Poznaj Data Science. Przekszta - Helion
ebook
Autor: Deborah Nolan, Joseph Gonzalez, Sam LauISBN: 9788375415636
stron: 634, Format: ebook
Data wydania: 2024-12-13
Ksi臋garnia: Helion
Cena ksi膮偶ki: 113,40 z艂 (poprzednio: 124,62 z艂)
Oszcz臋dzasz: 9% (-11,22 z艂)
Jako ambitny Data Scientist, czyli danetyk, rozumiesz, dlaczego organizacje polegaj
Osoby kt贸re kupowa艂y "Poznaj Data Science. Przekszta", wybiera艂y tak偶e:
- Superinteligencja. Scenariusze, strategie, zagro 69,00 z艂, (20,70 z艂 -70%)
- Getting Things Programmed. Droga do efektywno艣ci 34,90 z艂, (10,47 z艂 -70%)
- Poradnik design thinking - czyli jak wykorzysta 49,90 z艂, (14,97 z艂 -70%)
- F# 4.0 dla zaawansowanych. Wydanie IV 96,45 z艂, (29,90 z艂 -69%)
- Systemy reaktywne. Wzorce projektowe i ich stosowanie 65,31 z艂, (20,90 z艂 -68%)
Spis tre艣ci
Poznaj Data Science. Przekszta艂canie, eksplorowanie, wizualizacja i modelowanie danych w Pythonie eBook -- spis tre艣ci
- Danetyczny cykl 偶ycia
- Etapy cyklu 偶ycia
- Przyk艂ady cyklu 偶ycia
- Podsumowanie
- Pytania i zakres danych
- Big Data i nowe mo偶liwo艣ci
- Populacja docelowa, zbi贸r dost臋pny i pr贸ba
- Przyrz膮dy i protoko艂y
- Mierzenie zjawiska naturalnego
- Dok艂adno艣膰
- Podsumowanie
- Symulacja i projekt danych
- Model urnowy
- Przyk艂ad: symulowanie obci膮偶enia systematycznego i wariancji sonda偶u wyborczego
- Przyk艂ad: symulacja randomizowanego badania klinicznego szczepionki
- Przyk艂ad: pomiary jako艣ci powietrza
- Podsumowanie
- Modelowanie przy u偶yciu statystyk podsumowuj膮cych
- Model sta艂ej
- Minimalizacja straty
- Podsumowanie
- Studium przypadku: dlaczego m贸j autobus zawsze si臋 sp贸藕nia?
- Pytanie i zakres
- Przetwarzanie danych
- Eksplorowanie czas贸w autobus贸w
- Modelowanie czas贸w oczekiwania
- Podsumowanie
- Praca z ramkami danych przy u偶yciu pandas
- Operacje na podzbiorach
- Agregacje
- Z艂膮czenia
- Przekszta艂canie
- Czym r贸偶ni膮 si臋 ramki danych od innych reprezentacji danych?
- Podsumowanie
- Praca z relacjami przy u偶yciu SQL
- Operacje na podzbiorach
- Agregacje
- Z艂膮czenia
- Przekszta艂canie i wyra偶enia CTE
- Podsumowanie
- Przekszta艂canie plik贸w
- Przyk艂adowe 藕r贸d艂a danych
- Formaty plik贸w
- Kodowanie plik贸w
- Rozmiar pliku
- Pow艂oka i narz臋dzia wiersza polece艅
- Kszta艂t i ziarnisto艣膰 tabeli
- Podsumowanie
- Przekszta艂canie ramek danych
- Testy jako艣ci
- Brakuj膮ce warto艣ci i rekordy
- Transformacje i znaczniki czasu
- Modyfikowanie struktury
- Przyk艂ad: przekszta艂canie narusze艅 bezpiecze艅stwa restauracji
- Podsumowanie
- Eksploracyjna analiza danych
- Typy cech
- Czego szuka膰 w rozk艂adzie
- Czego szuka膰 w zale偶no艣ci
- Por贸wnania w sytuacjach wielu zmiennych
- Wytyczne dotycz膮ce eksploracji
- Przyk艂ad: ceny sprzeda偶y dom贸w
- Podsumowanie
- Wizualizacja danych
- Wyb贸r skali, aby ujawni膰 struktur臋
- Wyg艂adzanie i agregowanie danych
- U艂atwianie znacz膮cych por贸wna艅
- Wykorzystanie projektu danych
- Dodawanie kontekstu
- Tworzenie wykres贸w przy u偶yciu plotly
- Inne narz臋dzia do wizualizacji
- Podsumowanie
- Studium przypadku: jak dok艂adne s膮 pomiary jako艣ci powietrza?
- Pytanie, projekt i zakres
- Znajdowanie kolokowanych czujnik贸w
- Przekszta艂canie i oczyszczanie danych czujnika AQS
- Przekszta艂canie danych czujnika PurpleAir
- Eksplorowanie pomiar贸w PurpleAir i AQS
- Tworzenie modelu do korygowania pomiar贸w PurpleAir
- Podsumowanie
- Praca z tekstem
- Przyk艂ady tekstu i zada艅
- Manipulacja ci膮gami znak贸w
- Wyra偶enia regularne
- Analiza tekstu
- Podsumowanie
- Wymiana danych
- Dane NetCDF
- Dane JSON
- HTTP
- REST
- XML, HTML i XPath
- Podsumowanie
- Modele liniowe
- Prosty model liniowy
- Przyk艂ad: prosty model liniowy dotycz膮cy jako艣ci powietrza
- Dopasowywanie prostego modelu liniowego
- Wielowymiarowy model liniowy
- Dopasowywanie wielowymiarowego modelu liniowego
- Przyk艂ad: gdzie le偶y kraina mo偶liwo艣ci?
- In偶ynieria cech w przypadku pomiar贸w liczbowych
- In偶ynieria cech w przypadku pomiar贸w kategorialnych
- Podsumowanie
- Wyb贸r modelu
- Nadmierne dopasowanie
- Podzia艂 na zbi贸r ucz膮cy i testowy
- Walidacja krzy偶owa
- Regularyzacja
- Obci膮偶enie systematyczne i wariancja modelu
- Podsumowanie
- Teoria wnioskowania i prognozowania
- Rozk艂ad: populacja, dane empiryczne, pr贸bkowanie
- Podstawy testowania hipotez
- Stosowanie metody bootstrap do wnioskowania
- Podstawy przedzia艂贸w ufno艣ci
- Podstawy przedzia艂贸w prognoz
- Prawdopodobie艅stwo wnioskowania i prognozowania
- Podsumowanie
- Studium przypadku: jak zwa偶y膰 os艂a
- Pytanie i zakres badania dotycz膮cego os艂贸w
- Przekszta艂canie i transformacje
- Eksploracja
- Modelowanie ci臋偶aru os艂a
- Podsumowanie
- Klasyfikacja
- Przyk艂ad: drzewa zniszczone przez wiatr
- Modelowanie i klasyfikacja
- Modelowanie proporcji (i prawdopodobie艅stw)
- Funkcja straty dla modelu logistycznego
- Od prawdopodobie艅stw do klasyfikacji
- Podsumowanie
- Optymalizacja numeryczna
- Podstawy metody spadku gradientu
- Minimalizacja straty Hubera
- Wypuk艂e i r贸偶niczkowalne funkcje straty
- Warianty spadku gradientu
- Podsumowanie
- Studium przypadku: wykrywanie fa艂szywych wiadomo艣ci
- Pytanie i zakres
- Pozyskiwanie i przekszta艂canie danych
- Eksploracja danych
- Modelowanie
- Podsumowanie