Leserbewertungen
Zusammenfassung:Das Buch hat gemischte Kritiken erhalten. Einige Nutzer finden es hilfreich für Anfänger in der Datenwissenschaft, während andere seine Tiefe und Klarheit kritisieren, insbesondere bei der Erklärung der Python-Syntax und der Verwendung von Jupyter.
Vorteile:Einige Leser schätzen das Buch für seine Hilfestellung bei der Wiederholung von Konzepten und seine klare Sprache für Anfänger. Es deckt eine Reihe von Themen im Bereich Data Science ab und wird als guter Ausgangspunkt für Interessierte in diesem Bereich angesehen.
Nachteile:Viele Rezensenten weisen auf die mangelnde Tiefe des Buches, die unzureichenden Erklärungen und die unzureichende Abdeckung der Python-Syntax hin. Kritiker erwähnen, dass es Vorkenntnisse in Datenwissenschaft und Programmierung erfordert, um nützlich zu sein, und einige finden den Inhalt unzureichend für ernsthaftes Lernen.
(basierend auf 11 Leserbewertungen)
Originaltitel:
Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples
Inhalt des Buches:
Schritt-für-Schritt-Anleitung zum Üben von Data-Science-Techniken mit Jupyter-Notebooks
Beschreibung
Moderne Unternehmen werden von Daten überflutet, wodurch datengestützte Entscheidungsfindungsaufgaben immer komplexer werden. Daher sind für solche Aufgaben entsprechende technische Kenntnisse und analytische Fähigkeiten erforderlich. Dieses Buch zielt darauf ab, Ihnen gerade genug Python-Kenntnisse in Verbindung mit Fähigkeiten zur Nutzung leistungsstarker Werkzeuge wie Jupyter Notebook zu vermitteln, um in der Rolle eines Datenwissenschaftlers erfolgreich zu sein.
Das Buch beginnt mit einer kurzen Einführung in die Welt der Datenwissenschaft und die Möglichkeiten, auf die Sie stoßen können, sowie einem Überblick über die wichtigsten Themen, die im Buch behandelt werden. Sie lernen, wie Sie eine Anaconda-Installation einrichten, die mit Jupyter und vorinstallierten Python-Paketen geliefert wird. Bevor Sie in verschiedene überwachte, unüberwachte und andere Techniken des maschinellen Lernens eintauchen, lernen Sie, wie Sie grundlegende Datenstrukturen, Funktionen, Bibliotheken und Pakete verwenden, die zum Importieren, Bereinigen, Visualisieren und Verarbeiten von Daten erforderlich sind. Verschiedene Techniken des maschinellen Lernens wie Regression, Klassifizierung, Clustering, Zeitreihen usw. werden anhand von praktischen Beispielen und durch den Vergleich der Leistung verschiedener Modelle erläutert.
Am Ende des Buches werden Sie einige Fallstudien kennenlernen, in denen Sie Ihr Wissen in die Praxis umsetzen und reale Geschäftsprobleme lösen können, z. B. den Aufbau einer Filmempfehlungsmaschine, die Klassifizierung von Spam-Nachrichten, die Vorhersage der Fähigkeit eines Kreditnehmers, einen Kredit rechtzeitig zurückzuzahlen, und die Zeitreihenprognose von Immobilienpreisen. Denken Sie daran, zusätzliche Beispiele zu üben, die im Code-Paket des Buches enthalten sind, um diese Techniken zu beherrschen.
Zielgruppe
Das Buch richtet sich an alle, die eine Karriere im Bereich Data Science anstreben, an alle aufstrebenden Data Scientists, die die mächtigste Programmiersprache im Bereich Machine Learning erlernen wollen, oder an Berufstätige, die sich beruflich in Richtung Data Science verändern wollen. Es werden keine Vorkenntnisse in Data Science oder verwandten Technologien vorausgesetzt, es ist jedoch hilfreich, wenn Sie über einige Programmierkenntnisse verfügen.
Key Features
⬤ Erwerben Sie Python-Kenntnisse, um eigenständig Data Science-Projekte durchzuführen.
⬤ Erlernen Sie die Grundlagen der linearen Algebra und der statistischen Wissenschaft in Python.
⬤ Verstehen, wie und wann sie in der Datenwissenschaft verwendet werden.
⬤ Erstellen von Vorhersagemodellen, Abstimmen ihrer Parameter und Analysieren der Leistung in wenigen Schritten.
⬤ Cluster bilden, transformieren, visualisieren und Erkenntnisse aus unmarkierten Datensätzen gewinnen.
⬤ Lernen Sie, wie man matplotlib und seaborn für die Datenvisualisierung verwendet.
⬤ Implementieren und speichern Sie Machine-Learning-Modelle für reale Geschäftsszenarien.
Inhaltsverzeichnis
⬤ Grundlagen der Datenwissenschaft.
⬤ Installieren von Software und Einrichten.
⬤ Listen und Wörterbücher.
⬤ Funktionen und Pakete.
⬤ NumPy Foundation.
⬤ Pandas und Dataframe.
⬤ Interaktion mit Datenbanken.
⬤ Statistisches Denken in der Datenwissenschaft.
⬤ Wie importiert man Daten in Python?
⬤ Bereinigung von importierten Daten.
⬤ Datenvisualisierung.
⬤ Vorverarbeitung von Daten.
⬤ Überwachtes maschinelles Lernen.
⬤ Unüberwachtes maschinelles Lernen.
⬤ Umgang mit Zeitreihendaten.
⬤ Zeitreihen-Methoden.
⬤ Fallstudie - 1.
⬤ Fallstudie - 2.
⬤ Fallstudie - 3.
⬤ Fallstudie - 4.
Über den Autor
Prateek ist ein Datenenthusiast und liebt die datengesteuerten Technologien. Prateek hat insgesamt 7 Jahre Erfahrung und arbeitet derzeit als Data Scientist in einem MNC. Er hat mit Kunden aus dem Finanz- und Einzelhandelssektor zusammengearbeitet und Lösungen für maschinelles Lernen und Deep Learning für deren Unternehmen entwickelt. Sein großes Interesse gilt der Verarbeitung natürlicher Sprache und der Computer Vision. In seiner Freizeit schreibt er in seinem Blog Beiträge über Data Science mit Python.
Weitere Daten des Buches:
| ISBN: | 9789388511377 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 324 |
Kauf:
Derzeit verfügbar, auf Lager.
