Verleger: 8
Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego
Oleg Żero
Obierz kurs na... przyszłość Powszechna cyfryzacja nie dotyka jedynie wybranych gałęzi przemysłu, ale dosłownie przeniknęła nasze życie niemal w każdym aspekcie. Skutkiem tego procesu jest pojawienie się ogromnej ilości danych, które, odpowiednio wykorzystane, stanowią nowy rodzaj materii w nieprzerwanym cyklu postępu. Uczenie maszynowe stało się jednocześnie obszarem szczególnego zainteresowania ze strony zarówno firm, jak i uczelni. Dzięki specjalnym algorytmom i technikom możliwe stało się wykorzystanie zasobów, jakimi są dane, do opracowywania rozwiązań poprawiających efektywność w wielu dziedzinach: od robotyki, przez medycynę, aż po rozrywkę. Przykładami rozwiązań, które już dziś wykorzystują uczenie maszynowe, są chociażby silniki rekomendacyjne działające na platformach takich jak YouTube, Netflix, Spotify czy Amazon. Silniki te skutecznie dobierają treści, tak że wokół produktów tworzą się całe społeczności wiernie oddanych klientów. To wszystko dzieje się obecnie. W niedalekiej przyszłości wiele - także dość skomplikowanych - czynności zostanie zautomatyzowanych. Zawody, również te potencjalnie wymagające wysokich kwalifikacji, nawet jeśli nie będą w całości wykonywane przez maszyny, będą przez nie wspomagane. Jest niemal pewne, że specjaliści między innymi w dziedzinie uczenia maszynowego, którzy już dziś są intensywnie poszukiwani, staną się jeszcze bardziej pożądani w przyszłości. Dołącz do ich grona! Data science w Pythonie. Kurs video. Algorytmy uczenia maszynowego kończy się na poziomie średnio zaawansowanym, a nawet nieco wyżej, jeśli chodzi o wiedzę i umiejętności, jakich wymaga się na przykład od analityka biznesowego, naukowca, inżyniera danych czy webdevelopera. Natomiast jeśli mowa o wiedzy stricte z zakresu data science, autor kursu określa poziom jego absolwenta na podstawowy. Uwaga, by móc w pełni skorzystać ze szkolenia, trzeba znać podstawy języka Python (w tym orientować się w bibliotekach: numpy, pandas, matplotlib) i matematykę na poziomie pierwszego - drugiego roku studiów na kierunkach ścisłych. Takie pojęcia jak gradient, pochodna, szereg, prawdopodobieństwo czy notacja nie powinny być Ci obce! Czym właściwie zajmuje się specjalista w dziedzinie data science? Odpowiedź na to pytanie jest krótka i - jak to w matematyce - policzalna. Aż 70 procent czasu pracy spędza się w tym zawodzie na zbieraniu i analizie danych, by potem, przez kolejne 20 procent, tworzyć i testować modele, które "ubiera się" w programy, a następnie wykorzystuje do otrzymywania przewidywań z modeli. Przykładami takich modeli, jakie stosuje się już dziś w kontekście biznesowym, są między innymi silniki rekomendacyjne (Netflix, YouTube, eBay, Amazon, Spotify itd.), modele do klasyfikacji obrazów medycznych w celu rozpoznawania ewentualnych infekcji, systemy do automatycznych tłumaczeń (patrz Google) czy popularne boty - i wiele innych. Od teorii, przez praktykę, aż po gotowe rozwiązania Kurs składa się z trzech bloków szkoleniowych. Zaczniemy od teorii data science. Tu przygotuj się na serię wykładów, w których autor wprowadza pojęcia na poziomie równań, wyjaśniając je od podstaw. Bazując na wiedzy zdobytej w części teoretycznej, przejdziemy do praktyki - będziesz pisać algorytm "od zera", a przy tym pogłębisz rozumienie koncepcji matematycznych i przy okazji napiszesz kod. Wreszcie przyjdzie czas na część trzecią, podczas której będziemy sprytni i sięgniemy po tzw. gotowce - przede wszystkim scikit-learn i Keras. Przy użyciu tych bibliotek rozwiążemy zadany problem, skupiając się zarówno na samym zagadnieniu, jak i ogólnym podejściu do problemu. W kursie połączysz teorię z praktyką. Dzięki temu osiągniesz dwa cele: wyrobisz w sobie intuicję matematyczną, która w razie potrzeby pozwoli Ci przenieść to rozumienie również poza Pythona, oraz zyskasz pewne doświadczenie w wykorzystywaniu powszechnie dostępnych narzędzi i w ten sposób zwiększysz skuteczność swojej pracy. Kurs jest podzielony na 16 rozdziałów. W pierwszym rozdziale stworzysz proste środowisko pracy. Dalej, w rozdziałach 2 - 8, poznasz podstawowe algorytmy, takie jak sieci neuronowe, oraz zrozumiesz, na czym polega ogólne podejście machinelearningowe. W rozdziałach 9 - 13 poznasz kolejne, nieco alternatywne, lecz równie często wykorzystywane algorytmy, których idea opiera się na innych zasadach. Na koniec, w ramach rozdziałów: 14, 15 i 16, stworzysz własny silnik rekomendacyjny, który następnie usprawnisz z wykorzystaniem popularnych metod pracy z tekstem (NLP), by uzyskać półgotowy produkt na koniec kursu.
Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych
Oleg Żero
Obierz kurs na... wyższy level pracy z danymi W każdej minucie użytkownicy Snapchata dzielą się ponad pół milionem zdjęć, oglądanych jest ponad 4 miliony filmów na YouTubie, a bywalcy Twittera wysyłają ponad 400 tysięcy tweetów. A to tylko ułamek danych, jakie są na bieżąco generowane. Ich wielka ilość z jednej strony jest wyzwaniem dla serwerów, z drugiej - ma ogromny potencjał dla osób pracujących z danymi. Dzięki nim udaje się usprawnić niemal każdą dziedzinę życia, by wspomnieć choćby medycynę, logistykę, robotykę, e-commerce. Rozwiązania pozwalające pracować z danymi opierają się na różnych podejściach: od prostych modeli czysto statystycznych po skomplikowane algorytmy sztucznej inteligencji, a sama praca na danych wymaga połączenia umiejętności analitycznych i programistycznych. W każdym przypadku punktem wyjścia jest analiza i eksploracja danych, która pozwala w skuteczny sposób przejrzeć i zgłębić ich zasób, by szybko i skutecznie docierać do konkretnych informacji. Umiejętności te zdobędziesz w ramach tego kursu. W trakcie nauki będziemy bazować na możliwościach, jakie oferują język Python i jego biblioteki (numpy, pandas, matplotlib, seaborn), które stanowią absolutną podstawę do dalszej pracy z danymi. Są też wykorzystywane przez inne, bardziej zaawansowane narzędzia uczenia maszynowego. Szkolenie jest adresowane do kilku grup zawodowych. Odnajdą się w nim zarówno osoby, które już zajmowały się analizą danych, na przykład w Excelu, i chcą rozwijać się w tym kierunku, jak i programiści języków innych niż Python, chcący poznać ten przyszłościowy, dynamicznie rozwijający się język. Materiał proponowany w ramach kursu jest także przeznaczony dla akademików wyspecjalizowanych w naukach ścisłych, którzy chcieliby nauczyć się przekładania równań na skuteczny kod. Wreszcie - szkolenie przyda się tym, którzy marzą o karierze na stanowisku Data Scientist (jedna z najpilniej poszukiwanych i jednocześnie najlepiej płatnych ról w IT). Wiedza oferowana w ramach kursu zapewni im odpowiedni punkt startowy - dalsza droga zawodowa będzie wymagała opanowania zaproponowanych zagadnień do perfekcji. Co Cię czeka podczas naszego profesjonalnego szkolenia? W trakcie tego kursu video opanujesz wiedzę, dzięki której: Stworzysz środowisko pracy i upewnisz się, jakie narzędzia będą Ci potrzebne. Poznasz język Python, nie tylko na poziomie składni, ale również pewnych przydatnych dla potrzeb kursu koncepcji. Zrozumiesz, na czym polega praca z danymi numerycznymi, tekstowymi i czasowymi. Dowiesz się, jak wykonuje się obliczenia numeryczne przy użyciu różnych technik. Będziesz w stanie dopasowywać, agregować i zestawiać dane. Co więcej... Opanujesz kolejne etapy procesu analizy danych, od ich pozyskania, przez obróbkę, aż po wyciąganie wniosków. Data science w Pythonie. Kurs video. Przetwarzanie i analiza danych został stworzony z myślą o „rozpędzeniu” Cię z poziomu zero do takiego, w którym będziesz potrafił skutecznie operować na całkiem sporych zasobach danych i wydobywać z nich informacje. Jednocześnie spory nacisk położono na pokazanie praktycznych aspektów pracy osoby na stanowisku analityka danych, ponieważ to teren, po którym często trzeba się poruszać, dysponując jedynie ogólnymi wskazówkami. Kurs bardziej szczegółowo Naszemu szkoleniu na początek będziesz musiał poświęcić co najmniej osiem godzin - tyle bowiem trwa nauka z ekspertem. W jej trakcie zapoznasz się z językiem Python jako narzędziem do zadań związanych z analizą danych. Używając biblioteki numpy, będziesz wykonywać obliczenia numeryczne, a stosując bibliotekę pandas - przekształcać zbiory danych. Zwizualizujesz je przy wykorzystaniu matplotlib, seaborn i pandas. Stworzysz własne środowisko pracy, zawierające konsolę, ipython, jupyter, jupyter lab i pip. Nauczysz się odnajdywania dokumentacji, korzystania z przykładów i ogólnego radzenia sobie z danymi. Zmierzysz się z równaniem matematycznym i jego przełożeniem na kod języka Python. Zaimplementujesz rozwiązania - zarówno z użyciem bibliotek, jak i w czystym Pythonie. Poznasz podstawy optymalizacji i czyszczenia danych, będziesz je przekształcać po to, by potwierdzić lub obalić konkretną hipotezę. Opanujesz metodykę korzystania z popularnych form reprezentacji danych statystycznych. Dokonasz także szeregu usprawnień związanych z wydajnością obliczeń (wektoryzacja, dobór typów danych itd.). W efekcie staniesz się początkującym, ale już samodzielnym analitykiem danych, przygotowanym zarówno na rozmowę kwalifikacyjną na przykład na stanowisko Junior Developera, jak i do usprawnienia swojej pracy - inżynierskiej, naukowej czy menedżerskiej.
Matt Eland
As the fields of data science, machine learning, and artificial intelligence rapidly evolve, .NET developers are eager to leverage their expertise to dive into these exciting domains but are often unsure of how to do so. Data Science in .NET with Polyglot Notebooks is the practical guide you need to seamlessly bring your .NET skills into the world of analytics and AI. With Microsoft’s .NET platform now robustly supporting machine learning and AI tasks, the introduction of tools such as .NET Interactive kernels and Polyglot Notebooks has opened up a world of possibilities for .NET developers. This book empowers you to harness the full potential of these cutting-edge technologies, guiding you through hands-on experiments that illustrate key concepts and principles. Through a series of interactive notebooks, you’ll not only master technical processes but also discover how to integrate these new skills into your current role or pivot to exciting opportunities in the data science field. By the end of the book, you’ll have acquired the necessary knowledge and confidence to apply cutting-edge data science techniques and deliver impactful solutions within the .NET ecosystem.
Data Science with SQL Server Quick Start Guide. Integrate SQL Server with data science
Dejan Sarka
SQL Server only started to fully support data science with its two most recent editions. If you are a professional from both worlds, SQL Server and data science, and interested in using SQL Server and Machine Learning (ML) Services for your projects, then this is the ideal book for you.This book is the ideal introduction to data science with Microsoft SQL Server and In-Database ML Services. It covers all stages of a data science project, from businessand data understanding,through data overview, data preparation, modeling and using algorithms, model evaluation, and deployment.You will learn to use the engines and languages that come with SQL Server, including ML Services with R and Python languages and Transact-SQL. You will also learn how to choose which algorithm to use for which task, and learn the working of each algorithm.
