Scarica Libro Data Science mit Python für Dummies Gratuito pdf, ePub, kindle

Data Science mit Python für Dummies Scaricare (Leggi online.Download) Libro Gratuito PDF, ePub, Kindle

mueller john paul; massaron luca - data science mit python für dummies

Sommario

Über die Autoren 9

Luca Massarons Widmung 9

John Muellers Widmung 10

Luca Massarons Danksagung 10

John Muellers Danksagung 10

Einleitung 23

Über dieses Buch 23

Törichte Annahmen 24

Im Buch verwendete Symbole 25

Über das Buch hinaus 25

Wie es weitergeht 26

Teil I Erste Schritte mit Python für Data Science 27

Kapitel 1 Wie Data Science und Python zusammenpassen 29

Die Definition des geilsten Jobs des 21. Jahrhunderts 31

Die Entstehung von Data Science 31

Umriss der Kernkompetenzen eines Data Scientists 32

Die Verbindung von Data Science und Big Data 32

Das Verständnis der Rolle der Programmierung 33

Die Entwicklung einer Data–Science–Pipeline 33

Vorbereitung der Daten 33

Darstellung der beschreibenden Datenanalyse 34

Von den Daten lernen 34

Visualisierung 34

Erkenntnisse und Ergebnisse 34

Die Rolle von Python in Data Science 35

Das sich wandelnde Profil eines Data Scientists 35

Die Arbeit mit einer vielseitigen, einfachen und effizienten Sprache 36

Der schnelle Einstieg in Python 36

Daten laden 38

Ein Modell ableiten 38

Anzeige eines Ergebnisses 39

Kapitel 2 Einführung in Pythons Fähigkeiten und Möglichkeiten 41

Warum Python? 42

Verständnis der Kernphilosophie Pythons 43

Gegenwärtige und zukünftige Entwicklungsziele entdecken 43

Arbeiten mit Python 43

Ein Vorgeschmack auf die Sprache 43

Die Notwendigkeit von Einrückungen verstehen 44

Arbeiten mit der Kommandozeile oder IDE 44

Schnelles Prototyping und Experimentieren 49

Die Geschwindigkeit der Ausführung 51

Die Kraft der Visualisierung 52

Das Python–Ökosystem für Data Science 54

Mit SciPy auf wissenschaftliche Werkzeuge zugreifen 54

Grundlagen des wissenschaftlichen Rechnens mit NumPy 54

Datenanalyse mit Pandas 54

Implementierung des maschinellen Lernens mit Scikit–learn 55

Plotten mit MatPlotLib 55

Syntaxanalyse von HTML–Dokumenten mit Beautiful Soup 55

Kapitel 3 Einrichtung von Python für Data Science 57

Betrachtung der üblichen wissenschaftlichen Distributionen 58

Continuum Analytics Anaconda 58

Enthought Canopy Express 59

Pythonxy 60

WinPython 60

Installation von Anaconda auf Windows 60

Installation von Anaconda auf Linux 64

Installation von Anaconda auf Mac OS X 65

Download der Datensätze und des Beispielcodes 66

Die Nutzung von IPython Notebook 67

Festlegung des Code–Archivs 68

Verständnis der in diesem Buch verwendeten Datensätze 74

Kapitel 4 Die Grundlagen von Python 77

Arbeiten mit Zahlen und Logik 78

Zuordnung von Variablen 79

Arithmetik 80

Vergleichen von Daten mit booleschen Ausdrücken 82

Erstellung und Nutzung von Zeichenketten 84

Interaktionen mit einer Zeitangabe 85

Erstellung und Verwendung von Funktionen 87

Entwicklung wiederverwendbarer Funktionen 87

Der Aufruf einer Funktion auf unterschiedliche Arten 89

Verwendung von bedingten und iterativen Anweisungen 92

Entscheidungsfindung mit der if–Anweisung 92

Die Wahl zwischen mehreren Optionen mit verschachtelten Entscheidungen 93

Ausführung sich wiederholender Aufgaben mit dem for–Kommando 94

Verwendung der while–Anweisung 95

Daten mit Mengen, Listen und Tupeln speichern 96

Operationen mit Mengen 96

Die Arbeit mit Listen 97

Erstellung und Verwendung von Tupeln 98

Definition nützlicher Iteratoren 100

Indizierung von Daten mit Dictionaries 101

Teil II Mit Daten arbeiten 103

Kapitel 5 Arbeiten mit richtigen Daten 105

Upload, Streaming und Auswahl von Daten 106

