کتاب Streamlit for Data Science: Create interactive data apps in Python (استریم لیت برای علم داده: برنامه‌های داده تعاملی را در پایتون ایجاد کنید) در 12 فصل به شرح ابزار Streamlit برای به کارگیری در علوم داده خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Streamlit for Data Science را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Streamlit for Data Science:
دانشمندان داده و مهندسان یادگیری ماشین در طول دهه 2010 عمدتاً تجزیه و تحلیل‌های ایستا را تولید کرده‌اند. ما اسنادی را برای اطلاع از تصمیمات ایجاد می‌کنیم، پر از نمودارها و معیارهای مربوط به یافته‌های خود یا در مورد مدل‌هایی که ایجاد می‌کنیم.
ایجاد برنامه‌های وب کامل که به کاربران اجازه می‌دهد با تجزیه و تحلیل‌ها تعامل داشته باشند، دست کم دست و پا گیر است! Streamlit را وارد کنید، یک کتابخانه پایتون برای ایجاد برنامه‌های کاربردی وب که با در نظر گرفتن افراد داده در هر مرحله ساخته شده است.
Streamlit زمان توسعه ایجاد برنامه‌های کاربردی وب متمرکز بر داده را کوتاه می‌کند و به دانشمندان داده اجازه می‌دهد تا نمونه‌های اولیه برنامه‌های وب را در پایتون به جای چند روز در چند ساعت ایجاد کنند.
کتاب Streamlit for Data Science رویکردی عملی دارد تا به شما کمک کند نکات و ترفندهایی را بیاموزید که در کمترین زمان ممکن شما را با Streamlit راه‌اندازی می‌کند. شما با ایجاد یک برنامه اولیه با اصول Streamlit شروع می‌کنید و به تدریج با تولید گرافیک‌های باکیفیت با تجسم داده‌ها و آزمایش مدل‌های یادگیری ماشینی، بر این پایه‌ها می‌سازید.
با پیشروی در فصل‌های کتاب Streamlit for Data Science، نمونه‌های عملی از برنامه‌های کاربردی وب مبتنی بر داده‌های شخصی و مرتبط با کار را مرور می‌کنید و در مورد موضوعات پیچیده‌تر مانند استفاده از Streamlit Components، زیباسازی برنامه‌های خود و استقرار سریع برنامه‌های جدید خود یاد خواهید گرفت.
بیشتر بخوانید: کتاب Continuous Machine Learning with Kubeflow
کتاب Streamlit for Data Science برای چه کسی است؟
این کتاب برای دانشمندان داده و مهندسان یادگیری ماشین یا علاقه مندانی است که می‌خواهند با استفاده از Streamlit برنامه‌های وب ایجاد کنند. چه یک دانشمند داده جوان باشید که به دنبال اجرای اولین پروژه یادگیری ماشینی خود در پایتون برای بهبود رزومه خود هستید یا یک دانشمند ارشد داده که تمام وقت تلاش می‌کند تا همکاران خود را با تجزیه و تحلیل پویا متقاعد کند، این کتاب برای شما مناسب است!
بیشتر بخوانید: کتاب Getting Started with Streamlit for Data Science
آنچه کتاب Streamlit for Data Science پوشش می‌دهد:
فصل 1، مقدمه ای بر Streamlit، با ایجاد اولین برنامه شما، اصول اولیه Streamlit را آموزش می‌دهد.
فصل 2، آپلود، دانلود، و دستکاری داده‌ها، به داده‌ها می‌پردازد. برنامه‌های داده به داده نیاز دارند! شما یاد خواهید گرفت که چگونه از داده‌ها به طور کارآمد و مؤثر در برنامه‌های تولید استفاده کنید.
فصل 3، تجسم داده، نحوه استفاده از تمام کتابخانه‌های تجسم پایتون مورد علاقه خود را در برنامه‌های Streamlit آموزش می‌دهد. نیازی به یادگیری چارچوب‌های تجسم جدید نیست!
