Ocena:
Książka stanowi kompleksowy przewodnik po projektach nauki o danych przy użyciu Pythona, koncentrując się na praktycznych, rzeczywistych zastosowaniach i koncepcjach uczenia maszynowego. Podczas gdy wielu czytelników docenia szczegółowe wyjaśnienia i praktyczne ćwiczenia, niektórzy krytykują jakość przykładów kodu i znaczenie treści dla osób poszukujących szerszego zrozumienia analizy danych, ponieważ kładzie ona duży nacisk na uczenie maszynowe.
Zalety:⬤ Szczegółowe wyjaśnienia kodu Pythona i koncepcji uczenia maszynowego
⬤ praktyczne aplikacje oparte na rzeczywistych danych
⬤ dobrze zorganizowany układ
⬤ odpowiedni dla początkujących i osób z pewnym doświadczeniem w Pythonie
⬤ autor jest responsywny i pomocny.
⬤ Przykłady kodu mogą nie działać zgodnie z przeznaczeniem
⬤ niektórzy czytelnicy uważają, że książka nadmiernie koncentruje się na uczeniu maszynowym z niewystarczającym pokryciem analizy danych i wizualizacji
⬤ niespójna jakość druku
⬤ niektóre przykłady mogą być nieciekawe i źle zredagowane.
(na podstawie 17 opinii czytelników)
Data Science Projects with Python
Zdobądź praktyczne doświadczenie ze standardowymi w branży narzędziami do analizy danych i uczenia maszynowego w Pythonie Kluczowe cechy Rozwiąż problemy związane z nauką o danych, identyfikując problem do rozwiązania Zilustruj wzorce w danych za pomocą odpowiednich wizualizacji Zaimplementuj odpowiednie algorytmy uczenia maszynowego, aby uzyskać wgląd w dane Opis książki
Książka Data Science Projects with Python ma na celu dostarczenie praktycznych wskazówek na temat standardowych w branży narzędzi do analizy danych i uczenia maszynowego, poprzez zastosowanie ich do realistycznych problemów związanych z danymi. Dowiesz się, jak używać pand i Matplotlib do krytycznego badania zbiorów danych za pomocą statystyk podsumowujących i wykresów oraz wyciągania wniosków, które chcesz uzyskać. Będziesz budować swoją wiedzę, przygotowując dane za pomocą pakietu scikit-learn i wprowadzając je do algorytmów uczenia maszynowego, takich jak regresja logistyczna i las losowy. Odkryjesz, jak dostroić algorytmy, aby zapewnić najdokładniejsze prognozy na nowych i niewidocznych danych. W miarę postępów uzyskasz wgląd w działanie i wyniki tych algorytmów, budując swoje zrozumienie zarówno zdolności predykcyjnych modeli, jak i tego, dlaczego dokonują one tych prognoz.
Pod koniec tej książki zdobędziesz niezbędne umiejętności, aby pewnie korzystać z algorytmów uczenia maszynowego do przeprowadzania szczegółowej analizy danych i wydobywania znaczących spostrzeżeń z nieustrukturyzowanych danych. Czego się nauczysz Zainstaluj wymagane pakiety, aby skonfigurować środowisko kodowania nauki o danych Załaduj dane do notatnika Jupyter z uruchomionym Pythonem Użyj Matplotlib do tworzenia wizualizacji danych Dopasuj modele uczenia maszynowego za pomocą scikit-learn Użyj regresji lasso i regresji grzbietowej, aby uregulować swoje modele Porównaj wydajność między modelami, aby znaleźć najlepsze wyniki Użyj k-krotnej walidacji krzyżowej, aby wybrać hiperparametry modelu Dla kogo jest ta książka?
Jeśli jesteś analitykiem danych, analitykiem danych lub analitykiem biznesowym, który chce rozpocząć korzystanie z Pythona i technik uczenia maszynowego do analizy danych i przewidywania wyników, ta książka jest dla Ciebie. Podstawowa znajomość języka Python i analityki danych pomoże ci w pełni wykorzystać możliwości tej książki. Przydatna będzie również znajomość pojęć matematycznych, takich jak algebra i podstawowe statystyki. Spis treści Eksploracja i czyszczenie danych Wprowadzenie do Scikit-Learn i ocena modeli Szczegóły regresji logistycznej i eksploracji cech Kompromis między odchyleniem a wariancją Drzewa decyzyjne i lasy losowe Imputacja brakujących danych, analiza finansowa i dostawa do klienta