Laden kleiner Datenmengen in den Speicher 106

Laden großer Datenmengen in den Speicher 108

Auswahl von Daten 108

Daten in strukturierter Flatfile–Form 110

Aus einer Textdatei lesen 110

Lesen des CSV–Formats 111

Lesen von Excel– oder anderen Microsoft–Dateien 114

Laden von Daten aus unstrukturierten Dateien 115

Verwaltung von Daten aus relationalen Datenbanken 118

Interaktion mit Daten einer NoSQL–Datenbank 120

Verwendung von Daten aus dem Internet 120

Kapitel 6 Konditionierung der Daten 125

Zwischen NumPy und Pandas hin– und herjonglieren 126

Wann man NumPy verwendet 126

Wann man Pandas verwendet 126

Validierung der Daten 127

Herausfinden, was in Ihren Daten steckt 127

Duplikate entfernen 129

Erstellung einer Datenkarte und eines Datenplans 129

Manipulation kategorialer Variablen 131

Erstellung kategorialer Variablen 132

Umbenennen der Ebenen 134

Die Kombination von Ebenen 134

Der Umgang mit Zeitangaben in Ihren Daten 136

Formatierung von Datums– und Zeitangaben 136

Die richtige Zeittransformation 137

Umgang mit fehlenden Daten 138

Fehlende Daten finden 138

Codierung fehlender Daten 139

Einspeisung fehlender Daten 140

Schneiden und Vereinzeln: Filtern und Auswählen von Daten 141

Zeilen schneiden 141

Spalten schneiden 142

Vereinzelung 143

Verkettung und Transformation 143

Neue Fälle und Variablen hinzufügen 144

Entfernen von Daten 145

Sortieren und Mischen 146

Aggregation von Daten auf einer Ebene 147

Kapitel 7 Daten in Form bringen 149

Arbeiten mit HTML–Seiten 149

Parsen von XML und HTML 150

Benutzung von XPath für die Extraktion von Daten 151

Die Arbeit mit reinem Text 152

Die Arbeit mit Unicode 152

Stemming und Entfernen von Stoppwörtern 153

Einführung in reguläre Ausdrücke 155

Verwendung des Bag–of–Words–Modells und anderer Modelle 158

Funktionsweise des Bag–of–Words–Modells 158

Arbeiten mit N–Grammen 160

Implementierung von TF–IDF Transformationen 161

Arbeiten mit Graphdaten 163

Die Adjazenzmatrix 163

Grundlagen in NetworkX 163

Kapitel 8 Das, was Sie schon wissen, in die Tat umsetzen 167

Kontextualisierung von Problemen und Daten 168

Auswertung eines Data–Science–Problems 169

Erforschung von Lösungen 169

Formulierung einer Hypothese 170

Vorbereitung Ihrer Daten 170

Betrachtung der Erstellung von Merkmalen 171

Definition der Merkmalserstellung 171

Kombination von Variablen 172

Klasseneinteilung und Diskretisierung 172

Verwendung von Indikatorvariablen 173

Umwandlung von Verteilungen 173

Operationen mit Arrays 174

Vektorisierung 174

Einfache Arithmetik mit Vektoren und Matrizen 175

Matrix–Vektor–Multiplikation 175

Matrix–Multiplikation 176

Teil III Visualisierung des Unsichtbaren 177

Kapitel 9 Ein Crashkurs in MatPlotLib 179

Mit einem Graphen beginnen 180

Definition eines Plots 180

Zeichnen mehrerer Linien und Plots 181

Speichern Sie Ihre Arbeit 182

Einstellen der Achsen, Intervalle und Gitternetzlinien 183

Die Achsen 183

Formatierung der Achsen 183

Hinzufügen von Gitternetzen 185

Das Erscheinungsbild von Linien festlegen 186

Die Arbeit mit Linienstilen 186

Verwendung von Farben 187

Marker hinzufügen 188

Labels, Anmerkungen und Legenden 190

Hinzufügen von Labels 190

Hinzufügen von Anmerkungen zum Diagramm 191

Erstellen einer Legende 192

Kapitel 10 Visualisierung von Daten 195

Die Wahl der richtigen Grafik 196

Darstellung von Teilen eines Ganzen mit Kreisdiagrammen 196

Darstellung von Vergleichen mit Balkendiagrammen 197

Darstellung von Vergleichen mit Histogrammen 199

Darstellung von Gruppen mit Boxplots 200

Sehen von Datenmustern mit Streudigrammen 202

Erstellung erweiterter Streudiagramme 203

Darstellung von Gruppen 203