فصل 4، یادگیری ماشین و هوش مصنوعی با Streamlit، یادگیری ماشین را پوشش می‌دهد. آیا تا به حال خواسته اید مدل جدید یادگیری ماشینی فانتزی خود را در یک برنامه رو به روی کاربر در چند ساعت پیاده سازی کنید؟ برای مثال‌ها و نکات عمیق، از جمله کار با مدل‌های Hugging Face و OpenAI، از اینجا شروع کنید.
فصل 5، استقرار Streamlit با Streamlit Community Cloud، به ویژگی استقرار با یک کلیک می‌پردازد که Streamlit با آن ارائه می‌شود. نحوه حذف اصطکاک در فرآیند استقرار را در اینجا خواهید آموخت!
فصل 6، زیباسازی برنامه‌های Streamlit، به ویژگی‌هایی می‌پردازد که Streamlit برای ساخت برنامه‌های وب فوق‌العاده مملو از آن‌ها است. تمام نکات و ترفندها را در این فصل کتاب Streamlit for Data Science یاد خواهید گرفت.
فصل 7، بررسی اجزای Streamlit، نحوه استفاده از اکوسیستم توسعه‌دهنده پررونق در اطراف Streamlit را از طریق ادغام‌های منبع باز به نام Streamlit Components آموزش می‌دهد. درست مثل لگو، فقط بهتر است.
فصل 8، استقرار برنامه‌های Streamlit با Hugging Face و Heroku، نحوه استقرار برنامه‌های Streamlit خود را با استفاده از Hugging Face و Heroku به عنوان جایگزینی برای Streamlit Community Cloud آموزش می‌دهد.
فصل 9، اتصال به پایگاه‌های داده، به شما کمک می‌کند داده‌هایی را از پایگاه‌های داده تولیدی به برنامه‌های Streamlit خود اضافه کنید، که برنامه‌های احتمالی را که می‌توانید بسازید، گسترش می‌دهد.
فصل 10، بهبود برنامه‌های شغلی با Streamlit، به شما کمک می‌کند تا با استفاده از برنامه‌های Streamlit، از برنامه‌های ساخت رزومه گرفته تا برنامه‌هایی برای بخش‌های اصلی مصاحبه، مهارت‌های علم داده خود را به کارفرمایان ثابت کنید.
فصل 11، پروژه داده – نمونه سازی پروژه‌ها در Streamlit، ساخت اپلیکیشن برای جامعه Streamlit و دیگران را پوشش می‌دهد که هم سرگرم کننده و هم آموزشی است. چند نمونه از پروژه‌ها را مرور خواهید کرد و یاد خواهید گرفت که چگونه پروژه خود را شروع کنید.
فصل 12، Streamlit Power Users، اطلاعات بیشتری در مورد Streamlit ارائه می‌دهد، که در حال حاضر به طور گسترده برای چنین کتابخانه جوانی استفاده می شود. با مصاحبه‌های عمیق با بنیانگذار Streamlit، دانشمندان داده، تحلیلگران و مهندسان از بهترین‌ها بیاموزید.
سرفصل‌های کتاب Streamlit for Data Science:
- Cover
- Copyright Page
- Contributors
- Table of Contents
- Preface
- Chapter 1: An Introduction to Streamlit
- Chapter 2: Uploading, Downloading, and Manipulating Data
- Chapter 3: Data Visualization
- Chapter 4: Machine Learning and AI with Streamlit
- Chapter 5: Deploying Streamlit with Streamlit Community Cloud
- Chapter 6: Beautifying Streamlit Apps
- Chapter 7: Exploring Streamlit Components
- Chapter 8: Deploying Streamlit Apps with Hugging Face and Heroku
- Chapter 9: Connecting to Databases
- Chapter 10: Improving Job Applications with Streamlit
- Chapter 11: The Data Project – Prototyping Projects in Streamlit
- Chapter 12: Streamlit Power Users
- PacktPage
- Other Books You May Enjoy
- Index
جهت دانلود کتاب Streamlit for Data Science می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.