reklama - zainteresowany?

Data Science od podstaw. Analiza danych w Pythonie - Helion

Data Science od podstaw. Analiza danych w Pythonie
Autor: Joel Grus
Tytuł oryginału: Data Science from Scratch: First Principles with Python
ISBN: 978-83-283-4602-4
okładka: miękka
Data wydania: 2018-07-01
Księgarnia: Helion

Cena książki: 57,00 zł

Dodaj do koszyka Data Science od podstaw. Analiza danych w Pythonie

Dodaj do koszyka Data Science od podstaw. Analiza danych w Pythonie

 

Osoby które kupowały "Data Science od podstaw. Analiza danych w Pythonie", wybierały także:

  • Jak zhakowa
  • Biologika Sukcesji Pokoleniowej. Sezon 3. Konflikty na terytorium
  • Windows Media Center. Domowe centrum rozrywki
  • Podręcznik startupu. Budowa wielkiej firmy krok po kroku
  • Ruby on Rails. Ćwiczenia

Dodaj do koszyka Data Science od podstaw. Analiza danych w Pythonie

Spis treści

Data science od podstaw. Analiza danych w Pythonie -- spis treści

  • Przedmowa
    • Data science
    • Od podstaw
    • Konwencje typograficzne przyjęte w tej książce
    • Dodatkowe materiały do pobrania
    • Podziękowania
  • Rozdział 1. Wprowadzenie
    • Znaczenie danych
    • Czym jest analiza danych?
    • Hipotetyczna motywacja
      • Określanie najważniejszych węzłów
      • Analitycy, których możesz znać
      • Wynagrodzenie i doświadczenie
      • Płatne konta
      • Tematy interesujące użytkowników
      • Co dalej?
  • Rozdział 2. Błyskawiczny kurs Pythona
    • Podstawy
      • Skąd wziąć interpreter Pythona?
      • Zasady tworzenia kodu Pythona
      • Formatowanie za pomocą białych znaków
      • Moduły
      • Operacje arytmetyczne
      • Polskie znaki diakrytyczne
      • Funkcje
      • Łańcuchy
      • Wyjątki
      • Listy
      • Krotki
      • Słowniki
      • Zbiory
      • Przepływ sterowania
      • Wartości logiczne
    • Bardziej skomplikowane zagadnienia
      • Sortowanie
      • Składanie list
      • Generatory i iterator
      • Losowość
      • Wyrażenia regularne
      • Programowanie obiektowe
      • Narzędzia funkcyjne
      • enumerate
      • Funkcja zip i rozpakowywanie argumentów
      • Argumenty nazwane i nienazwane
      • Witaj w firmie DataSciencester!
    • Dalsza eksploracja
  • Rozdział 3. Wizualizacja danych
    • Pakiet matplotlib
    • Wykres słupkowy
    • Wykresy liniowe
    • Wykresy punktowe
    • Dalsza eksploracja
  • Rozdział 4. Algebra liniowa
    • Wektory
    • Macierze
    • Dalsza eksploracja
  • Rozdział 5. Statystyka
    • Opis pojedynczego zbioru danych
      • Tendencje centralne
      • Dyspersja
    • Korelacja
    • Paradoks Simpsona
    • Inne pułapki związane z korelacją
    • Korelacja i przyczynowość
    • Dalsza eksploracja
  • Rozdział 6. Prawdopodobieństwo
    • Zależność i niezależność
    • Prawdopodobieństwo warunkowe
    • Twierdzenie Bayesa
    • Zmienne losowe
    • Ciągły rozkład prawdopodobieństwa
    • Rozkład normalny
    • Centralne twierdzenie graniczne
    • Dalsza eksploracja
  • Rozdział 7. Hipotezy i wnioski
    • Sprawdzanie hipotez
    • Przykład: rzut monetą
    • Przedziały ufności
    • Hakowanie wartości p
    • Przykład: przeprowadzanie testu A-B
    • Wnioskowanie bayesowskie
    • Dalsza eksploracja
  • Rozdział 8. Metoda gradientu prostego
    • Podstawy metody gradientu prostego
    • Szacowanie gradientu
    • Korzystanie z gradientu
    • Dobór właściwego rozmiaru kroku
    • Łączenie wszystkich elementów
    • Stochastyczna metoda gradientu prostego
    • Dalsza eksploracja
  • Rozdział 9. Uzyskiwanie danych
    • Strumienie stdin i stdout
    • Wczytywanie plików
      • Podstawowe zagadnienia dotyczące plików tekstowych
      • Pliki zawierające dane rozdzielone separatorem
    • Pobieranie danych ze stron internetowych
      • HTML i parsowanie
      • Przykład: książki wydawnictwa OReilly dotyczące analizy danych
    • Korzystanie z interfejsów programistycznych
      • Format JSON (i XML)
      • Korzystanie z interfejsu programistycznego bez uwierzytelniania
      • Poszukiwanie interfejsów programistycznych
    • Przykład: korzystanie z interfejsów programistycznych serwisu Twitter