Darstellung von Korrelationen 204

Plotten von Zeitreihen 206

Abbildung der Zeit auf den Achsen 206

Plotten von Trends über einen bestimmten Zeitraum 208

Plotten geografischer Daten 210

Visualisierung mit Graphen 212

Erstellung ungerichteter Graphen 212

Erstellung gerichteter Graphen 214

Kapitel 11 Die Tools verstehen 217

Arbeiten mit der IPython–Konsole 217

Arbeiten mit Bildschirmtext 218

Wechseln der Fensteranzeige 220

Die Python–Hilfe 221

Die IPython–Hilfe 223

Nutzung der magischen Funktionen 224

Objekte untersuchen 225

Das IPython Notebook 226

Arbeiten mit Formatvorlagen 226

Neustarten des Kernels 228

Wiederherstellung eines Checkpoints 229

Multimedia– und Grafikintegration 230

Einbetten von Plots und anderen Bildern 230

Laden von Beispielen aus Webseiten 232

Erhalt von Online–Grafiken und Multimedia 232

Teil IV Daten handhabbar machen 235

Kapitel 12 Pythons Möglichkeiten erweitern 237

Mit Scikit–learn spielen 238

Klassen in Scikit–learn verstehen 238

Anwendungen für Data Science erkennen 239

Den Hashing–Trick durchführen 242

Hash–Funktionen nutzen 242

Hash–Tricks demonstrieren 243

Mit deterministischer Selektion arbeiten 245

Zeit und Performance berücksichtigen 246

Benchmarking mit timeit 247

Mit dem Speicher–Profiler arbeiten 249

Parallele Verarbeitung 251

Mehrkern–Verarbeitung durchführen 252

Mehrkern–Verarbeitung demonstrieren 252

Kapitel 13 Datenanalyse erforschen 255

Der EDA–Ansatz 256

Beschreibende Statistik für numerische Daten 257

Lagemaße bestimmen 258

Messung von Varianz und Spannweite 258

Arbeiten mit Perzentilen 259

Normalitätsmaße 260

Zählen von kategorialen Daten 261

Häufigkeiten verstehen 262

Kontingenztafeln erstellen 263

Angewandte Visualisierung für EDA 263

Boxplots untersuchen 264

T–Test nach dem Boxplot durchführen 265

Parallele Koordinaten beobachten 266

Grafische Darstellung von Verteilungen 267

Streudiagramme zeichnen 268

Korrelation verstehen 270

Kovarianz und Korrelation nutzen 270

Nichtparametrische Korrelation nutzen 273

Chi–Quadrat für Tabellen betrachten 273

Datenverteilungen modifizieren 274

Die Normalverteilung nutzen 274

Eine Z–Score–Standardisierung erstellen 275

Andere beachtenswerte Verteilungen transformieren 275

Kapitel 14 Dimensionalität verringern 277

SVD verstehen 278

Auf der Suche nach Dimensionalitätsverringerung 278

SVD nutzen, um das Unsichtbare zu messen 280

Faktor– und Hauptkomponentenanalyse durchführen 281

Das psychometrische Modell berücksichtigen 282

Nach versteckten Faktoren suchen 282

Komponenten nutzen, nicht Faktoren 283

Dimensionalitätsverringerung erreichen 283

Einige Anwendungen verstehen 284

Gesichter erkennen mit PCA 284

Themen mit NMF extrahieren 287

Filme empfehlen 289

Kapitel 15 Clustering 293

Mit K–means clustern 294

K–means–Algorithmen verstehen 295

Ein Beispiel mit Bilddaten 297

Nach optimalen Lösungen suchen 298

Big Data clustern 301

Hierarchisches Clustering durchführen 302

Jenseits von runden Clustern: DBScan 305

Kapitel 16 Ausreißer in Daten aufspüren 309

Das Aufspüren von Ausreißern in Betracht ziehen 310

Weitere Dinge finden, die schiefgehen können 311

Anomalien bei neuen Daten verstehen 312

Eine einfache univariate Methode untersuchen 312

Auf die Gauß–Verteilung zählen 314

Annahmen machen und überprüfen 315

Einen multivariaten Ansatz entwickeln 316

Hauptkomponentenanalyse nutzen 316

Cluster–Analyse nutzen 318

Ausreißer mit SVM automatisch erkennen 318

Teil V Aus Daten lernen 321

Kapitel 17 Vier einfache und effektive Algorithmen erkunden 323

Die Zahl schätzen: Lineare Regression 323

Die Familie der linearen Modelle definieren 324

Mehr Variablen nutzen 324

