Avis des lecteurs
Résumé:Le livre fournit un guide complet des projets de science des données utilisant Python, en se concentrant sur les applications pratiques et réelles et sur les concepts d'apprentissage automatique. Si de nombreux lecteurs apprécient les explications détaillées et les exercices pratiques, certains critiquent la qualité des exemples de code et la pertinence du contenu pour ceux qui recherchent une compréhension plus large de l'analyse des données, car il met fortement l'accent sur l'apprentissage automatique.
Avantages:⬤ Explications détaillées du code Python et des concepts d'apprentissage automatique
⬤ applications pratiques basées sur des données réelles
⬤ mise en page bien structurée
⬤ convient aux débutants et à ceux qui ont une certaine expérience de Python
⬤ l'auteur est réactif et serviable.
⬤ Les exemples de code peuvent ne pas fonctionner comme prévu
⬤ certains lecteurs trouvent que le livre est trop axé sur l'apprentissage automatique avec une couverture insuffisante de l'analyse et de la visualisation des données
⬤ qualité d'impression incohérente
⬤ certains exemples peuvent être peu engageants et mal édités.
(basé sur 17 avis de lecteurs)
Titre original :
Data Science Projects with Python
Contenu du livre :
Acquérir une expérience pratique avec les outils standards d'analyse de données et d'apprentissage automatique en Python Caractéristiques principales Aborder les problèmes de science des données en identifiant le problème à résoudre Illustrer les modèles dans les données à l'aide de visualisations appropriées Mettre en œuvre des algorithmes d'apprentissage automatique appropriés pour obtenir des informations à partir des données Description du livre
Data Science Projects with Python est conçu pour vous donner des conseils pratiques sur les outils d'analyse de données et d'apprentissage automatique standard de l'industrie, en les appliquant à des problèmes de données réalistes. Vous apprendrez à utiliser pandas et Matplotlib pour examiner de manière critique des ensembles de données à l'aide de statistiques sommaires et de graphiques, et extraire les informations que vous souhaitez obtenir. Vous développerez vos connaissances en préparant des données à l'aide du package scikit-learn et en les soumettant à des algorithmes d'apprentissage automatique tels que la régression logistique régularisée et la forêt aléatoire. Vous découvrirez comment régler les algorithmes pour obtenir les prédictions les plus précises sur des données nouvelles et inédites. Au fur et à mesure que vous progresserez, vous comprendrez mieux le fonctionnement et les résultats de ces algorithmes, ce qui vous permettra de mieux appréhender les capacités prédictives des modèles et les raisons qui les poussent à faire ces prédictions.
À la fin de ce livre, vous aurez acquis les compétences nécessaires pour utiliser en toute confiance des algorithmes d'apprentissage automatique afin d'effectuer des analyses de données détaillées et d'extraire des informations significatives de données non structurées. Ce que vous apprendrez Installer les paquets nécessaires pour mettre en place un environnement de codage de science des données Charger des données dans un carnet Jupyter fonctionnant sous Python Utiliser Matplotlib pour créer des visualisations de données Ajuster des modèles d'apprentissage automatique en utilisant scikit-learn Utiliser lasso et la régression ridge pour régulariser vos modèles Comparer les performances entre les modèles pour trouver les meilleurs résultats Utiliser la validation croisée k-fold pour sélectionner les hyperparamètres du modèle À qui s'adresse ce livre ?
Si vous êtes un analyste de données, un data scientist ou un analyste commercial qui souhaite commencer à utiliser Python et des techniques d'apprentissage automatique pour analyser des données et prédire des résultats, ce livre est fait pour vous. Des connaissances de base de Python et de l'analyse de données vous aideront à tirer le meilleur parti de ce livre. Une bonne connaissance des concepts mathématiques tels que l'algèbre et les statistiques de base vous sera également utile. Table des matières Exploration et nettoyage des données Introduction à Scikit-Learn et à l'évaluation des modèles Détails de la régression logistique et de l'exploration des caractéristiques Le compromis biais-variance Arbres de décision et forêts aléatoires Imputation des données manquantes, analyse financière et livraison au client
Autres informations sur le livre :
| ISBN : | 9781838551025 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
