Python Data Science Cookbook

بیش از 60 دستور العمل عملی برای کمک به شما در کشف پایتون و قابلیت های قوی علم داده آن

درباره این کتاب

• کتاب مملو از مثال‌های ساده و مختصر کد پایتون برای نشان دادن موثر مفاهیم پیشرفته در عمل
• کاوش در مفاهیمی مانند برنامه‌نویسی، داده کاوی، تجزیه و تحلیل داده‌ها، تجسم داده‌ها و یادگیری ماشین با استفاده از Python
• بررسی کنید سرعت در الگوریتم‌های یادگیری ماشینی با کمک دستور العمل‌های ساده و قابل‌پیگیری

این کتاب برای چه کسی است

این کتاب برای تمام سطوح علم داده در نظر گرفته شده است. متخصصان، چه دانشجویان و چه شاغلین، از مبتدی تا متخصص. تازه کارها می توانند وقت خود را در پنج فصل اول صرف آشنایی با علم داده ها کنند. کارشناسان می‌توانند برای درک چگونگی پیاده‌سازی تکنیک‌های پیشرفته با استفاده از پایتون به فصل‌هایی که از ۶ شروع می‌شوند، مراجعه کنند. افراد با پیشینه غیر پایتون نیز می توانند به طور موثر از این کتاب استفاده کنند، اما اگر قبلاً تجربه اولیه برنامه نویسی داشته باشید، مفید خواهد بود.

آنچه خواهید آموخت

• کاوش در این کتاب داشته باشید. طیف کاملی از الگوریتم های علم داده
• با ترفندهای مهندسین صنعت برای ایجاد دقیق ترین مدل های علم داده آشنا شوید
• مدیریت و استفاده از کتابخانه های پایتون مانند numpy، scipy، scikit Learn ، و matplotlib به طور موثر
• ایجاد ویژگی های معنی دار برای حل مشکلات دنیای واقعی
• نگاهی به روش های رگرسیون پیشرفته برای ساخت مدل و انتخاب متغیر بیندازید
• دریافت کامل درک مفاهیم زیربنایی و اجرای روش های Ensemble
• حل مسائل دنیای واقعی با استفاده از مجموعه داده های مختلف از روش های داده های عددی و متنی
• به وضعیت مدرن عادت کنید. الگوریتم های هنری مانند Gradient Boosting، Random Forest، Rotation Forest و غیره

در جزئیات

Python در حال افزایش است تبدیل شدن به زبانی برای علم داده از نظر پذیرش از R پیشی گرفته است، به طور گسترده توسط بسیاری از توسعه دهندگان شناخته شده است، و دارای مجموعه ای قوی از کتابخانه ها مانند Numpy، Pandas، scikit-learn، Matplotlib، Ipython و Scipy برای پشتیبانی از استفاده از آن در این زمینه است. علم داده یک حوزه فناوری داغ جدید در حال ظهور است که تلفیقی از رشته های مختلف از جمله آمار، یادگیری ماشین و علوم کامپیوتر است. این یک فناوری مخرب است که چهره تجارت امروز را تغییر می دهد و اقتصاد بخش های مختلف از جمله خرده فروشی، تولید، سرمایه گذاری آنلاین و مهمان نوازی را تغییر می دهد. از طریق مراحل مختلف، از ساده‌ترین الگوریتم‌های موجود تا پیچیده‌ترین الگوریتم‌های موجود در زرادخانه علم داده، برای استخراج مؤثر داده‌ها و استخراج اطلاعات از آن‌ها. در هر مرحله، دستور العمل‌های ساده و کارآمد پایتون را ارائه می‌دهیم که نه تنها نحوه پیاده‌سازی این الگوریتم‌ها را به شما نشان می‌دهد، بلکه مفهوم زیربنایی را به طور کامل روشن می‌کند.

این کتاب با معرفی شما به استفاده از Python برای علم داده آغاز می‌شود. و به دنبال آن کار با محیط های پایتون انجام می شود. سپس یاد خواهید گرفت که چگونه داده های خود را با پایتون تجزیه و تحلیل کنید. این کتاب سپس مفاهیم داده کاوی را به شما می آموزد و سپس پوشش گسترده ای از روش های یادگیری ماشین را به شما آموزش می دهد. تعدادی از کتابخانه‌های پایتون را به شما معرفی می‌کند تا به اجرای مؤثر روال‌های یادگیری ماشین و داده‌کاوی کمک کنند. همچنین اصول انقباض، روش‌های مجموعه، جنگل تصادفی، جنگل چرخشی و درختان شدید را پوشش می‌دهد که برای هر حرفه‌ای موفق در علم داده ضروری است.

سبک و رویکرد

این یک رویکرد گام به گام مبتنی بر دستور العمل برای الگوریتم های علم داده است که فلسفه ریاضی پشت این الگوریتم ها را معرفی می کند.

Over 60 practical recipes to help you explore Python and its robust data science capabilities

About This Book

• The book is packed with simple and concise Python code examples to effectively demonstrate advanced concepts in action
• Explore concepts such as programming, data mining, data analysis, data visualization, and machine learning using Python
• Get up to speed on machine learning algorithms with the help of easy-to-follow, insightful recipes

Who This Book Is For

This book is intended for all levels of Data Science professionals, both students and practitioners, starting from novice to experts. Novices can spend their time in the first five chapters getting themselves acquainted with Data Science. Experts can refer to the chapters starting from 6 to understand how advanced techniques are implemented using Python. People from non-Python backgrounds can also effectively use this book, but it would be helpful if you have some prior basic programming experience.

What You Will Learn

• Explore the complete range of Data Science algorithms
• Get to know the tricks used by industry engineers to create the most accurate data science models
• Manage and use Python libraries such as numpy, scipy, scikit learn, and matplotlib effectively
• Create meaningful features to solve real-world problems
• Take a look at Advanced Regression methods for model building and variable selection
• Get a thorough understanding of the underlying concepts and implementation of Ensemble methods
• Solve real-world problems using a variety of different datasets from numerical and text data modalities
• Get accustomed to modern state-of-the art algorithms such as Gradient Boosting, Random Forest, Rotation Forest, and so on

In Detail

Python is increasingly becoming the language for data science. It is overtaking R in terms of adoption, it is widely known by many developers, and has a strong set of libraries such as Numpy, Pandas, scikit-learn, Matplotlib, Ipython and Scipy, to support its usage in this field. Data Science is the emerging new hot tech field, which is an amalgamation of different disciplines including statistics, machine learning, and computer science. It's a disruptive technology changing the face of today's business and altering the economy of various verticals including retail, manufacturing, online ventures, and hospitality, to name a few, in a big way.

This book will walk you through the various steps, starting from simple to the most complex algorithms available in the Data Science arsenal, to effectively mine data and derive intelligence from it. At every step, we provide simple and efficient Python recipes that will not only show you how to implement these algorithms, but also clarify the underlying concept thoroughly.

The book begins by introducing you to using Python for Data Science, followed by working with Python environments. You will then learn how to analyse your data with Python. The book then teaches you the concepts of data mining followed by an extensive coverage of machine learning methods. It introduces you to a number of Python libraries available to help implement machine learning and data mining routines effectively. It also covers the principles of shrinkage, ensemble methods, random forest, rotation forest, and extreme trees, which are a must-have for any successful Data Science Professional.

Style and approach

This is a step-by-step recipe-based approach to Data Science algorithms, introducing the math philosophy behind these algorithms.