Analiza danych behawioralnych przy użyciu języków R i Python

Florent Buisson

Wykorzystanie danych zorientowanych na użytkownika w celu uzyskania realnych wyników biznesowych Dzięki tej książce Czytelnik będzie mógł wykorzystać w swojej firmie pełną moc danych behawioralnych używając w tym celu wyspecjalizowanych narzędzi. Algorytmy często stosowane w danologii, a także programy służące do analizy predykcyjnej traktują jak zwykłe informacje dane behawioralne wygenerowane przez użytkowników, takie jak kliknięcia na stronie internetowej czy zakupy w supermarkecie. Ten praktyczny przewodnik zawiera opisy skutecznych metod, zaprojektowanych specjalnie w celu przeprowadzania analiz danych behawioralnych. Zaawansowana architektura umożliwiająca wykonywanie eksperymentów pomaga w pełni wykorzystać testy A/B. Diagramy przyczynowe pozwalają poznać przyczyny zachowań nawet w przypadku, gdy nie można przeprowadzać eksperymentów. Ta praktyczna książka, napisana przystępnym stylem i przeznaczona dla osób zajmujących się danymi, analityków biznesowych oraz behawiorystów, zawiera kompletne przykłady, a także ćwiczenia wykorzystujące języki R i Python, pozwalające od razu uzyskać lepszy wgląd w dane. Zagadnienia przeanalizowane w książce: •  Poznanie specyfiki danych behawioralnych. •  Przedstawienie różnic pomiędzy pomiarami a prognozami. •  Wyjaśnienie, jak można oczyścić i przygotować dane behawioralne. •  Zaprojektowanie i przeanalizowanie eksperymentów umożliwiających podejmowanie optymalnych decyzji biznesowych. •  Wykorzystanie danych behawioralnych w celu zrozumienia i określenia przyczyny oraz skutku. •  Zaprezentowanie kompleksowej metody pozwalającej na uzyskanie przejrzystego podziału klientów na grupy. „Ta książka jest wyjątkowa, ponieważ rozpoczyna się od przedstawienia pytań i problemów, a także wykorzystuje w postaci prawdziwych narzędzi odpowiednie techniki i języki programowania. Dzięki temu Czytelnicy poznają, jak można rozwiązywać niezwykle ważne i trudne zagadnienia. Czas poświęcony na jej przeczytanie będzie czystą inwestycją.” —Eric Weber Kierownik Działu Eksperymentów, Yelp Florent Buisson jest ekonomistą behawioralnym z 10-letnim doświadczeniem związanych z biznesem, analityką i naukami behawioralnymi. W firmie ubezpieczeniowej Allstate założył zespół specjalizujący się w naukach behawioralnych i pełnił funkcję jego szefa przez cztery lata. Publikował artykuły naukowe w czasopismach takich jak recenzowany Journal of Real Estate Research. Posiada tytuł magistra ekonometrii oraz doktorat z ekonomii behawioralnej, uzyskany na uniwersytecie Sorbona w Paryżu.

Ansible 2 Cloud Automation Cookbook. Write Ansible playbooks for AWS, Google Cloud, Microsoft Azure, and OpenStack

Aditya Patawari, Vikas Aggarwal

Ansible has a large collection of inbuilt modules to manage various cloud resources. The book begins with the concepts needed to safeguard your credentials and explain how you interact with cloud providers to manage resources. Each chapter begins with an introduction and prerequisites to use the right modules to manage a given cloud provider. Learn about Amazon Web Services, Google Cloud, Microsoft Azure, and other providers. Each chapter shows you how to create basic computing resources, which you can then use to deploy an application. Finally, you will be able to deploy a sample application to demonstrate various usage patterns and utilities of resources.

Apache Spark 2: Data Processing and Real-Time Analytics. Master complex big data processing, stream analytics, and machine learning with Apache Spark

Romeo Kienzler, Md. Rezaul Karim, Sridhar Alla, Siamak Amirghodsi, ...

Apache Spark is an in-memory, cluster-based data processing system that provides a wide range of functionalities such as big data processing, analytics, machine learning, and more. With this Learning Path, you can take your knowledge of Apache Spark to the next level by learning how to expand Spark's functionality and building your own data flow and machine learning programs on this platform.You will work with the different modules in Apache Spark, such as interactive querying with Spark SQL, using DataFrames and datasets, implementing streaming analytics with Spark Streaming, and applying machine learning and deep learning techniques on Spark using MLlib and various external tools.By the end of this elaborately designed Learning Path, you will have all the knowledge you need to master Apache Spark, and build your own big data processing and analytics pipeline quickly and without any hassle.This Learning Path includes content from the following Packt products:• Mastering Apache Spark 2.x by Romeo Kienzler• Scala and Spark for Big Data Analytics by Md. Rezaul Karim, Sridhar Alla• Apache Spark 2.x Machine Learning Cookbook by Siamak Amirghodsi, Meenakshi Rajendran, Broderick Hall, Shuen MeiCookbook

