Guida pratica alla scienza dei dati: Semplificare le soluzioni di scienza dei dati utilizzando Python, Scikit-Learn e la piattaforma Azure ML Service

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 5 voti.

Titolo originale:

Practitioner's Guide to Data Science: Streamlining Data Science Solutions using Python, Scikit-Learn, and Azure ML Service Platform

Contenuto del libro:

La domanda "Come deve essere implementato il progetto Data Science?" non è mai stata così concettuale, grazie al lavoro presentato in questo libro. Questo libro offre uno sguardo approfondito sullo stato attuale dei dati del mondo e su come la Data Science giochi un ruolo fondamentale in tutto ciò che facciamo.

Il libro spiega e implementa l'intero ciclo di vita della Data Science utilizzando processi di Data Science ben noti come CRISP-DM e Microsoft TDSP. Il libro spiega l'importanza di questi processi in relazione all'alto tasso di fallimento dei progetti di Data Science.

Il libro aiuta a costruire una solida base di concetti di Data Science e dei relativi framework. Insegna come implementare casi d'uso reali utilizzando i dati del dataset HMDA. Spiega l'architettura di Azure ML Service, le sue funzionalità e l'implementazione al team DS, che sarà quindi pronto a implementare MLOps. Il libro spiega anche come utilizzare Azure DevOps per rendere il processo ripetibile.

Alla fine di questo libro, si apprenderanno solide capacità di codifica in Python, si acquisirà una solida padronanza di concetti come l'ingegneria delle funzionalità, si creeranno visualizzazioni interessanti e si conosceranno le tecniche per la costruzione di modelli di apprendimento automatico.

INDICE DEI CONTENUTI

1. Scienza dei dati per le aziende.

2. Metodologie di progetto per la scienza dei dati e processi di gruppo.

3. Comprensione del business e paesaggio dei dati.

4. Acquisire, esplorare e analizzare i dati.

5. Pre-elaborazione e preparazione dei dati.

6. Sviluppo di un modello di apprendimento automatico.

7. Giro intorno al servizio Azure ML.

8. Distribuzione e gestione dei modelli.