Python для сложных задач, Наука о данных, Вандер Плас Д., 2024

Справка и документация в IPython.
Если вы не читали другие разделы в данной главе, прочитайте хотя бы этот. Обсуждаемые здесь утилиты (из IPython) внесли наибольший вклад в мой ежедневный процесс разработки.

Когда человека с техническим складом ума просят помочь другу, родственнику или коллеге решить проблему с компьютером, чаще всего речь идет об умении быстро найти неизвестное решение. В науке о данных все точно так же: веб-ресурсы с поддержкой поиска, такие как онлайн-документация, дискуссии в почтовых рассылках и ответы на сайте Stack Overflow, содержат массу информации, даже если речь идет о теме, информацию по которой вы уже искали. Уметь эффективно исследовать данные означает скорее не запоминание утилит или команд, которые нужно использовать в каждой из возможных ситуаций, а знание того, как эффективно искать неизвестную пока информацию: посредством поиска в Интернете или с помощью других средств.

ОГЛАВЛЕНИЕ.
Предисловие.
ЧАСТЬ I. JUPYTER: ЗА ПРЕДЕЛАМИ ОБЫЧНОГО PYTHON.
Глава 1. Знакомство с IPython и Jupyter.
Глава 2. Расширенные интерактивные возможности.
Глава 3. Отладка и профилирование.
ЧАСТЬ II. ВВЕДЕНИЕ В NUMPY.
Глава 4. Типы данных в Python.
Глава 5. Введение в массивы NumPy.
Глава 6. Вычисления с массивами NumPy: универсальные функции.
Глава 7. Агрегирование: минимум, максимум и все, что посередине.
Глава 8. Операции над массивами. Транслирование.
Глава 9. Сравнения, маски и булева логика.
Глава 10. «Прихотливая» индексация.
Глава 11. Сортировка массивов.
Глава 12. Структурированные данные: структурированные массивы NumPy.
ЧАСТЬ III. МАНИПУЛЯЦИИ НАД ДАННЫМИ С ПОМОЩЬЮ ПАКЕТА PANDAS.
Глава 13. Знакомство с объектами библиотеки Pandas.
Глава 14. Индексация и выборка данных.
Глава 15. Операции над данными в библиотеке Pandas.
Глава 16. Обработка отсутствующих данных.
Глава 17. Иерархическая индексация.
Глава 18. Объединение наборов данных: конкатенация и добавление в конец.
Глава 19. Объединение наборов данных: слияние и соединение.
Глава 20. Агрегирование и группировка.
Глава 21. Сводные таблицы.
Глава 22. Векторизованные операции над строками.
Глава 23. Работа с временными рядами.
Глава 24. Увеличение производительности библиотеки Pandas: eval() и query().
ЧАСТЬ IV. ВИЗУАЛИЗАЦИЯ С ПОМОЩЬЮ БИБЛИОТЕКИ MATPLOTLIB.
Глава 25. Общие советы по библиотеке Matplotlib.
Глава 26. Простые линейные графики.
Глава 27. Простые диаграммы рассеяния.
Глава 28. Графики плотности и контурные графики.
Глава 29. Настройка легенд на графиках.
Глава 30. Настройка цветовых шкал.
Глава 31. Множественные субграфики.
Глава 32. Текст и поясняющие надписи.
Глава 33. Настройка делений на осях координат.
Глава 34. Настройка Matplotlib: конфигурации и таблицы стилей.
Глава 35. Построение трехмерных графиков в библиотеке Matplotlib.
Глава 36. Визуализация с помощью библиотеки Seaborn.
ЧАСТЬ V. МАШИННОЕ ОБУЧЕНИЕ.
Глава 37. Что такое машинное обучение.
Глава 38. Знакомство с библиотекой Scikit-Learn.
Глава 39. Гиперпараметры и проверка модели.
Глава 40. Проектирование признаков.
Глава 41. Заглянем глубже: наивная байесовская классификация.
Глава 42. Заглянем глубже: линейная регрессия.
Глава 43. Заглянем глубже: метод опорных векторов.
Глава 44. Заглянем глубже: деревья решений и случайные леса.
Глава 45. Заглянем глубже: метод главных компонент.
Глава 46. Заглянем глубже: обучение на базе многообразий.
Глава 47. Заглянем глубже: кластеризация методом k средних.
Глава 48. Заглянем глубже: смеси гауссовых распределений.
Глава 49. Заглянем глубже: ядерная оценка плотности распределения.
Глава 50. Прикладная задача: конвейер распознавания лиц.
Об авторе.
Иллюстрация на обложке.

Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Python для сложных задач, Наука о данных, Вандер Плас Д., 2024 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Скачать - pdf - Яндекс.Диск.