Avis des lecteurs
Résumé:Le livre a reçu des critiques mitigées, certains utilisateurs le trouvant utile pour les débutants en science des données, tandis que d'autres critiquent sa profondeur et sa clarté, en particulier dans l'explication de la syntaxe Python et de l'utilisation de Jupyter.
Avantages:Certains lecteurs apprécient le livre pour son utilité dans la révision des concepts et son langage clair pour les débutants. Il couvre un large éventail de sujets dans le domaine de la science des données et est considéré comme un bon point de départ pour ceux qui s'intéressent à ce domaine.
Inconvénients:De nombreux critiques soulignent le manque de profondeur du livre, les mauvaises explications et la couverture inadéquate de la syntaxe Python. Les critiques mentionnent qu'il nécessite des connaissances préalables en science des données et en programmation pour être utile, et certains trouvent le contenu insuffisant pour un apprentissage sérieux.
(basé sur 11 avis de lecteurs)
Titre original :
Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples
Contenu du livre :
Guide pas à pas pour pratiquer les techniques de la science des données avec les carnets Jupyter.
Description
Les entreprises modernes sont inondées de données, ce qui rend les tâches de prise de décision basées sur les données de plus en plus complexes. Par conséquent, une expertise technique et des compétences analytiques pertinentes sont nécessaires pour effectuer de telles tâches. Ce livre vise à vous doter d'une connaissance suffisante de Python ainsi que des compétences nécessaires à l'utilisation d'outils puissants tels que Jupyter Notebook afin de réussir dans le rôle d'un data scientist.
Le livre commence par une brève introduction au monde de la science des données et aux opportunités que vous pouvez rencontrer, ainsi qu'une vue d'ensemble des sujets clés couverts dans le livre. Vous apprendrez à configurer l'installation d'Anaconda, qui comprend Jupyter et des paquets Python préinstallés. Avant de plonger dans plusieurs techniques d'apprentissage automatique supervisées, non supervisées et autres, vous apprendrez à utiliser les structures de données de base, les fonctions, les bibliothèques et les paquets nécessaires pour importer, nettoyer, visualiser et traiter les données. Plusieurs techniques d'apprentissage automatique telles que la régression, la classification, le regroupement, les séries temporelles, etc. ont été expliquées à l'aide d'exemples pratiques et en comparant les performances de différents modèles.
À la fin du livre, vous rencontrerez quelques études de cas qui vous permettront de mettre vos connaissances en pratique et de résoudre des problèmes professionnels réels tels que la création d'un moteur de recommandation de films, la classification de messages de spam, la prédiction de la capacité d'un emprunteur à rembourser un prêt dans les délais et la prévision de séries temporelles des prix de l'immobilier. N'oubliez pas de mettre en pratique les exemples supplémentaires fournis dans le code du livre pour maîtriser ces techniques.
Public
Ce livre s'adresse à tous ceux qui cherchent à faire carrière dans la science des données, à tous les scientifiques en herbe qui veulent apprendre le langage de programmation le plus puissant dans le domaine de l'apprentissage automatique ou aux professionnels qui veulent réorienter leur carrière dans la science des données. Bien qu'aucune connaissance préalable de la science des données ou des technologies connexes ne soit supposée, il sera utile d'avoir une certaine expérience de la programmation.
Caractéristiques principales
⬤ Acquérir des compétences en Python pour réaliser des projets indépendants en science des données.
⬤ Apprendre les bases de l'algèbre linéaire et de la science statistique à la manière de Python.
⬤ Comprendre comment et quand ils sont utilisés dans la science des données.
⬤ Construire des modèles prédictifs, ajuster leurs paramètres et analyser leur performance en quelques étapes.
⬤ Les cours sont conçus pour permettre aux étudiants de se familiariser avec l'algèbre linéaire, la science statistique et la science des données.
⬤ Apprendre à utiliser matplotlib et seaborn pour la visualisation des données.
⬤ Mettre en œuvre et sauvegarder des modèles d'apprentissage automatique pour des scénarios d'affaires réels.
Table des matières
⬤ Fondamentaux de la science des données.
⬤ Installation du logiciel et configuration.
⬤ Listes et dictionnaires.
⬤ Fonctions et paquets.
⬤ Fondation NumPy.
⬤ Pandas et Dataframe.
⬤ Interagir avec les bases de données.
⬤ Penser statistiquement en science des données.
⬤ Comment importer des données en Python ?
⬤ Nettoyage des données importées.
⬤ Visualisation des données.
⬤ Prétraitement des données.
⬤ Apprentissage automatique supervisé.
⬤ Apprentissage automatique non supervisé.
⬤ Traitement des données de séries temporelles.
⬤ Méthodes pour les séries temporelles.
⬤ Étude de cas - 1.
⬤ Étude de cas - 2.
⬤ Étude de cas - 3.
⬤ Étude de cas - 4.
A propos de l'auteur
Prateek est un passionné de données et aime les technologies basées sur les données. Prateek a 7 ans d'expérience et travaille actuellement en tant que Data Scientist dans une multinationale. Il a travaillé avec des clients des secteurs de la finance et de la vente au détail et a développé des solutions d'apprentissage automatique et d'apprentissage profond pour leurs activités. Il s'intéresse particulièrement au traitement du langage naturel et à la vision par ordinateur. Dans le cadre de ses loisirs, il écrit des articles sur la science des données avec Python sur son blog.
Autres informations sur le livre :
| ISBN : | 9789388511377 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 324 |
Achat:
Actuellement disponible, en stock.
