کتاب Data Mining with Python

کتاب Data Mining with Python: Theory, Application, and Case Studies (داده کاوی با پایتون: تئوری، کاربرد و مطالعات موردی) بر اساس خط لوله داده کاوی سازماندهی شده‌اند، بنابراین خوانندگان به طور طبیعی می‌توانند مرحله به مرحله در فرآیند پیشرفت کنند.

موضوعات، روش‌ها و ابزار‌ها در سه جنبه توضیح داده می‌شوند: «آن چیست» به عنوان پیش‌زمینه نظری، «چرا به آن نیاز داریم» به‌عنوان یک جهت‌گیری کاربردی، و «چگونه آن را انجام می‌دهیم» به عنوان یک مطالعه موردی.

در ادامه مقدمه‌ای از کتاب Data Mining with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Data Mining with Python:

نحوه استفاده از این کتاب

این کتاب به عنوان مکمل یک دوره نظری داده کاوی ارائه شده است. ما قصد داریم مقدمه را مختصر و ساده نگه داریم و روی آموزش‌های دقیق تمرکز کنیم. این کتاب به دو بخش تقسیم می‌شود: بخش ۱ آماده‌سازی داده‌ها یا داده‌ها را پوشش می‌دهد.

بخش ۲ تجزیه و تحلیل داده‌ها یا تجزیه و تحلیل داده‌ها را پوشش می‌دهد. برای راحتی خوانندگان، علاوه بر گنجاندن همه آموزش‌ها در صفحات، فایل‌های ipynb. را با مجموعه داده‌های مرتبط از طریق پیوند‌ها نیز ارائه می‌کنیم. هنگامی که فایل‌های ipynb. را اجرا می‌کنید، لطفاً مطمئن شوید که مسیر داده در محیط محلی/ابر شما به‌روزرسانی شده است.

چرا کتاب Data Mining with Python متفاوت است؟

در حالی که کتاب‌ها، وب سایت‌ها، دوره‌های آنلاین زیادی در مورد این موضوع وجود دارد، ما کتاب خود را به روش‌های مختلفی متمایز می‌کنیم:

• ما محتوا را بر اساس خط لوله داده کاوی سازماندهی کردیم، بنابراین خوانندگان می‌توانند به طور طبیعی روند رسمی را از داده‌های خام به دانش گام به گام به دست آورند. خوانندگان می‌توانند یک پشته کامل از یادگیری مداوم داشته باشند، به جای یادگیری از قطعات از منابع متعدد.

• برای موضوعات، روش‌ها و ابزار‌هایی که در کتاب پوشش می‌دهیم، آن‌ها را در سه جنبه توضیح می‌دهیم: «چیست» به عنوان پیش‌زمینه نظری، «چرا به آن نیاز داریم» به‌عنوان یک گرایش کاربردی و «چگونه آن را انجام می‌دهیم». به عنوان مطالعه موردی

• کتاب ما “LIVE” است. همه آموزش‌ها، نوت‌بوک‌های تعاملی پایتون با فرمت ipynb. قابل اجرا هستند. دانش‌آموزان می‌توانند آن‌ها را اجرا کرده، اصلاح کنند و از آن‌ها استفاده کنند.

سرفصل‌های کتاب Data Mining with Python:

• Cover
• Half Title
• Series Page
• Title Page
• Copyright Page
• Dedication
• Contents
• List of Figures
• Foreword
• Preface
• Author Bios
• SECTION I: Data Wrangling
  • CHAPTER 1: Data Collection
  • CHAPTER 2: Data Integration
  • CHAPTER 3: Data Statistics
  • CHAPTER 4: Data Visualization
  • CHAPTER 5: Data Preprocessing
• SECTION II: Data Analysis
  • CHAPTER 6: Classification
  • CHAPTER 7: Regression
  • CHAPTER 8: Clustering
  • CHAPTER 9: Frequent Patterns
  • CHAPTER 10: Outlier Detection
• Index

جهت دانلود کتاب Data Mining with Python می‌توانید پس از پرداخت، دریافت کنید.