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

• Windows Media Center. Domowe centrum rozrywki 66,67 zł, (8,00 zł -88%)
• Ruby on Rails. Ćwiczenia 18,75 zł, (3,00 zł -84%)
• DevOps w praktyce. Kurs video. Jenkins, Ansible, Terraform i Docker 190,00 zł, (39,90 zł -79%)
• Przywództwo w świecie VUCA. Jak być skutecznym liderem w niepewnym środowisku 58,64 zł, (12,90 zł -78%)
• Scrum. O zwinnym zarządzaniu projektami. Wydanie II rozszerzone 58,64 zł, (12,90 zł -78%)

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