Perceptrony 219 Jednokierunkowe sieci neuronowe 221 Propagacja wsteczna 224 Przykład: Fizz Buzz 226 Dalsza eksploracja 228 19. Uczenie głębokie 229 Tensor 229 Abstrakcja Layer 231 Warstwa Linear 233 Sieci neuronowe jako sekwencje warstw 235 Abstrakcja Loss i optymalizacja 235 Przykład: kolejne podejście do bramki XOR 237 Inne funkcje aktywacji 238 Przykład: kolejne podejście do gry Fizz Buzz 239 Funkcja softmax i entropia krzyżowa 240 Dropout 242 Przykład: MNIST 243 Zapisywanie i wczytywanie modeli 246 Dalsza eksploracja 247 20. Grupowanie 249 Idea 249 Model 250 Przykład: spotkania 252 Wybór wartości parametru k 253 Przykład: grupowanie kolorów 255 Grupowanie hierarchiczne z podejściem aglomeracyjnym 257 Dalsza eksploracja 261 21. Przetwarzanie języka naturalnego 263 Chmury wyrazowe 263 Modele n-gram 264 Gramatyka 267 Na marginesie: próbkowanie Gibbsa 269 Modelowanie tematu 271 Wektory słów 275 Rekurencyjne sieci neuronowe 283 Przykład: używanie rekurencyjnej sieci neuronowej na poziomie pojedynczych znaków 285 Dalsza eksploracja 288 22. Analiza sieci społecznościowych 289 Pośrednictwo 289 Centralność wektorów własnych 294 Mnożenie macierzy 294 Centralność 295 Grafy skierowane i metoda PageRank 297 Dalsza eksploracja 299 23. Systemy rekomendujące 301 Ręczne rozwiązywanie problemu 301 Rekomendowanie tego, co jest popularne 302 Filtrowanie kolaboratywne oparte na użytkownikach 303 Filtrowanie kolaboratywne oparte na zainteresowaniach 305 Faktoryzacja macierzy 307 Dalsza eksploracja 311 24. Bazy danych i SQL 313 Polecenia CREATE TABLE i INSERT 313 Polecenie UPDATE 316 Polecenie DELETE 316 Polecenie SELECT 317 Polecenie GROUP BY 319 Polecenie ORDER BY 321 Polecenie JOIN 322 Zapytania składowe 324 Indeksy 324 Optymalizacja zapytań 325 Bazy danych NoSQL 326 Dalsza eksploracja 326 25. Algorytm MapReduce 327 Przykład: liczenie słów 327 Dlaczego warto korzystać z algorytmu MapReduce? 329 Algorytm MapReduce w ujęciu bardziej ogólnym 330 Przykład: analiza treści statusów 331 Przykład: mnożenie macierzy 332 Dodatkowe informacje: zespalanie 334 Dalsza eksploracja 334 26. Etyka przetwarzania danych 335 Czym jest etyka danych? 335 Ale tak naprawdę to czym jest etyka danych? 336 Czy powinienem przejmować się etyką danych? 336 Tworzenie złych produktów wykorzystujących dane 337 Kompromis między dokładnością a uczciwością 337 Współpraca 339 Interpretowalność 339 Rekomendacje 340 Tendencyjne dane 340 Ochrona danych 341 Podsumowanie 342 Dalsza eksploracja 342 27. Praktyka czyni mistrza 343 IPython 343 Matematyka 343 Korzystanie z gotowych rozwiązań 344 NumPy 344 pandas 344 scikit-learn 344 Wizualizacja 345 R 345 Uczenie głębokie 346 Szukanie danych 346 Zabierz się za analizę 346 Hacker News 347 Wozy straży pożarnej 347 Koszulki 347 Tweety na kuli ziemskiej 348 A Ty? 348 352 strony, Format: 17.0x24.0cm, oprawa miękka
Po otrzymaniu zamówienia poinformujemy, |
