reklama - zainteresowany?

Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III - Helion

Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III

MIEJSCE 12 na li┼Ťcie TOP 20
Autor: Avinash Navlani, Armando Fandango, Ivan Idris
Tytuł oryginału: Python Data Analysis: Perform data collection, data processing, wrangling, visualization, and model building using Python, 3rd Edition
Tłumaczenie: Krzysztof Sawka
ISBN: 978-83-283-8360-9
stron: 384, Format: 168x237, okładka: mi
Data wydania: 2022-04-01
Ksi─Ögarnia: Helion

Cena ksi─ů┼╝ki: 62,30 z┼é (poprzednio: 89,00 z┼é)
Oszczędzasz: 30% (-26,70 zł)

Dodaj do koszyka Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III

Tagi: Python - Programowanie

Analiza danych sprawia,

Dodaj do koszyka Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III

 

Osoby które kupowały "Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III", wybierały także:

  • Flask. Kurs video. Od pierwszej linijki kodu do praktycznego zastosowania
  • Python. Kurs video. Programowanie asynchroniczne
  • Algorytmy i struktury danych. Kurs video. Java, JavaScript, Python
  • Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych
  • Python dla dzieci i m┼éodzie┼╝y. Kurs video. Jak uczy─ç si─Ö programowania - pierwsze kroki

Dodaj do koszyka Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III

Spis tre┼Ťci

Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III -- spis treÂci

Wspó│autorzy

Wstŕp

Cz੠I. Podstawy analizy danych

  • Rozdzia│ 1. Wprowadzenie do bibliotek Pythona
    • WyjaÂnienie pojŕcia "analiza danych"
    • Standardowy proces analizy danych
    • Proces KDD
    • Proces SEMMA
    • Proces CRISP-DM
    • Analiza danych a danetyka
    • UmiejŕtnoÂci analityka danych oraz danetyka
    • Instalacja Ârodowiska Python 3
    • Oprogramowanie u┐ywane w tej ksi▒┐ce
    • U┐ywanie aplikacji IPython jako pow│oki
    • Korzystanie z aplikacji JupyterLab
    • Stosowanie aplikacji Jupyter Notebook
    • Zaawansowane funkcje aplikacji Jupyter Notebook
    • Podsumowanie
  • Rozdzia│ 2. Biblioteki NumPy i pandas
    • Wymogi techniczne
    • Tablice NumPy
    • Numeryczne typy danych tablic NumPy
    • Manipulowanie wymiarami tablic
    • ú▒czenie tablic NumPy
    • Rozdzielanie tablic NumPy
    • Zmiana typu danych tablic NumPy
    • Tworzenie widoków i kopii NumPy
    • Fragmentowanie tablic NumPy
    • Indeksowanie logiczne i indeksowanie specjalne
    • Rozg│aszanie tablic
    • Tworzenie obiektów DataFrame biblioteki pandas
    • Obiekt Series biblioteki pandas
    • Odczytywanie i kwerendowanie danych Quandl
    • Opisywanie obiektów DataFrame
    • Grupowanie i z│▒czanie obiektów DataFrame
    • Praca z brakuj▒cymi danymi
    • Tworzenie tabel przestawnych
    • Rozwi▒zywanie kwestii dat
    • Podsumowanie
    • Bibliografia
  • Rozdzia│ 3. Statystyka
    • Wymogi techniczne
    • Atrybuty i ich typy
    • Pomiar tendencji centralnej
    • Pomiar dyspersji
    • SkoÂnoŠ i kurtoza
    • OkreÂlanie zwi▒zków za pomoc▒ wspó│czynników kowariancji i korelacji
    • Centralne twierdzenie graniczne
    • Pozyskiwanie prób
    • Przeprowadzanie testów parametrycznych
    • Przeprowadzanie testów nieparametrycznych
    • Podsumowanie
  • Rozdzia│ 4. Algebra liniowa
    • Wymogi techniczne
    • Dopasowywanie do wielomianów za pomoc▒ biblioteki NumPy
    • Wyznacznik macierzy
    • OkreÂlanie rzŕdu macierzy
    • Macierz odwrotna w bibliotece NumPy
    • Rozwi▒zywanie równa˝ liniowych za pomoc▒ biblioteki NumPy
    • Rozk│ad macierzy za pomoc▒ SVD
    • WartoÂci w│asne i wektory w│asne w bibliotece NumPy
    • Generowanie liczb losowych
    • Rozk│ad dwumianowy
    • Rozk│ad normalny
    • Testowanie normalnoÂci rozk│adu danych za pomoc▒ biblioteki SciPy
    • Tworzenie tablicy maskowanej za pomoc▒ podpakietu numpy.ma
    • Podsumowanie

