Scienza dei dati con Jupyter: Padroneggiare le competenze di Data Science con esempi Python facili da seguire

Recensioni dei lettori

Il libro ha ricevuto recensioni contrastanti: alcuni utenti lo ritengono utile per i principianti della scienza dei dati, mentre altri ne criticano la profondità e la chiarezza, in particolare nella spiegazione della sintassi Python e dell'uso di Jupyter.

Alcuni lettori apprezzano il libro per la sua utilità nel ripasso dei concetti e per il suo linguaggio chiaro per i principianti. Copre una serie di argomenti della scienza dei dati ed è considerato un buon punto di partenza per chi è interessato al settore.

Molti recensori sottolineano la mancanza di profondità del libro, le scarse spiegazioni e la copertura inadeguata della sintassi Python. I critici affermano che per essere utile richiede una conoscenza preliminare della scienza dei dati e della programmazione, e alcuni ritengono che il contenuto sia insufficiente per un apprendimento serio.

(basato su 11 recensioni dei lettori)

Titolo originale:

Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples

Contenuto del libro:

Guida passo-passo alla pratica delle tecniche di scienza dei dati con i taccuini Jupyter.

Descrizione

Le aziende moderne sono piene di dati, il che rende sempre più complesse le attività decisionali basate sui dati. Di conseguenza, per svolgere tali compiti sono necessarie competenze tecniche e capacità analitiche rilevanti. Questo libro si propone di fornire una conoscenza sufficiente di Python insieme alle competenze necessarie per utilizzare strumenti potenti come Jupyter Notebook, al fine di avere successo nel ruolo di data scientist.

Il libro inizia con una breve introduzione al mondo della scienza dei dati e alle opportunità che si possono incontrare, insieme a una panoramica degli argomenti chiave trattati nel libro. Imparerete a configurare l'installazione di Anaconda, che viene fornita con Jupyter e i pacchetti Python preinstallati. Prima di immergervi in diverse tecniche di apprendimento automatico supervisionate, non supervisionate e di altro tipo, imparerete a utilizzare le strutture dati di base, le funzioni, le librerie e i pacchetti necessari per importare, pulire, visualizzare ed elaborare i dati. Diverse tecniche di apprendimento automatico come la regressione, la classificazione, il clustering, le serie temporali, ecc. sono state spiegate con l'uso di esempi pratici e confrontando le prestazioni di vari modelli.

Alla fine del libro, vi imbatterete in alcuni casi di studio per mettere in pratica le vostre conoscenze e risolvere problemi aziendali reali, come la creazione di un motore di raccomandazione di film, la classificazione di messaggi di spam, la previsione della capacità di un mutuatario di rimborsare il prestito in tempo e la previsione delle serie temporali dei prezzi delle abitazioni. Ricordate di esercitarvi con gli esempi aggiuntivi forniti nel pacchetto di codice del libro per padroneggiare queste tecniche.

Pubblico

Il libro si rivolge a tutti coloro che sono alla ricerca di una carriera nel campo della scienza dei dati, a tutti gli aspiranti data scientist che vogliono imparare il linguaggio di programmazione più potente nel Machine Learning o ai professionisti che vogliono cambiare la loro carriera in Data Science. Sebbene non si presupponga alcuna conoscenza preliminare della scienza dei dati o delle tecnologie correlate, sarà utile avere una certa esperienza di programmazione.

Caratteristiche principali

⬤ Acquisire le competenze di Python per realizzare progetti indipendenti di scienza dei dati.

⬤ Imparare le basi dell'algebra lineare e della scienza statistica in Python.

⬤ Capire come e quando vengono utilizzati nella scienza dei dati.

⬤ Costruire modelli predittivi, mettere a punto i loro parametri e analizzare le prestazioni in pochi passi.

⬤ Collegare, trasformare, visualizzare ed estrarre informazioni da insiemi di dati non etichettati.

⬤ Imparare a utilizzare matplotlib e seaborn per la visualizzazione dei dati.

⬤ Implementare e salvare modelli di apprendimento automatico per scenari aziendali reali.

Indice dei contenuti

⬤  Fondamenti di scienza dei dati.

⬤  Installazione del software e configurazione.

⬤  Elenchi e dizionari.

⬤  Funzioni e pacchetti.

⬤  Fondazione NumPy.

⬤  Pandas e Dataframe.

⬤  Interagire con i database.

⬤  Pensare in modo statistico nella scienza dei dati.

⬤  Come importare i dati in Python?

⬤  Pulizia dei dati importati.

⬤  Visualizzazione dei dati.

⬤  Pre-elaborazione dei dati.

⬤  Apprendimento automatico supervisionato.

⬤  Apprendimento automatico non supervisionato.

⬤  Gestione dei dati delle serie temporali.

⬤  Metodi per le serie temporali.

⬤  Caso di studio - 1.

⬤  Caso di studio - 2.

⬤  Caso di studio - 3.

⬤  Caso di studio - 4.

Informazioni sull'autore

Prateek è un appassionato di dati e ama le tecnologie basate sui dati. Prateek ha un'esperienza totale di 7 anni e attualmente lavora come Data Scientist in una multinazionale. Ha lavorato con clienti del settore finanziario e della vendita al dettaglio e ha sviluppato soluzioni di Machine Learning e Deep Learning per le loro attività. La sua area di interesse è l'elaborazione del linguaggio naturale e la computer vision. Nel tempo libero scrive post sulla scienza dei dati con Python nel suo blog.