      • Uzyskiwanie danych uwierzytelniających
    • Dalsza eksploracja
  • Rozdział 10. Praca z danymi
    • Eksploracja danych
      • Eksploracja danych jednowymiarowych
      • Dwa wymiary
      • Wiele wymiarów
    • Oczyszczanie i wstępne przetwarzanie danych
    • Przetwarzanie danych
    • Przeskalowanie
    • Redukcja liczby wymiarów
    • Dalsza eksploracja
  • Rozdział 11. Uczenie maszynowe
    • Modelowanie
    • Czym jest uczenie maszynowe?
    • Nadmierne i zbyt małe dopasowanie
    • Poprawność
    • Kompromis pomiędzy wartością progową a wariancją
    • Ekstrakcja i selekcja cech
    • Dalsza eksploracja
  • Rozdział 12. Algorytm k najbliższych sąsiadów
    • Model
    • Przykład: ulubione języki
    • Przekleństwo wymiarowości
    • Dalsza eksploracja
  • Rozdział 13. Naiwny klasyfikator bayesowski
    • Bardzo prosty filtr antyspamowy
    • Bardziej zaawansowany filtr antyspamowy
    • Implementacja
    • Testowanie modelu
    • Dalsza eksploracja
  • Rozdział 14. Prosta regresja liniowa
    • Model
    • Korzystanie z algorytmu spadku gradientowego
    • Szacowanie maksymalnego prawdopodobieństwa
    • Dalsza eksploracja
  • Rozdział 15. Regresja wieloraka
    • Model
    • Dalsze założenia dotyczące modelu najmniejszych kwadratów
    • Dopasowywanie modelu
    • Interpretacja modelu
    • Poprawność dopasowania
    • Dygresja: ładowanie wstępne
    • Błędy standardowe współczynników regresji
    • Regularyzacja
    • Dalsza eksploracja
  • Rozdział 16. Regresja logistyczna
    • Problem
    • Funkcja logistyczna
    • Stosowanie modelu
    • Poprawność dopasowania
    • Maszyny wektorów nośnych
    • Dalsza eksploracja
  • Rozdział 17. Drzewa decyzyjne
    • Czym jest drzewo decyzyjne?
    • Entropia
    • Entropia podziału
    • Tworzenie drzewa decyzyjnego
    • Łączenie wszystkiego w całość
    • Lasy losowe
    • Dalsza eksploracja
  • Rozdział 18. Sztuczne sieci neuronowe
    • Perceptrony
    • Jednokierunkowe sieci neuronowe
    • Propagacja wsteczna
    • Przykład: pokonywanie zabezpieczenia CAPTCHA
    • Dalsza eksploracja
  • Rozdział 19. Grupowanie
    • Idea
    • Model
    • Przykład: spotkania
    • Wybór wartości parametru k
    • Przykład: grupowanie kolorów
    • Grupowanie hierarchiczne z podejściem aglomeracyjnym
    • Dalsza eksploracja
  • Rozdział 20. Przetwarzanie języka naturalnego
    • Chmury wyrazowe
    • Modele n-gram
    • Gramatyka
    • Na marginesie: próbkowanie Gibbsa
    • Modelowanie tematu
    • Dalsza eksploracja
  • Rozdział 21. Analiza sieci społecznościowych
    • Pośrednictwo
    • Centralność wektorów własnych
      • Mnożenie macierzy
      • Centralność
    • Grafy skierowane i metoda PageRank
    • Dalsza eksploracja
  • Rozdział 22. Systemy rekomendujące
    • Ręczne rozwiązywanie problemu
    • Rekomendowanie tego, co jest popularne
    • Filtrowanie kolaboratywne oparte na użytkownikach
    • Filtrowanie kolaboratywne oparte na zainteresowaniach
    • Dalsza eksploracja
  • Rozdział 23. Bazy danych i SQL
    • Polecenia CREATE TABLE i INSERT
    • Polecenie UPDATE
    • Polecenie DELETE
    • Polecenie SELECT
    • Polecenie GROUP BY
    • Polecenie ORDER BY
    • Polecenie JOIN
    • Zapytania składowe
    • Indeksy
    • Optymalizacja zapytań
    • Bazy danych NoSQL
    • Dalsza eksploracja
  • Rozdział 24. Algorytm MapReduce
    • Przykład: liczenie słów
    • Dlaczego warto korzystać z algorytmu MapReduce?
    • Algorytm MapReduce w ujęciu bardziej ogólnym
    • Przykład: analiza treści statusów
    • Przykład: mnożenie macierzy
    • Dodatkowe informacje: zespalanie
    • Dalsza eksploracja
  • Rozdział 25. Praktyka czyni mistrza
    • IPython
    • Matematyka
    • Korzystanie z gotowych rozwiązań
      • NumPy
      • pandas
      • scikit-learn
      • Wizualizacja
      • R
    • Szukanie danych
    • Zabierz się za analizę
      • Hacker News
      • Wozy straży pożarnej
      • Koszulki
      • A Ty?
    • O autorze
    • Kolofon

Dodaj do koszyka Data Science od podstaw. Analiza danych w Pythonie

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2025 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.