Cz੠II. Eksploracyjna analiza danych i oczyszczanie danych

  • Rozdzia│ 5. Wizualizacja danych
    • Wymogi techniczne
    • Wizualizacja za pomoc▒ pakietu Matplotlib
    • Zaawansowana wizualizacja za pomoc▒ pakietu seaborn
    • Wizualizacja interaktywna za pomoc▒ biblioteki Bokeh
    • Podsumowanie
  • Rozdzia│ 6. Pozyskiwanie, przetwarzanie i przechowywanie danych
    • Wymogi techniczne
    • Odczyt i zapis plików CSV za pomoc▒ biblioteki NumPy
    • Odczyt i zapis plików CSV za pomoc▒ biblioteki pandas
    • Odczyt i zapis plików arkusza kalkulacyjnego Excel
    • Odczyt i zapis plików JSON
    • Odczyt i zapis plików HDF5
    • Odczyt i zapis danych z tabel HTML-a
    • Odczyt i zapis plików Parquet
    • Odczyt i zapis danych z obiektu pickle
    • úatwy dostŕp do danych za pomoc▒ modu│u sqlite3
    • Odczyt i zapis danych w bazie danych MySQL
    • Odczyt i zapis danych w bazie danych MongoDB
    • Odczyt i zapis danych w bazie danych Cassandra
    • Odczyt i zapis danych w bazie danych Redis
    • PonyORM
    • Podsumowanie
  • Rozdzia│ 7. Oczyszczanie nieuporz▒dkowanych danych
    • Wymogi techniczne
    • Eksploracja danych
    • Filtrowanie danych w celu pozbycia siŕ szumu
    • Rozwi▒zywanie kwestii brakuj▒cych wartoÂci
    • Rozwi▒zywanie kwestii elementów odstaj▒cych
    • Techniki kodowania cech
    • Skalowanie cech
    • Przekszta│canie cech
    • Rozdzielanie cech
    • Podsumowanie
  • Rozdzia│ 8. Przetwarzanie sygna│ów i szeregi czasowe
    • Wymogi techniczne
    • Modu│ statsmodels
    • Žrednie krocz▒ce
    • Funkcje okna czasowego
    • Kointegracja
    • Rozk│ad STL
    • Autokorelacja
    • Modele autoregresyjne
    • Model ARMA
    • Generowanie sygna│ów okresowych
    • Analiza Fouriera
    • Filtrowanie metod▒ analizy widmowej
    • Podsumowanie

Cz੠III. Dok│adna analiza uczenia maszynowego

  • Rozdzia│ 9. Uczenie nadzorowane: analiza regresyjna
    • Wymogi techniczne
    • Regresja liniowa
    • Wielowspó│liniowoŠ
    • Zmienne fikcyjne
    • Projektowanie modelu regresji liniowej
    • Ocenianie skutecznoÂci modelu regresyjnego
    • Dopasowywanie regresji wielomianowej
    • Modele regresji u┐ywane w klasyfikacji
    • Regresja logistyczna
    • Implementacja regresji logistycznej za pomoc▒ biblioteki scikit-learn
    • Podsumowanie
  • Rozdzia│ 10. Uczenie nadzorowane: techniki klasyfikacji
    • Wymogi techniczne
    • Klasyfikacja
    • Naiwny klasyfikator Bayesa
    • Drzewa decyzyjne
    • Algorytm KNN
    • Maszyny wektorów noÂnych
    • Podzia│ danych na zestawy ucz▒cy i testowy
    • Ocena skutecznoÂci modelu klasyfikacji
    • Krzywa ROC i obszar AUC
    • Podsumowanie
  • Rozdzia│ 11. Uczenie nienadzorowane: PCA i analiza skupie˝
    • Wymogi techniczne
    • Uczenie nienadzorowane
    • Redukowanie wymiarowoÂci danych
    • Analiza g│ównych sk│adowych
    • Analiza skupie˝
    • Grupowanie danych za pomoc▒ algorytmu centroidów
    • Hierarchiczna analiza skupie˝
    • Algorytm DBSCAN
    • Widmowa analiza skupie˝
    • Ocenianie jakoÂci analizy skupie˝
    • Podsumowanie

Cz੠IV. Przetwarzanie jŕzyka naturalnego, analiza obrazów i obliczenia równoleg│e

  • Rozdzia│ 12. Analiza danych tekstowych
    • Wymogi techniczne
    • Instalacja bibliotek NLTK i spaCy
    • Normalizacja tekstu
    • Tokenizacja
    • Usuwanie s│ów nieinformatywnych
    • Rdzeniowanie s│ów i lematyzacja
    • Oznaczanie czŕÂci mowy
    • Rozpoznawanie jednostek nazewniczych
    • Analiza zale┐noÂci
    • Tworzenie chmury s│ów
    • "Worek s│ów"
    • Metoda TF-IDF
    • Analiza sentymentów za pomoc▒ klasyfikacji tekstu
    • Podobie˝stwo tekstów
    • Podsumowanie
  • Rozdzia│ 13. Analiza obrazów
    • Wymogi techniczne
    • Instalacja biblioteki OpenCV
    • Omówienie danych obrazowych
    • Modele barw
    • Rysowanie na obrazach
    • Pisanie na obrazach
    • Zmiana rozmiaru obrazu
    • Przekszta│cenie izometryczne obrazów
    • Zmiana jasnoÂci
    • Rozmywanie obrazu
    • Wykrywanie twarzy
    • Podsumowanie
  • Rozdzia│ 14. Obliczenia równoleg│e za pomoc▒ biblioteki Dask
    • Obliczenia równoleg│e za pomoc▒ biblioteki Dask
    • Typy danych Dask
    • Interfejs Dask Delayed
    • Skalowane wstŕpne przetwarzanie danych
    • Skalowane uczenie maszynowe
    • Podsumowanie

Dodaj do koszyka Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2022 CATALIST agencja interaktywna, znaki firmowe nale┼╝─ů do wydawnictwa Helion S.A.