Aplikacje internetowe z Django. Najlepsze receptury

Aidas Bendoraitis

Ponad 70 praktycznych gotowych rozwiązań do tworzenia wielojęzykowych, responsywnych i skalowalnych witryn internetowych przy użyciu systemu Django Django to szkielet napisany w języku Python, pozwalający na błyskawiczne tworzenie zaawansowanych aplikacji internetowych. Dostarcza on wielu narzędzi, które przyśpieszają i znacząco ułatwiają pracę programisty. Wśród nich znajdziesz system szablonów, system mapowania obiektowo-relacyjnego oraz automatyczny interfejs do zarządzania treścią. Ale to nie wszystko! Przekonaj się, co jeszcze potrafi Django. Ta książka jest doskonałym źródłem informacji na temat tego systemu. Wiedza, którą za chwilę zdobędziesz, przedstawiona jest w formie receptur. Kolejne rozdziały to świetne przepisy na: zarządzanie zależnościami, tworzenie struktury bazy danych, projektowanie formularzy i przetwarzanie pozyskanych z nich danych oraz korzystanie z systemów szablonów. Dowiesz się stąd, jak tworzyć własne filtry i znaczniki w szablonach, modelować panel administracyjny oraz korzystać z Django CMS. Poznasz także system mapowania obiektowo-relacyjnego oraz wdrożysz aplikację na serwerze. Dzięki tym znakomitym przepisom możesz błyskawicznie nauczyć się pracować z Django oraz uruchomić swoją pierwszą aplikację napisaną z jego wykorzystaniem! Z książki tej nauczysz się: Prawidłowo konfigurować projekty Django Budować strukturę bazy danych z domieszek modelowych wielokrotnego użytku Zarządzać strukturami hierarchicznymi przy użyciu algorytmu MPTT Wykorzystywać skrypty JavaScript w responsywnych szablonach Tworzyć filtry i znaczniki szablonowe nadające się do wykorzystania w każdym projekcie Konfigurować panel administracyjny Rozszerzać system Django CMS o własne składniki Poznaj moc języka Python w tworzeniu aplikacji internetowych!

Applied Computational Thinking with Python. Design algorithmic solutions for complex and challenging real-world problems

Sofía De Jesús, Dayrene Martinez

Computational thinking helps you to develop logical processing and algorithmic thinking while solving real-world problems across a wide range of domains. It's an essential skill that you should possess to keep ahead of the curve in this modern era of information technology. Developers can apply their knowledge of computational thinking to solve problems in multiple areas, including economics, mathematics, and artificial intelligence.This book begins by helping you get to grips with decomposition, pattern recognition, pattern generalization and abstraction, and algorithm design, along with teaching you how to apply these elements practically while designing solutions for challenging problems. You’ll then learn about various techniques involved in problem analysis, logical reasoning, algorithm design, clusters and classification, data analysis, and modeling, and understand how computational thinking elements can be used together with these aspects to design solutions. Toward the end, you will discover how to identify pitfalls in the solution design process and how to choose the right functionalities to create the best possible algorithmic solutions.By the end of this algorithm book, you will have gained the confidence to successfully apply computational thinking techniques to software development.

Applied Deep Learning and Computer Vision for Self-Driving Cars. Build autonomous vehicles using deep neural networks and behavior-cloning techniques

Sumit Ranjan, Dr. S. Senthamilarasu

Thanks to a number of recent breakthroughs, self-driving car technology is now an emerging subject in the field of artificial intelligence and has shifted data scientists' focus to building autonomous cars that will transform the automotive industry. This book is a comprehensive guide to use deep learning and computer vision techniques to develop autonomous cars. Starting with the basics of self-driving cars (SDCs), this book will take you through the deep neural network techniques required to get up and running with building your autonomous vehicle. Once you are comfortable with the basics, you'll delve into advanced computer vision techniques and learn how to use deep learning methods to perform a variety of computer vision tasks such as finding lane lines, improving image classification, and so on. You will explore the basic structure and working of a semantic segmentation model and get to grips with detecting cars using semantic segmentation. The book also covers advanced applications such as behavior-cloning and vehicle detection using OpenCV, transfer learning, and deep learning methodologies to train SDCs to mimic human driving.By the end of this book, you'll have learned how to implement a variety of neural networks to develop your own autonomous vehicle using modern Python libraries.

