Productive and Efficient Data Science with Python: Best Practices Guide to Implementing Aiops
Ta książka koncentruje się na narzędziach i technikach opartych na Pythonie, które pomogą Ci stać się wysoce produktywnym we wszystkich aspektach typowych stosów nauki o danych, takich jak analiza statystyczna, wizualizacja, wybór modeli i inżynieria cech.
Zapoznasz się z nieefektywnościami i wąskimi gardłami czającymi się w codziennym procesie biznesowym i rozwiążesz je za pomocą praktycznych rozwiązań. Automatyzacja powtarzalnych zadań związanych z nauką o danych to kluczowy sposób myślenia, który jest promowany w całej książce. Dowiesz się, jak rozszerzyć istniejącą praktykę kodowania, aby obsługiwać większe zbiory danych z wysoką wydajnością za pomocą zaawansowanych bibliotek i pakietów, które już istnieją w ekosystemie Pythona.
Książka koncentruje się na takich tematach, jak mierzenie śladu pamięciowego i szybkości wykonywania modeli uczenia maszynowego, testowanie jakości potoków nauki o danych oraz modularyzacja potoku nauki o danych do tworzenia aplikacji. Zapoznasz się z bibliotekami Pythona, które są bardzo przydatne do automatyzacji i przyspieszania codziennych zadań.
W końcu zrozumiesz i wykonasz zadania związane z nauką o danych i uczeniem maszynowym wykraczające poza tradycyjne metody i wykorzystasz pełne spektrum ekosystemu nauki o danych Python w celu zwiększenia produktywności.
Czego się nauczysz
⬤ Pisać szybki i wydajny kod dla nauki o danych i uczenia maszynowego.
⬤ Budowanie solidnych i ekspresyjnych potoków nauki o danych.
⬤ Mierzyć profil pamięci i procesora dla metod uczenia maszynowego.
⬤ Wykorzystanie pełnego potencjału GPU do zadań data science.
⬤ Efektywna obsługa dużych i złożonych zbiorów danych.
Dla kogo jest ta książka
Naukowcy zajmujący się danymi, analitycy danych, inżynierowie uczenia maszynowego, praktycy sztucznej inteligencji, statystycy, którzy chcą w pełni wykorzystać ekosystem Pythona.
