Ocena:
Książka ma mieszane recenzje, a niektórzy czytelnicy doceniają dostarczone informacje, podczas gdy wielu innych krytykuje jej przejrzystość, brak niezbędnych materiałów uzupełniających i ogólną jakość pisania. Użytkownicy doświadczyli problemów z połączonym repozytorium GitHub i stwierdzili, że niektóre koncepcje kodowania są słabo wyjaśnione, co utrudnia początkującym śledzenie.
Zalety:⬤ Zawiera dobre informacje
⬤ niektóre rozdziały poprawiają się wraz z postępem książki
⬤ książka spełnia pewne oczekiwania czytelników, którzy są nieco zaznajomieni z tematem.
⬤ Brak odpowiednich rozwiązań w repozytorium GitHub
⬤ wczesne rozdziały są niejasne i mylące dla początkujących
⬤ nagłe wprowadzenie złożonych koncepcji kodowania bez wyjaśnienia
⬤ słaba jakość pisania
⬤ brakujące pliki pomocnicze
⬤ ogólne niezadowolenie z wartości książki.
(na podstawie 5 opinii czytelników)
Python for Data Science: A Hands-On Introduction
Praktyczne, rzeczywiste wprowadzenie do analizy danych za pomocą języka programowania Python, pełne szerokich przykładów.
Python jest idealnym wyborem do uzyskiwania dostępu, manipulowania i uzyskiwania wglądu w dane wszelkiego rodzaju. Python for Data Science wprowadza do Pythonowego świata analizy danych z podejściem opartym na praktycznych przykładach i ćwiczeniach. Dowiesz się, jak pisać kod w Pythonie, aby pozyskiwać, przekształcać i analizować dane, ćwicząc najnowocześniejsze techniki przetwarzania danych w przypadkach użycia w zarządzaniu biznesem, marketingu i wspomaganiu decyzji.
Poznasz bogaty zestaw wbudowanych struktur danych Pythona do podstawowych operacji, a także solidny ekosystem bibliotek open source do nauki o danych, w tym NumPy, pandas, scikit-learn, matplotlib i inne. Przykłady pokazują, jak ładować dane w różnych formatach, jak usprawniać, grupować i agregować zestawy danych oraz jak tworzyć wykresy, mapy i inne wizualizacje. Późniejsze rozdziały zawierają szczegółowe demonstracje rzeczywistych zastosowań danych, w tym wykorzystanie danych o lokalizacji do zasilania usługi taksówkarskiej, analizę koszyka rynkowego w celu zidentyfikowania przedmiotów często kupowanych razem oraz uczenie maszynowe do przewidywania cen akcji.