Applied Deep Learning with Python. Use scikit-learn, TensorFlow, and Keras to create intelligent systems and machine learning solutions

Alex Galea, Luis Capelo

Taking an approach that uses the latest developments in the Python ecosystem, you’ll first be guided through the Jupyter ecosystem, key visualization libraries and powerful data sanitization techniques before you train your first predictive model. You’ll then explore a variety of approaches to classification such as support vector networks, random decision forests and k-nearest neighbors to build on your knowledge before moving on to advanced topics.After covering classification, you’ll go on to discover ethical web scraping and interactive visualizations, which will help you professionally gather and present your analysis. Next, you’ll start building your keystone deep learning application, one that aims to predict the future price of Bitcoin based on historical public data. You’ll then be guided through a trained neural network, which will help you explore common deep learning network architectures (convolutional, recurrent, and generative adversarial networks) and deep reinforcement learning. Later, you’ll delve into model optimization and evaluation. You’ll do all this while working on a production-ready web application that combines TensorFlow and Keras to produce meaningful user-friendly results.By the end of this book, you’ll be equipped with the skills you need to tackle and develop your own real-world deep learning projects confidently and effectively.

Applied Supervised Learning with Python. Use scikit-learn to build predictive models from real-world datasets and prepare yourself for the future of machine learning

Benjamin Johnston, Ishita Mathur

Machine learning—the ability of a machine to give right answers based on input data—has revolutionized the way we do business. Applied Supervised Learning with Python provides a rich understanding of how you can apply machine learning techniques in your data science projects using Python. You'll explore Jupyter Notebooks, the technology used commonly in academic and commercial circles with in-line code running support.With the help of fun examples, you'll gain experience working on the Python machine learning toolkit—from performing basic data cleaning and processing to working with a range of regression and classification algorithms. Once you’ve grasped the basics, you'll learn how to build and train your own models using advanced techniques such as decision trees, ensemble modeling, validation, and error metrics. You'll also learn data visualization techniques using powerful Python libraries such as Matplotlib and Seaborn. This book also covers ensemble modeling and random forest classifiers along with other methods for combining results from multiple models, and concludes by delving into cross-validation to test your algorithm and check how well the model works on unseen data.By the end of this book, you'll be equipped to not only work with machine learning algorithms, but also be able to create some of your own!

Applied Unsupervised Learning with Python. Discover hidden patterns and relationships in unstructured data with Python

Benjamin Johnston, Aaron Jones, Christopher Kruger

Unsupervised learning is a useful and practical solution in situations where labeled data is not available.Applied Unsupervised Learning with Python guides you in learning the best practices for using unsupervised learning techniques in tandem with Python libraries and extracting meaningful information from unstructured data. The book begins by explaining how basic clustering works to find similar data points in a set. Once you are well-versed with the k-means algorithm and how it operates, you’ll learn what dimensionality reduction is and where to apply it. As you progress, you’ll learn various neural network techniques and how they can improve your model. While studying the applications of unsupervised learning, you will also understand how to mine topics that are trending on Twitter and Facebook and build a news recommendation engine for users. Finally, you will be able to put your knowledge to work through interesting activities such as performing a Market Basket Analysis and identifying relationships between different products.By the end of this book, you will have the skills you need to confidently build your own models using Python.

Applying Math with Python. Practical recipes for solving computational math problems using Python programming and its libraries

Sam Morley

Python, one of the world's most popular programming languages, has a number of powerful packages to help you tackle complex mathematical problems in a simple and efficient way. These core capabilities help programmers pave the way for building exciting applications in various domains, such as machine learning and data science, using knowledge in the computational mathematics domain.The book teaches you how to solve problems faced in a wide variety of mathematical fields, including calculus, probability, statistics and data science, graph theory, optimization, and geometry. You'll start by developing core skills and learning about packages covered in Python’s scientific stack, including NumPy, SciPy, and Matplotlib. As you advance, you'll get to grips with more advanced topics of calculus, probability, and networks (graph theory). After you gain a solid understanding of these topics, you'll discover Python's applications in data science and statistics, forecasting, geometry, and optimization. The final chapters will take you through a collection of miscellaneous problems, including working with specific data formats and accelerating code.By the end of this book, you'll have an arsenal of practical coding solutions that can be used and modified to solve a wide range of practical problems in computational mathematics and data science.

