Opis produktu: Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III - Avinash Navlani, Armando Fandango, Ivan Idris

Książka zawiera wszystkie potrzebne informacje i umiejętności, aby skutecznie używać Pythona do analizy danych. Przedstawia niezbędne podstawy statystyki i zasady analizy danych, zaawansowane zagadnienia dotyczące przygotowania, przetwarzania i modelowania danych, a także ich wizualizacji. W zrozumiały sposób wyjaśnia takie procesy jak inteligentne przetwarzanie i analizowanie danych za pomocą algorytmów uczenia maszynowego: regresji, klasyfikacji, analizy głównych składowych czy analizy skupień. Podręcznik składa się z praktycznych przykładów przetwarzania języka naturalnego i analizy obrazów, przeznaczony jest dla przyszłych programistów.

Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III - A. Navlani, A. Fandango, I. Idris.

Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III.

Informacje o autorach

Informacje o książce

• Tytuł oryginału: Python Data Analysis: Perform data collection, data processing, wrangling, visualization, and model building using Python, 3rd Edition
• Autorzy: Avinash Navlani, Armando Fandango, Ivan Idris
• Tłumaczenie: Krzysztof Sawka
• ISBN: 978-83-283-8360-9
• Data wydania: 26.04.2022 r.
• Format: 168 x 237 mm
• Oprawa: miękka
• Ilość stron: 384
• Wydawnictwo: Helion S.A.

Spis treści

Współautorzy

Wstęp

Część I. Podstawy analizy danych

1. • Rozdział 1. Wprowadzenie do bibliotek Pythona
     • Wyjaśnienie pojęcia "analiza danych"
     • Standardowy proces analizy danych
     • Proces KDD
     • Proces SEMMA
     • Proces CRISP-DM
     • Analiza danych a danetyka
     • Umiejętności analityka danych oraz danetyka
     • Instalacja środowiska Python 3
     • Oprogramowanie używane w tej książce
     • Używanie aplikacji IPython jako powłoki
     • Korzystanie z aplikacji JupyterLab
     • Stosowanie aplikacji Jupyter Notebook
     • Zaawansowane funkcje aplikacji Jupyter Notebook
     • Podsumowanie
   • Rozdział 2. Biblioteki NumPy i pandas
     • Wymogi techniczne
     • Tablice NumPy
     • Numeryczne typy danych tablic NumPy
     • Manipulowanie wymiarami tablic
     • Łączenie tablic NumPy
     • Rozdzielanie tablic NumPy
     • Zmiana typu danych tablic NumPy
     • Tworzenie widoków i kopii NumPy
     • Fragmentowanie tablic NumPy
     • Indeksowanie logiczne i indeksowanie specjalne
     • Rozgłaszanie tablic
     • Tworzenie obiektów DataFrame biblioteki pandas
     • Obiekt Series biblioteki pandas
     • Odczytywanie i kwerendowanie danych Quandl
     • Opisywanie obiektów DataFrame
     • Grupowanie i złączanie obiektów DataFrame
     • Praca z brakującymi danymi
     • Tworzenie tabel przestawnych
     • Rozwiązywanie kwestii dat
     • Podsumowanie
     • Bibliografia
   • Rozdział 3. Statystyka
     • Wymogi techniczne
     • Atrybuty i ich typy
     • Pomiar tendencji centralnej
     • Pomiar dyspersji
     • Skośność i kurtoza
     • Określanie związków za pomocą współczynników kowariancji i korelacji
     • Centralne twierdzenie graniczne
     • Pozyskiwanie prób
     • Przeprowadzanie testów parametrycznych
     • Przeprowadzanie testów nieparametrycznych
     • Podsumowanie
   • Rozdział 4. Algebra liniowa
     • Wymogi techniczne
     • Dopasowywanie do wielomianów za pomocą biblioteki NumPy
     • Wyznacznik macierzy
     • Określanie rzędu macierzy
     • Macierz odwrotna w bibliotece NumPy
     • Rozwiązywanie równań liniowych za pomocą biblioteki NumPy
     • Rozkład macierzy za pomocą SVD
     • Wartości własne i wektory własne w bibliotece NumPy
     • Generowanie liczb losowych
     • Rozkład dwumianowy
     • Rozkład normalny
     • Testowanie normalności rozkładu danych za pomocą biblioteki SciPy
     • Tworzenie tablicy maskowanej za pomocą podpakietu numpy.ma
     • Podsumowanie

