Współautorzy

Wstęp

Część I. Podstawy analizy danych

• Rozdział 1. Wprowadzenie do bibliotek Pythona
  • Wyjaśnienie pojęcia "analiza danych"
  • Standardowy proces analizy danych
  • Proces KDD
  • Proces SEMMA
  • Proces CRISP-DM
  • Analiza danych a danetyka
  • Umiejętności analityka danych oraz danetyka
  • Instalacja środowiska Python 3
  • Oprogramowanie używane w tej książce
  • Używanie aplikacji IPython jako powłoki
  • Korzystanie z aplikacji JupyterLab
  • Stosowanie aplikacji Jupyter Notebook
  • Zaawansowane funkcje aplikacji Jupyter Notebook
  • Podsumowanie
• Rozdział 2. Biblioteki NumPy i pandas
  • Wymogi techniczne
  • Tablice NumPy
  • Numeryczne typy danych tablic NumPy
  • Manipulowanie wymiarami tablic
  • Łączenie tablic NumPy
  • Rozdzielanie tablic NumPy
  • Zmiana typu danych tablic NumPy
  • Tworzenie widoków i kopii NumPy
  • Fragmentowanie tablic NumPy
  • Indeksowanie logiczne i indeksowanie specjalne
  • Rozgłaszanie tablic
  • Tworzenie obiektów DataFrame biblioteki pandas
  • Obiekt Series biblioteki pandas
  • Odczytywanie i kwerendowanie danych Quandl
  • Opisywanie obiektów DataFrame
  • Grupowanie i złączanie obiektów DataFrame
  • Praca z brakującymi danymi
  • Tworzenie tabel przestawnych
  • Rozwiązywanie kwestii dat
  • Podsumowanie
  • Bibliografia
• Rozdział 3. Statystyka
  • Wymogi techniczne
  • Atrybuty i ich typy
  • Pomiar tendencji centralnej
  • Pomiar dyspersji
  • Skośność i kurtoza
  • Określanie związków za pomocą współczynników kowariancji i korelacji
  • Centralne twierdzenie graniczne
  • Pozyskiwanie prób
  • Przeprowadzanie testów parametrycznych
  • Przeprowadzanie testów nieparametrycznych
  • Podsumowanie
• Rozdział 4. Algebra liniowa
  • Wymogi techniczne
  • Dopasowywanie do wielomianów za pomocą biblioteki NumPy
  • Wyznacznik macierzy
  • Określanie rzędu macierzy
  • Macierz odwrotna w bibliotece NumPy
  • Rozwiązywanie równań liniowych za pomocą biblioteki NumPy
  • Rozkład macierzy za pomocą SVD
  • Wartości własne i wektory własne w bibliotece NumPy
  • Generowanie liczb losowych
  • Rozkład dwumianowy
  • Rozkład normalny
  • Testowanie normalności rozkładu danych za pomocą biblioteki SciPy
  • Tworzenie tablicy maskowanej za pomocą podpakietu numpy.ma
  • Podsumowanie

Część II. Eksploracyjna analiza danych i oczyszczanie danych

• Rozdział 5. Wizualizacja danych
  • Wymogi techniczne
  • Wizualizacja za pomocą pakietu Matplotlib
  • Zaawansowana wizualizacja za pomocą pakietu seaborn
  • Wizualizacja interaktywna za pomocą biblioteki Bokeh
  • Podsumowanie
• Rozdział 6. Pozyskiwanie, przetwarzanie i przechowywanie danych
  • Wymogi techniczne
  • Odczyt i zapis plików CSV za pomocą biblioteki NumPy
  • Odczyt i zapis plików CSV za pomocą biblioteki pandas
  • Odczyt i zapis plików arkusza kalkulacyjnego Excel
  • Odczyt i zapis plików JSON
  • Odczyt i zapis plików HDF5
  • Odczyt i zapis danych z tabel HTML-a
  • Odczyt i zapis plików Parquet
  • Odczyt i zapis danych z obiektu pickle
  • Łatwy dostęp do danych za pomocą modułu sqlite3
  • Odczyt i zapis danych w bazie danych MySQL
  • Odczyt i zapis danych w bazie danych MongoDB
  • Odczyt i zapis danych w bazie danych Cassandra
  • Odczyt i zapis danych w bazie danych Redis
  • PonyORM
  • Podsumowanie
• Rozdział 7. Oczyszczanie nieuporządkowanych danych
  • Wymogi techniczne
  • Eksploracja danych
  • Filtrowanie danych w celu pozbycia się szumu
  • Rozwiązywanie kwestii brakujących wartości
  • Rozwiązywanie kwestii elementów odstających
  • Techniki kodowania cech
  • Skalowanie cech
  • Przekształcanie cech
  • Rozdzielanie cech
  • Podsumowanie
• Rozdział 8. Przetwarzanie sygnałów i szeregi czasowe
  • Wymogi techniczne
  • Moduł statsmodels
  • Średnie kroczące
  • Funkcje okna czasowego
  • Kointegracja
  • Rozkład STL
  • Autokorelacja
  • Modele autoregresyjne
  • Model ARMA
  • Generowanie sygnałów okresowych
  • Analiza Fouriera
  • Filtrowanie metodą analizy widmowej
  • Podsumowanie

