Ocena:
Książka otrzymała mieszane recenzje, a niektórzy użytkownicy uznali ją za pomocną dla początkujących w nauce o danych, podczas gdy inni krytykują jej głębię i przejrzystość, szczególnie w wyjaśnianiu składni Pythona i korzystania z Jupytera.
Zalety:Niektórzy czytelnicy doceniają książkę za jej pomoc w rewizji pojęć i jasny język dla początkujących. Obejmuje ona szereg tematów z zakresu nauki o danych i jest postrzegana jako przyzwoity punkt wyjścia dla osób zainteresowanych tą dziedziną.
Wady:Wielu recenzentów zwraca uwagę na brak głębi książki, słabe wyjaśnienia i niewystarczające pokrycie składni Pythona. Krytycy wspominają, że wymaga ona wcześniejszej wiedzy z zakresu nauki o danych i programowania, aby była przydatna, a niektórzy uważają, że treść jest niewystarczająca do poważnej nauki.
(na podstawie 11 opinii czytelników)
Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples
Przewodnik krok po kroku po technikach nauki o danych z notatnikami Jupyter
Opis
Nowoczesne firmy są zalewane danymi, co sprawia, że zadania decyzyjne oparte na danych stają się coraz bardziej złożone. W rezultacie do wykonywania takich zadań wymagana jest odpowiednia wiedza techniczna i umiejętności analityczne. Ta książka ma na celu wyposażenie czytelnika w wystarczającą wiedzę na temat języka Python w połączeniu z umiejętnościami korzystania z potężnego narzędzia, takiego jak Jupyter Notebook, aby odnieść sukces w roli analityka danych.
Książka rozpoczyna się od krótkiego wprowadzenia do świata nauki o danych i możliwości, jakie można napotkać, wraz z przeglądem kluczowych tematów poruszanych w książce. Dowiesz się, jak skonfigurować instalację Anaconda, która jest dostarczana z Jupyterem i preinstalowanymi pakietami Pythona. Zanim zagłębisz się w kilka nadzorowanych, nienadzorowanych i innych technik uczenia maszynowego, dowiesz się, jak korzystać z podstawowych struktur danych, funkcji, bibliotek i pakietów wymaganych do importowania, czyszczenia, wizualizacji i przetwarzania danych. Kilka technik uczenia maszynowego, takich jak regresja, klasyfikacja, grupowanie, szeregi czasowe itp. zostało wyjaśnionych na praktycznych przykładach i poprzez porównanie wydajności różnych modeli.
Pod koniec książki poznasz kilka studiów przypadku, które pozwolą ci wykorzystać zdobytą wiedzę w praktyce i rozwiązywać rzeczywiste problemy biznesowe, takie jak tworzenie silnika rekomendacji filmowych, klasyfikowanie wiadomości spamowych, przewidywanie zdolności kredytobiorcy do spłaty kredytu w terminie i prognozowanie szeregów czasowych cen mieszkań. Pamiętaj, aby przećwiczyć dodatkowe przykłady dostarczone w pakiecie kodu książki, aby opanować te techniki.
Odbiorcy
Książka jest przeznaczona dla każdego, kto szuka kariery w nauce o danych, wszystkich aspirujących naukowców zajmujących się danymi, którzy chcą nauczyć się najpotężniejszego języka programowania w uczeniu maszynowym lub pracujących profesjonalistów, którzy chcą zmienić swoją karierę w nauce o danych. Chociaż nie zakłada się wcześniejszej znajomości Data Science lub powiązanych technologii, pomocne będzie posiadanie pewnego doświadczenia w programowaniu.
Kluczowe cechy
⬤ Uzyskanie umiejętności Python do wykonywania niezależnych projektów Data Science.
⬤ Poznanie podstaw algebry liniowej i statystyki w języku Python.
⬤ Zrozumienie, w jaki sposób i kiedy są one wykorzystywane w nauce o danych.
⬤ Budować modele predykcyjne, dostosowywać ich parametry i analizować wydajność w kilku krokach.
⬤ Klastrować, przekształcać, wizualizować i wyciągać wnioski z nieoznakowanych zbiorów danych.
⬤ Naucz się używać matplotlib i seaborn do wizualizacji danych.
⬤ Wdrażanie i zapisywanie modeli uczenia maszynowego dla rzeczywistych scenariuszy biznesowych.
Spis treści
⬤ Podstawy nauki o danych.
⬤ Instalacja oprogramowania i konfiguracja.
⬤ Listy i słowniki.
⬤ Funkcje i pakiety.
⬤ NumPy Foundation.
⬤ Pandas i Dataframe.
⬤ Interakcja z bazami danych.
⬤ Statystyczne myślenie w nauce o danych.
⬤ Jak importować dane w Pythonie?
⬤ Czyszczenie zaimportowanych danych.
⬤ Wizualizacja danych.
⬤ Wstępne przetwarzanie danych.
⬤ Nadzorowane uczenie maszynowe.
⬤ Uczenie maszynowe bez nadzoru.
⬤ Obsługa danych szeregów czasowych.
⬤ Metody szeregów czasowych.
⬤ Studium przypadku - 1.
⬤ Studium przypadku - 2.
⬤ Studium przypadku - 3.
⬤ Studium przypadku - 4.
O autorze
Prateek jest entuzjastą danych i uwielbia technologie oparte na danych. Prateek ma łącznie 7 lat doświadczenia i obecnie pracuje jako Data Scientist w MNC. Pracował z klientami z branży finansowej i detalicznej i opracował rozwiązania Machine Learning i Deep Learning dla ich biznesu. Interesuje się przetwarzaniem języka naturalnego i wizją komputerową. W wolnym czasie pisze posty na temat Data Science z Pythonem na swoim blogu.