Data science, wyzwania i rozwiązania. Jak zostać ekspertem analizy danych
Daniel Vaughan
Uczenie się i praktykowanie danologii nie należy do najłatwiejszych zadań. Edukacja w tej dziedzinie zazwyczaj dotyczy programowania i uczenia maszynowego, a przecież świetny analityk danych musi się znać na wielu innych zagadnieniach. Może się ich nauczyć w pracy, ale w tym celu konieczne jest znalezienie mentora. A to niestety nie zawsze jest możliwe. Ten podręcznik zaczyna się tam, gdzie większość książek się kończy - od rzeczywistych procesów decyzyjnych opartych na wnioskach wynikających z danych. Brett Holleman, niezależny danolog Dzięki tej książce przyswoisz różne techniki, które pomogą Ci stać się bardziej produktywnym analitykiem danych. Najpierw zapoznasz się z tematami związanymi z rozumieniem danych i umiejętnościami miękkimi, które okazują się konieczne w pracy dobrego danologa. Dopiero potem skupisz się na kluczowych aspektach uczenia maszynowego. W ten sposób stopniowo przejdziesz ścieżkę od przeciętnego kandydata do wyjątkowego specjalisty data science. Umiejętności opisane w tym przewodniku przez wiele lat były rozpoznawane, katalogowane, analizowane i stosowane do generowania wartości i szkolenia danologów w różnych firmach i branżach. Z książki dowiesz się: jak sprawić, by procesy oparte na analizie danych generowały wartość jak zaprojektować przydatne wskaźniki jak zdobywać poparcie interesariuszy jak się upewnić, że algorytm uczenia maszynowego nadaje się do rozwiązania danego zadania jak zapanować nad wyciekami danych Oto brakujący podręcznik pozwalający odnieść sukces komercyjny dzięki data science! Adri Purkayastha, dyrektor do spraw zagrożeń związanych z AI, BNP Paribas
Data Stewardship in Action. A roadmap to data value realization and measurable business outcomes
Pui Shing Lee, Dr. Toa Charm
In the competitive data-centric world, mastering data stewardship is not just a requirement—it's the key to organizational success. Unlock strategic excellence with Data Stewardship in Action, your guide to exploring the intricacies of data stewardship and its implementation for maximum efficiency.From business strategy to data strategy, and then to data stewardship, this book shows you how to strategically deploy your workforce, processes, and technology for efficient data processing. You’ll gain mastery over the fundamentals of data stewardship, from understanding the different roles and responsibilities to implementing best practices for data governance. You’ll elevate your data management skills by exploring the technologies and tools for effective data handling. As you progress through the chapters, you’ll realize that this book not only helps you develop the foundational skills to become a successful data steward but also introduces innovative approaches, including leveraging AI and GPT, for enhanced data stewardship.By the end of this book, you’ll be able to build a robust data governance framework by developing policies and procedures, establishing a dedicated data governance team, and creating a data governance roadmap that ensures your organization thrives in the dynamic landscape of data management.
Sireesha Pulipati
Presenting data visually makes it easier for organizations and individuals to interpret and analyze information. Looker Studio is an easy-to-use, collaborative tool that enables you to transform your data into engaging visualizations. This allows you to build and share dashboards that help monitor key performance indicators, identify patterns, and generate insights to ultimately drive decisions and actions.Data Storytelling with Looker Studio begins by laying out the foundational design principles and guidelines that are essential to creating accurate, effective, and compelling data visualizations. Next, you’ll delve into features and capabilities of Looker Studio – from basic to advanced – and explore their application with examples. The subsequent chapters walk you through building dashboards with a structured three-stage process called the 3D approach using real-world examples that’ll help you understand the various design and implementation considerations. This approach involves determining the objectives and needs of the dashboard, designing its key components and layout, and developing each element of the dashboard.By the end of this book, you will have a solid understanding of the storytelling approach and be able to create data stories of your own using Looker Studio.
Data Structures and Algorithms with the C++ STL. A guide for modern C++ practitioners
John Farrier
While the Standard Template Library (STL) offers a rich set of tools for data structures and algorithms, navigating its intricacies can be daunting for intermediate C++ developers without expert guidance. This book offers a thorough exploration of the STL’s components, covering fundamental data structures, advanced algorithms, and concurrency features.Starting with an in-depth analysis of the std::vector, this book highlights its pivotal role in the STL, progressing toward building your proficiency in utilizing vectors, managing memory, and leveraging iterators. The book then advances to STL’s data structures, including sequence containers, associative containers, and unordered containers, simplifying the concepts of container adaptors and views to enhance your knowledge of modern STL programming. Shifting the focus to STL algorithms, you’ll get to grips with sorting, searching, and transformations and develop the skills to implement and modify algorithms with best practices. Advanced sections cover extending the STL with custom types and algorithms, as well as concurrency features, exception safety, and parallel algorithms.By the end of this book, you’ll have transformed into a proficient STL practitioner ready to tackle real-world challenges and build efficient and scalable C++ applications.