Część II. Eksploracyjna analiza danych i oczyszczanie danych

1. • Rozdział 5. Wizualizacja danych
     • Wymogi techniczne
     • Wizualizacja za pomocą pakietu Matplotlib
     • Zaawansowana wizualizacja za pomocą pakietu seaborn
     • Wizualizacja interaktywna za pomocą biblioteki Bokeh
     • Podsumowanie
   • Rozdział 6. Pozyskiwanie, przetwarzanie i przechowywanie danych
     • Wymogi techniczne
     • Odczyt i zapis plików CSV za pomocą biblioteki NumPy
     • Odczyt i zapis plików CSV za pomocą biblioteki pandas
     • Odczyt i zapis plików arkusza kalkulacyjnego Excel
     • Odczyt i zapis plików JSON
     • Odczyt i zapis plików HDF5
     • Odczyt i zapis danych z tabel HTML-a
     • Odczyt i zapis plików Parquet
     • Odczyt i zapis danych z obiektu pickle
     • Łatwy dostęp do danych za pomocą modułu sqlite3
     • Odczyt i zapis danych w bazie danych MySQL
     • Odczyt i zapis danych w bazie danych MongoDB
     • Odczyt i zapis danych w bazie danych Cassandra
     • Odczyt i zapis danych w bazie danych Redis
     • PonyORM
     • Podsumowanie
   • Rozdział 7. Oczyszczanie nieuporządkowanych danych
     • Wymogi techniczne
     • Eksploracja danych
     • Filtrowanie danych w celu pozbycia się szumu
     • Rozwiązywanie kwestii brakujących wartości
     • Rozwiązywanie kwestii elementów odstających
     • Techniki kodowania cech
     • Skalowanie cech
     • Przekształcanie cech
     • Rozdzielanie cech
     • Podsumowanie
   • Rozdział 8. Przetwarzanie sygnałów i szeregi czasowe
     • Wymogi techniczne
     • Moduł statsmodels
     • Średnie kroczące
     • Funkcje okna czasowego
     • Kointegracja
     • Rozkład STL
     • Autokorelacja
     • Modele autoregresyjne
     • Model ARMA
     • Generowanie sygnałów okresowych
     • Analiza Fouriera
     • Filtrowanie metodą analizy widmowej
     • Podsumowanie

Część III. Dokładna analiza uczenia maszynowego

1. • Rozdział 9. Uczenie nadzorowane: analiza regresyjna
     • Wymogi techniczne
     • Regresja liniowa
     • Wielowspółliniowość
     • Zmienne fikcyjne
     • Projektowanie modelu regresji liniowej
     • Ocenianie skuteczności modelu regresyjnego
     • Dopasowywanie regresji wielomianowej
     • Modele regresji używane w klasyfikacji
     • Regresja logistyczna
     • Implementacja regresji logistycznej za pomocą biblioteki scikit-learn
     • Podsumowanie
   • Rozdział 10. Uczenie nadzorowane: techniki klasyfikacji
     • Wymogi techniczne
     • Klasyfikacja
     • Naiwny klasyfikator Bayesa
     • Drzewa decyzyjne
     • Algorytm KNN
     • Maszyny wektorów nośnych
     • Podział danych na zestawy uczący i testowy
     • Ocena skuteczności modelu klasyfikacji
     • Krzywa ROC i obszar AUC
     • Podsumowanie
   • Rozdział 11. Uczenie nienadzorowane: PCA i analiza skupień
     • Wymogi techniczne
     • Uczenie nienadzorowane
     • Redukowanie wymiarowości danych
     • Analiza głównych składowych
     • Analiza skupień
     • Grupowanie danych za pomocą algorytmu centroidów
     • Hierarchiczna analiza skupień
     • Algorytm DBSCAN
     • Widmowa analiza skupień
     • Ocenianie jakości analizy skupień
     • Podsumowanie

Część IV. Przetwarzanie języka naturalnego, analiza obrazów i obliczenia równoległe

1. • Rozdział 12. Analiza danych tekstowych
     • Wymogi techniczne
     • Instalacja bibliotek NLTK i spaCy
     • Normalizacja tekstu
     • Tokenizacja
     • Usuwanie słów nieinformatywnych
     • Rdzeniowanie słów i lematyzacja
     • Oznaczanie części mowy
     • Rozpoznawanie jednostek nazewniczych
     • Analiza zależności
     • Tworzenie chmury słów
     • "Worek słów"
     • Metoda TF-IDF
     • Analiza sentymentów za pomocą klasyfikacji tekstu
     • Podobieństwo tekstów
     • Podsumowanie
   • Rozdział 13. Analiza obrazów
     • Wymogi techniczne
     • Instalacja biblioteki OpenCV
     • Omówienie danych obrazowych
     • Modele barw
     • Rysowanie na obrazach
     • Pisanie na obrazach
     • Zmiana rozmiaru obrazu
     • Przekształcenie izometryczne obrazów
     • Zmiana jasności
     • Rozmywanie obrazu
     • Wykrywanie twarzy
     • Podsumowanie
   • Rozdział 14. Obliczenia równoległe za pomocą biblioteki Dask
     • Obliczenia równoległe za pomocą biblioteki Dask
     • Typy danych Dask
     • Interfejs Dask Delayed
     • Skalowane wstępne przetwarzanie danych
     • Skalowane uczenie maszynowe
     • Podsumowanie