ArcGIS By Example. Develop three engaging ArcGIS applications to address your real-world mapping scenarios

Hussein Nasser

ArcGIS for Desktop Cookbook. Over 60 hands-on recipes to help you become a more productive ArcGIS for Desktop user

Daniela C Docan

ArcGIS Pro 2.x Cookbook. Create, manage, and share geographic maps, data, and analytical models using ArcGIS Pro

Tripp Corbin

ArcGIS is Esri's catalog of GIS applications with powerful tools for visualizing, maintaining, and analyzing data. ArcGIS makes use of the modern ribbon interface and 64-bit processing to increase the speed and efficiency of using GIS. It allows users to create amazing maps in both 2D and 3D quickly and easily. If you want to gain a thorough understanding of the various data formats that can be used in ArcGIS Pro and shared via ArcGIS Online, then this book is for you. Beginning with a refresher on ArcGIS Pro and how to work with projects, this book will quickly take you through recipes about using various data formats supported by the tool. You will learn the limits of each format, such as Shapefiles, Geodatabase, and CAD files, and learn how to link tables from outside sources to existing GIS data to expand the amount of data that can be used in ArcGIS. You'll learn methods for editing 2D and 3D data using ArcGIS Pro and how topology can be used to ensure data integrity. Lastly the book will show you how data and maps can be shared via ArcGIS Online and used with web and mobile applications.

Architektura aplikacji w Pythonie. TDD, DDD i rozwój mikrousług reaktywnych

Harry Percival, Bob Gregory

Architektura aplikacji w Pythonie. TDD, DDD i rozwój mikrousług reaktywnych Python zyskuje coraz większą popularność i jest wykorzystywany do tworzenia bardzo różnych aplikacji, jednak projektowanie dużych, niezawodnych systemów w tym języku bywa wyzwaniem. Rozwijanie złożonych systemów o wysokiej jakości wymaga zastosowania odpowiedniej architektury. Trudno w Pythonie stosować takie wysokopoziomowe wzorce projektowe jak architektura sześciokątna, architektura oparta na zdarzeniach czy wzorce zalecane dla projektowania dziedzinowego (DDD). Sytuacji nie poprawia również to, że klasyczna literatura dotycząca metod zarządzania złożonością aplikacji zawiera przykłady kodu napisanego w Javie lub C#. Programiści Pythona często więc uznają takie książki za mało przydatne w swojej pracy. Ten praktyczny przewodnik przybliży projektantom pracującym w Pythonie sprawdzone wzorce architektury, które ułatwiają zapanowanie nad złożonością aplikacji i pozwalają najlepiej wykorzystać zestawy testów. Prezentację poszczególnych wzorców architektury oparto na przykładowej, stopniowo rozbudowywanej aplikacji. Podejście to pozwoliło na pokazanie zalet metodyki TDD. Z kolei w rozdziałach poświęconych modelowaniu dziedzinowemu zwrócono uwagę na unikanie jakichkolwiek zależności zewnętrznych przy równoczesnym zapewnieniu integralności danych. Wśród ciekawszych koncepcji warto wskazać wykorzystywanie zdarzeń w roli wzorca integracji usług w architekturze mikrousługowej. Niejako przy okazji zaprezentowano praktyczne strony stosowania kilku frameworków i technologii Pythona, między innymi Flask, SQLAlchemy, pytest, Docker i Redis. W tej książce między innymi: modelowanie dziedzinowe i stosowanie wzorców DDD jednostki, obiekty wartości i agregaty w architekturze domenowej tworzenie modeli bez zbędnych zależności zdarzenia, polecenia i szyna wiadomości wzorce architektury zdarzeniowej i mikrousług reaktywnych Architektura nowoczesnych aplikacji w Pythonie: rozwiązania dla poważnych systemów!

ArcPy and ArcGIS - Geospatial Analysis with Python. Use the ArcPy module to automate the analysis and mapping of geospatial data in ArcGIS

Silas Toms, Silas Toms

ArcPy and ArcGIS. Automating ArcGIS for Desktop and ArcGIS Online with Python - Second Edition

Silas Toms, Dara OBeirne

ArcGIS allows for complex analyses of geographic information. The ArcPy module is used to script these ArcGIS analyses, providing a productive way to perform geo-analyses and automate map production.The second edition of the book focuses on new Python tools, such as the ArcGIS API for Python. Using Python, this book will guide you from basic Python scripting to advanced ArcPy script tools.This book starts off with setting up your Python environment for ArcGIS automation. Then you will learn how to output maps using ArcPy in MXD and update feature class in a geodatabase using arcpy and ArcGIS Online. Next, you will be introduced to ArcREST library followed by examples on querying, updating and manipulating ArcGIS Online feature services. Further, you will be enabling your scripts in the browser and directly interacting with ArcGIS Online using Jupyter notebook. Finally, you can learn ways to use of ArcPy to control ArcGIS Enterprise and explore topics on deployments, data quality assurances, data updates, version control, and editing safeguards.By the end of the book, you will be equipped with the knowledge required to create automated analysis with administration reducing the time-consuming nature of GIS.