Limitierungen und Probleme verstehen 326

Zur logistischen Regression wechseln 327

Logistische Regression anwenden 327

Betrachtung, wenn es mehrere Klassen sind 328

Die Dinge einfach machen Naiver Bayes 329

Herausfinden, dass naiver Bayes nicht so naiv ist 331

Textklassifizierungen vorhersagen 332

Faul lernen mit der Nearest–Neighbors–Methode 334

Vorhersagen nach der Beobachtung von Nachbarn 334

Wählen Sie Ihren k–Parameter geschickt 336

Kapitel 18 Kreuzvalidierung, Selektion und Optimierung durchführen 337

Über das Problem der Anpassung eines Modells nachdenken 338

Trend und Varianz verstehen 339

Eine Strategie zur Modellauswahl definieren 340

Zwischen Trainings– und Testsatz trennen 343

Kreuzvalidierung 345

Kreuzvalidierung auf k Teilmengen anwenden 346

Probenschichtung für komplexe Daten 347

Variablen wie ein Profi auswählen 348

Durch univariate Maße selektieren 348

Eine Greedy–Suche nutzen 350

Ihre Hyperparameter aufbessern 351

Eine Rastersuche implementieren 352

Eine Zufallssuche versuchen 356

Kapitel 19 Steigerung der Komplexität mit linearen und nichtlinearen Tricks 357

Nichtlineare Transformationen nutzen 357

Variablentransformation ausüben 358

Interaktionen zwischen Variablen erstellen 360

Lineare Modelle regularisieren 364

Sich auf die Kamm–Regression (L2) verlassen 365

Das Lasso (L1) nutzen 365

Nutzung der Regularisierung 366

Elasticnet: L1 & L2 kombinieren 366

Kampf mit Big Data Stück für Stück 367

Bestimmen, ob es zu viele Daten sind 367

Implementierung des stochastischen Gradientenabstiegs 367

Support Vector Machines verstehen 370

Auf ein Berechnungsverfahren verlassen 371

Viele neue Parameter festlegen 373

Mit SVC klassifizieren 375

Nichtlinear arbeiten ist einfach 380

Regression mittels SVR ausführen 382

Stochastische Lösungen mit einer SVM erstellen 383

Kapitel 20 Die Macht der Vielen verstehen 387

Mit einfachen Entscheidungsbäumen anfangen 388

Einen Entscheidungsbaum verstehen 388

Klassifikations– und Regressionsbäume erstellen 390

Maschinelles Lernen zugänglich machen 392

Mit einem Random Forest Classifier arbeiten 394

Mit einem Random–Forest–Regressor arbeiten 395

Einen Random Forest optimieren 396

Vorhersagen stärken 397

Wissen, dass viele schwache Prädiktoren gewinnen 397

Einen Gradient–Boosting–Klassifikator erstellen 398

Einen Gradient–Boosting–Regressor erstellen 399

GBM–Hyperparameter nutzen 400

Teil VI Der Top–Ten–Teil 401

Kapitel 21 Zehn wichtige Data–Science–Ressourcensammlungen 403

Einblicke mit Data Science Weekly erhalten 404

Eine Ressourcenliste bei U–Climb–Higher erhalten 404

Einen guten Start mit KDnuggets 404

Auf die lange Liste von Ressourcen auf Data–Science–Central zugreifen 405

Die Fakten über Open–Source–Data–Science von Meistern erhalten 406

Gratis–Lernressourcen mit Quora aufspüren 406

Hilfe zu fortgeschrittenen Themen auf Conductrics erhalten 406

Neue Tricks vom Aspirational Data Scientist lernen 407

Data–Intelligence– und Analytics–Quellen auf AnalyticBridge finden 408

Mit Jonathan Bower die Ressourcen der Entwickler entdecken 408

Kapitel 22 Zehn Datenherausforderungen, die Sie annehmen sollten 409

Der Data–Science–London + Scikit–learn–Herausforderung begegnen 410

Das Überleben auf der Titanic vorhersagen 410

Einen Kaggle–Wettbewerb finden, der Ihren Bedürfnissen entspricht 411

An Ihren Überanpassungsstrategien feilen 411

Durch den MovieLens–Datensatz gehen 412

Spam–E–Mails loswerden 413

Mit handgeschriebenen Informationen arbeiten 413

Mit Bildern arbeiten 414

Amazon.com–Reviews analysieren 415

Mit einem riesigen Graphen interagieren 416

Stichwortverzeichnis 417





Lingua Italiana!