Część III. Dokładna analiza uczenia maszynowego

• Rozdział 9. Uczenie nadzorowane: analiza regresyjna
  • Wymogi techniczne
  • Regresja liniowa
  • Wielowspółliniowość
  • Zmienne fikcyjne
  • Projektowanie modelu regresji liniowej
  • Ocenianie skuteczności modelu regresyjnego
  • Dopasowywanie regresji wielomianowej
  • Modele regresji używane w klasyfikacji
  • Regresja logistyczna
  • Implementacja regresji logistycznej za pomocą biblioteki scikit-learn
  • Podsumowanie
• Rozdział 10. Uczenie nadzorowane: techniki klasyfikacji
  • Wymogi techniczne
  • Klasyfikacja
  • Naiwny klasyfikator Bayesa
  • Drzewa decyzyjne
  • Algorytm KNN
  • Maszyny wektorów nośnych
  • Podział danych na zestawy uczący i testowy
  • Ocena skuteczności modelu klasyfikacji
  • Krzywa ROC i obszar AUC
  • Podsumowanie
• Rozdział 11. Uczenie nienadzorowane: PCA i analiza skupień
  • Wymogi techniczne
  • Uczenie nienadzorowane
  • Redukowanie wymiarowości danych
  • Analiza głównych składowych
  • Analiza skupień
  • Grupowanie danych za pomocą algorytmu centroidów
  • Hierarchiczna analiza skupień
  • Algorytm DBSCAN
  • Widmowa analiza skupień
  • Ocenianie jakości analizy skupień
  • Podsumowanie

Część IV. Przetwarzanie języka naturalnego, analiza obrazów i obliczenia równoległe

• Rozdział 12. Analiza danych tekstowych
  • Wymogi techniczne
  • Instalacja bibliotek NLTK i spaCy
  • Normalizacja tekstu
  • Tokenizacja
  • Usuwanie słów nieinformatywnych
  • Rdzeniowanie słów i lematyzacja
  • Oznaczanie części mowy
  • Rozpoznawanie jednostek nazewniczych
  • Analiza zależności
  • Tworzenie chmury słów
  • "Worek słów"
  • Metoda TF-IDF
  • Analiza sentymentów za pomocą klasyfikacji tekstu
  • Podobieństwo tekstów
  • Podsumowanie
• Rozdział 13. Analiza obrazów
  • Wymogi techniczne
  • Instalacja biblioteki OpenCV
  • Omówienie danych obrazowych
  • Modele barw
  • Rysowanie na obrazach
  • Pisanie na obrazach
  • Zmiana rozmiaru obrazu
  • Przekształcenie izometryczne obrazów
  • Zmiana jasności
  • Rozmywanie obrazu
  • Wykrywanie twarzy
  • Podsumowanie
• Rozdział 14. Obliczenia równoległe za pomocą biblioteki Dask
  • Obliczenia równoległe za pomocą biblioteki Dask
  • Typy danych Dask
  • Interfejs Dask Delayed
  • Skalowane wstępne przetwarzanie danych
  • Skalowane uczenie maszynowe
  • Podsumowanie

• Назва: Python i praca z danymi. Przetwarzanie, analiza, modelowanie i wizualizacja. Wydanie III
• Автор: Avinash Navlani, Armando Fandango, Ivan Idris
• Оригінальна назва: Python Data Analysis: Perform data collection, data processing, wrangling, visualization, and model building using Python, 3rd Edition
• Переклад: Krzysztof Sawka
• ISBN: 978-83-283-8361-6, 9788328383616
• Дата видання: 2022-04-26
• Формат: Eлектронна книга
• Ідентифікатор видання: pyprda
• Видавець: Helion