Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 3 Stimmen.
Practical Data Science with Python 3: Synthesizing Actionable Insights from Data
Kapitel 1. Einführung in die DatenwissenschaftAnzahl der Seiten: 10Dieses Kapitel führt den Leser in die Datenwissenschaft ein und beschreibt die wichtigsten Phasen der Arbeit mit Daten (Sammeln, Erkunden, Vorverarbeiten, Visualisieren, Vorhersagen und Ableiten von Wissen). Es legt die allgemeinen Erwartungen fest, was einen Bereich der Datenwissenschaft ausmacht. In diesem Kapitel wird die Anaconda IDE vorgestellt, die in diesem Buch verwendet wird.
Kapitel 2. DatenerfassungAnzahl der Seiten: 40Dieses Kapitel führt den Leser in das Abrufen und Speichern von Daten aus/zu verschiedenen Datenquellen ein: Textdateien (einschließlich verschiedener Formate wie CSV, XML und JSON), Binärdateien (einschließlich Apache Avro), über das Web zugängliche Daten, relationale Datenbanken, NoSQL-Datenbanken, Apache Arrow (als effizientes und neuartiges spaltenförmiges Datenspeichersystem), multimodale Datenbanken und Netzwerkdatenbanken. In diesem Kapitel wird auch BeautifulSoup für die Arbeit mit XML und HTML vorgestellt.
Kapitel 3. Grundlegende DatenverarbeitungAnzahl der Seiten: 40Dies sind Standard-Python-Bibliotheken für wissenschaftliches Rechnen und Datenverarbeitung. NumPy umfasst alle Arten von Datenstrukturen, die bei der Datenanalyse benötigt werden. Anhand von Beispielen wird die Bedeutung von ausgefeilten Frameworks und wiederverwendungsbasierter Softwareentwicklung im Bereich der Datenwissenschaft beleuchtet.
Kapitel 4. Dokumentieren der ArbeitAnzahl der Seiten: 20In diesem Kapitel wird die beliebteste Datenverarbeitungsumgebung für die Datenanalyse vorgestellt. Sie ermöglicht den Austausch von Ergebnissen zwischen Datenwissenschaftlern auf leicht reproduzierbare Weise.
Kapitel 5. Transformation und Verpackung von DatenAnzahl der Seiten: 30Dieses Kapitel beleuchtet ein wichtiges Data-Science-Framework, das auf NumPy aufgebaut ist. Es bietet hervorragende Datenstrukturen für den Umgang mit Datenrahmen und -reihen.
Kapitel 6. VisualisierungAnzahl der Seiten: 40In diesem Kapitel werden verschiedene Möglichkeiten zur Visualisierung von Daten vorgestellt; zusammenfassende Statistiken oder tabellarische Darstellungen sind bei der Erforschung von Daten nur von begrenztem Wert. Die folgenden Frameworks werden in diesem Kapitel behandelt: matplotlib, glueviz, Bokeh und orange3. Die Visualisierung ist sowohl bei der explorativen Analyse als auch bei der Erstellung effektiver Berichte wichtig.
Kapitel 7. Vorhersage und InferenzAnzahl der Seiten: 50Dieses Kapitel befasst sich mit allen Techniken und Technologien, die für eine angemessene Skalierung von Data Science erforderlich sind. Der Leser lernt, wie man Systeme erstellt, die Antworten auf ungesehene Daten formulieren oder versteckte Muster in Daten finden können. Es wird auf überwachte, unüberwachte, tiefe und verstärkende Lernmethoden eingehen. Außerdem werden Apache Spark mit MLib (sowohl im Batch- als auch im Stream-Modus) sowie TensorFlow vorgestellt. Die folgenden Frameworks werden ebenfalls Thema dieses Kapitels sein: XGBoost, sci-kit learn und Keras mit PyTorch.
Kapitel 8. NetzwerkanalyseAnzahl der Seiten: 40Dieses Kapitel befasst sich mit der Analyse von komplexen Netzwerken und Graphen. In diesem Kapitel werden Apache Spark GraphX, Apache Giraph und NetworkX vorgestellt. In diesem Kapitel wird auch die Spektralgraphenanalyse vorgestellt, eine interessante approximative, nicht lineare und nicht parametrische Methode des maschinellen Lernens.
Kapitel 9. Data Science Process EngineeringAnzahl der Seiten: 20In diesem Kapitel wird erläutert, wie Data Science-Verfahren/Methoden, die von Teams über OMG Essence verwendet werden, gemeinsam genutzt und angepasst werden können.
Kapitel 10. Multiagentensysteme, Spieltheorie und maschinelles LernenAnzahl der Seiten: 30Dieses Kapitel befasst sich mit fortgeschrittenen datenorientierten Anwendungen, bei denen Daten von selbstverwalteten intelligenten Agenten produziert und verbraucht werden. Das Kapitel führt den Leser in das Konzept der Multiagentensysteme, spieltheoretische Methoden und Modelle sowie damit verbundene Lernalgorithmen ein.
Kapitel 11. Probabilistische grafische ModelleNumbe.
| ISBN: | 9781484248584 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 462 |
Derzeit verfügbar, auf Lager.
