Praktyczna nauka o danych z Pythonem 3: Syntetyzowanie praktycznych spostrzeżeń z danych

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Practical Data Science with Python 3: Synthesizing Actionable Insights from Data

Zawartość książki:

Rozdział 1. Wprowadzenie do nauki o danychLiczba stron: 10Rozdział ten wprowadza czytelnika do nauki o danych i opisuje główne etapy pracy z danymi (gromadzenie, eksploracja, wstępne przetwarzanie, wizualizacja, przewidywanie i wnioskowanie o wiedzy). Określa wspólne oczekiwania, co stanowi domenę nauki o danych. W tym rozdziale omówione zostanie Anaconda IDE, które będzie używane w książce.

Rozdział 2. Pozyskiwanie danychLiczba stron: 40Rozdział ten wprowadzi czytelnika w sposób pobierania i przechowywania danych z/do różnych źródeł danych: plików tekstowych (w tym różnych formatów, takich jak CSV, XML i JSON), plików binarnych (w tym Apache Avro), danych dostępnych w sieci Web, relacyjnych baz danych, baz danych NoSQL, Apache Arrow (jako wydajnego i nowatorskiego kolumnowego systemu przechowywania danych), multimodalnych baz danych i sieciowych baz danych. W tym rozdziale zostanie również przedstawiony BeautifulSoup do pracy z XML i HTML.

Rozdział 3. Podstawowe przetwarzanie danychLiczba stron: 40Są to standardowe biblioteki Pythona do obliczeń naukowych i przetwarzania danych. NumPy obejmuje wszystkie rodzaje struktur danych wymaganych podczas analizy danych. W tym miejscu przedstawimy przykłady, które naświetlą znaczenie zaawansowanych frameworków i inżynierii oprogramowania opartej na ponownym wykorzystaniu w dziedzinie nauki o danych.

Rozdział 4. Dokumentowanie pracyLiczba stron: 20W niniejszym rozdziale przedstawiono najpopularniejsze środowisko obliczeniowe do analizy danych. Umożliwia ono dzielenie się wynikami między badaczami danych w łatwy do odtworzenia sposób.

Rozdział 5. Transformacja i pakowanie danychLiczba stron: 30Rozdział ten przedstawia krytyczny framework nauki o danych, który jest zbudowany na NumPy. Zapewnia on doskonałe struktury danych do obsługi ramek danych i serii.

Rozdział 6. WizualizacjaLiczba stron: 40W tym rozdziale przedstawiono różne sposoby wizualizacji danych; statystyki podsumowujące lub reprezentacje tabelaryczne mają ograniczoną wartość w eksploracji danych. Następujące frameworki będą tematem tego rozdziału: matplotlib, glueviz, Bokeh i orange3. Wizualizacja jest ważna zarówno podczas przeprowadzania analizy eksploracyjnej, jak i generowania skutecznych raportów.

Rozdział 7. Przewidywanie i wnioskowanieLiczba stron: 50W tym rozdziale omówione zostaną wszystkie techniki i technologie pozwalające odpowiednio skalować wysiłki związane z nauką o danych. Nauczy czytelników, jak tworzyć systemy, które mogą formułować odpowiedzi na niewidoczne dane lub znajdować ukryte wzorce w danych. Omówione zostaną metody uczenia nadzorowanego, nienadzorowanego, głębokiego i wzmacniającego. Ponadto przedstawiony zostanie Apache Spark z MLib (zarówno w trybie wsadowym, jak i strumieniowym), a także TensorFlow. Tematem tego rozdziału będą również następujące frameworki: XGBoost, sci-kit learn oraz Keras z PyTorch.

Rozdział 8. Analiza sieci Liczba stron: 40W tym rozdziale zbadane zostaną sposoby analizowania złożonych sieci i grafów. W rozdziale tym przedstawione zostaną Apache Spark GraphX, Apache Giraph i NetworkX. W rozdziale tym przedstawiona zostanie również analiza spektralna grafów, która jest interesującą przybliżoną, nieliniową i nieparametryczną metodą uczenia maszynowego.

Rozdział 9. Inżynieria procesów Data ScienceLiczba stron: 20W tym rozdziale omówione zostaną sposoby udostępniania i dostosowywania praktyk/metod nauki o danych wykorzystywanych przez zespoły za pośrednictwem OMG Essence.

Rozdział 10. Systemy wieloagentowe, teoria gier i uczenie maszynoweLiczba stron: 30W niniejszym rozdziale zbadano zaawansowane aplikacje zorientowane na dane, w których dane są wytwarzane i konsumowane przez samozarządzających się inteligentnych agentów. Rozdział wprowadza czytelnika w koncepcję systemów wieloagentowych, metod i modeli teorii gier, a także powiązanych algorytmów uczenia się.

Rozdział 11. Probabilistyczne modele graficzneNumbe.