Scaricare Data Science mit Python für Dummies Libro Gratuito pdf mobi epub mp3 fb2 CD txt doc kindle Ibook iOS:



Data Science mit Python für Dummies (0.00 EUR)


Unisciti a centinaia di migliaia di membri soddisfatti che passavano innumerevoli ore alla ricerca di contenuti multimediali e online ora e ora godendo i nuovi libri, riviste e fumetti più famosi.

È qui ed è gratuito. Pertanto, è necessario registrarsi:

  • Libri, riviste e fumetti illimitati ovunque tu sia: direttamente nel tuo browser sul tuo computer o tablet.
  • Oltre 10 milioni di titoli coprono ogni genere possibile.
  • Ottieni i migliori libri, riviste e fumetti in ogni genere, tra cui Azione, Avventura, Anime, Manga, Bambini e famiglia, Classici, Commedie, Riferimenti , Manuali, Drama, Stranieri, Horror, Musica, Romance, Fantascienza, Fantasia, Sport e molti altri.
  • Nuovi titoli vengono aggiunti ogni giorno! Ci piace mantenere le cose fresche.
  • Tutte le piattaforme. Completamente ottimizzato.
  • Scopri perché migliaia di persone vanno ogni giorno.
    Iscriviti ora e goditi l’intrattenimento, illimitato!

    Dettagli

    Genere:Libro
    Lingua: Tedesco
    Editore: Wiley VCH
    Pubblicazione: 05/2016



    Scaricare Data Science mit Python für Dummies del ebook gratuito:

    SPECCHIO-2

    Data Science mit Python für Dummies.pdf (EUR-0.00)

    Data Science mit Python für Dummies.epub (EUR-0.00)

    Data Science mit Python für Dummies.doc (EUR-0.00)

    Data Science mit Python für Dummies.txt (EUR-0.00)

    Data Science mit Python für Dummies.mobi (EUR-0.00)

    Libri dei Prezzi:


    Data Science mit Python für Dummies.PDF – (EUR 0.00);

    Data Science mit Python für Dummies.MOBI – (EUR 0.00);

    Data Science mit Python für Dummies.EPUB – (EUR 0.00);

    Data Science mit Python für Dummies.DOC – (EUR 0.00);

    Data Science mit Python für Dummies.TXT – (EUR 0.00);

    TAGS:

    Online Data Science mit Python für Dummies del ebook, Libro Data Science mit Python für Dummies FB2, Download Data Science mit Python für Dummies PDF , Download Data Science mit Python für Dummies MOBI, Online Data Science mit Python für Dummies Libro, Gratuito scaricare Data Science mit Python für Dummies IPhone, Online libro Data Science mit Python für Dummies PDF, Gratuito Data Science mit Python für Dummies DJVU, Gratuito scarica Data Science mit Python für Dummies TXT, Scarica Data Science mit Python für Dummies RTF, Online Data Science mit Python für Dummies FB2 , e-libro Data Science mit Python für Dummies download TXT, Gratuito Data Science mit Python für Dummies scaricare libro, Libro Data Science mit Python für Dummies download MOBI, Scaricare Data Science mit Python für Dummies IPad, Leggi Data Science mit Python für Dummies MOBI, Leggi Data Science mit Python für Dummies DOCX, Gratuito Data Science mit Python für Dummies AWZ, Download libro Data Science mit Python für Dummies iPad , Gratuito Data Science mit Python für Dummies DJVU, Download Data Science mit Python für Dummies libro gratuito, Gratuito scarica Data Science mit Python für Dummies DVD, Leggi Data Science mit Python für Dummies TXT, Book Data Science mit Python für Dummies scarica DJVU, Data Science mit Python für Dummies scaricare libro gratuito, Data Science mit Python für Dummies scaricare libro pdf gratuito, Data Science mit Python für Dummies pdf libro scarica gratuito, Scaricare libro Data Science mit Python für Dummies pdf gratuito.

    Leave a Reply