Scienza dei dati pratica con Python 3: Sintetizzare intuizioni attuabili dai dati

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 3 voti.

Titolo originale:

Practical Data Science with Python 3: Synthesizing Actionable Insights from Data

Contenuto del libro:

Capitolo 1. Introduzione alla scienza dei datiNumero di pagine: 10Questo capitolo introduce il lettore alla scienza dei dati e descrive le fasi principali del lavoro con i dati (raccogliere, esplorare, preelaborare, visualizzare, prevedere e dedurre la conoscenza). Definisce le aspettative comuni su ciò che costituisce un dominio di scienza dei dati. Questo capitolo illustra l'IDE Anaconda, che verrà utilizzato nel libro.

Capitolo 2. Acquisizione dei datiNumero di pagine: 40Questo capitolo introdurrà il lettore a recuperare e memorizzare i dati da/su varie fonti di dati: file di testo (compresi vari formati come CSV, XML e JSON), file binari (compreso Apache Avro), dati accessibili dal Web, database relazionali, database NoSQL, Apache Arrow (un sistema di archiviazione dati colonnare efficiente e innovativo), database multimodali e database di rete. Questo capitolo introdurrà anche BeautifulSoup per lavorare con XML e HTML.

Capitolo 3. Elaborazione di base dei datiNumero di pagine: 40Sono librerie Python standard per il calcolo scientifico e l'elaborazione dei dati. NumPy comprende tutti i tipi di strutture di dati necessari per l'analisi dei dati. Qui forniremo esempi che illumineranno l'importanza di framework sofisticati e di un'ingegneria del software basata sul riuso nel campo della scienza dei dati.

Capitolo 4. Documentare il lavoroNumero di pagine: 20Questo capitolo introduce l'ambiente di calcolo più diffuso per l'analisi dei dati. Rende possibile la condivisione dei risultati tra data scientist in modo facilmente riproducibile.

Capitolo 5. Trasformazione e confezionamento dei datiNumero di pagine: 30Questo capitolo illustra un framework fondamentale per la scienza dei dati, basato su NumPy. Fornisce eccellenti strutture di dati per la gestione di frame e serie di dati.

Capitolo 6. VisualizzazioneNumero di pagine: 40Questo capitolo introduce vari modi per visualizzare i dati; le statistiche sommarie o le rappresentazioni tabellari hanno un valore limitato nell'esplorazione dei dati. L'argomento di questo capitolo è costituito dai seguenti framework: matplotlib, glueviz, Bokeh e orange3. La visualizzazione è importante sia per l'analisi esplorativa sia per la creazione di report efficaci.

Capitolo 7. Previsione e inferenzaNumero di pagine: 50Questo capitolo illustra tutte le tecniche e le tecnologie per scalare adeguatamente gli sforzi della scienza dei dati. Insegnerà ai lettori come creare sistemi che possano formulare risposte su dati non visti o trovare modelli nascosti nei dati. Verranno analizzati i metodi di apprendimento supervisionato, non supervisionato, profondo e di rinforzo. Inoltre, introdurrà Apache Spark con MLib (sia in modalità batch che stream) e TensorFlow. Anche i seguenti framework saranno oggetto di questo capitolo: XGBoost, sci-kit learn e Keras con PyTorch.

Capitolo 8. Analisi di rete N. di pagine: 40Questo capitolo esplora le modalità di analisi di reti e grafi complessi. Questo capitolo introduce Apache Spark GraphX, Apache Giraph e NetworkX. Il capitolo introduce anche l'analisi spettrale dei grafi, un interessante metodo di apprendimento automatico approssimativo, non lineare e non parametrico.

Capitolo 9. Ingegneria dei processi di Data ScienceNumero di pagine: 20Questo capitolo illustra come condividere e personalizzare le pratiche/metodi di data science utilizzati dai team tramite OMG Essence.

Capitolo 10. Sistemi multiagente, teoria dei giochi e apprendimento automaticoNumero di pagine: 30Questo capitolo esplora le applicazioni avanzate orientate ai dati, in cui i dati sono prodotti e consumati da agenti intelligenti autogovernati. Il capitolo introduce il lettore al concetto di sistemi multi-agente, ai metodi e ai modelli della teoria dei giochi e agli algoritmi di apprendimento associati.

Capitolo 11. Modelli grafici probabilisticiNumero.