Python pre dátovú vedu: Praktický úvod

Recenzie čitateľov

Kniha má zmiešané recenzie, niektorí čitatelia oceňujú poskytnuté informácie, zatiaľ čo mnohí iní kritizujú jej prehľadnosť, nedostatok základných doplnkových materiálov a celkovú kvalitu písania. Používatelia sa stretli s problémami s prepojeným úložiskom GitHub a zistili, že niektoré koncepty kódovania sú nedostatočne vysvetlené, čo začiatočníkom sťažuje ich sledovanie.

⬤ Obsahuje dobré informácie
⬤ niektoré kapitoly sa s postupom knihy zlepšujú
⬤ kniha spĺňa určité očakávania pre čitateľov, ktorí sú s témou trochu oboznámení.

⬤ Chýbajú primerané riešenia v úložisku GitHub
⬤ prvé kapitoly sú nejasné a mätúce pre začiatočníkov
⬤ náhle zavedenie zložitých pojmov kódovania bez vysvetlenia
⬤ nízka kvalita písania
⬤ chýbajúce podporné súbory
⬤ celková nespokojnosť s hodnotou knihy.

(na základe 5 čitateľských recenzií)

Pôvodný názov:

Python for Data Science: A Hands-On Introduction

Obsah knihy:

Praktický, reálny úvod do analýzy údajov s programovacím jazykom Python s množstvom rozsiahlych príkladov.

Python je ideálnou voľbou na prístup k údajom všetkých druhov, manipuláciu s nimi a získavanie poznatkov z nich. Kniha Python for Data Science vás uvedie do pythonovského sveta dátovej analýzy s prístupom „learn-by-doing“ zakoreneným v praktických príkladoch a praktických aktivitách. Naučíte sa písať kód v jazyku Python na získavanie, transformáciu a analýzu údajov a precvičíte si najmodernejšie techniky spracovania údajov pre prípady použitia v oblasti riadenia podniku, marketingu a podpory rozhodovania.

Spoznáte bohatú sadu vstavaných dátových štruktúr jazyka Python na základné operácie, ako aj jeho robustný ekosystém knižníc s otvoreným zdrojovým kódom pre dátovú vedu vrátane NumPy, pandas, scikit-learn, matplotlib a ďalších. Na príkladoch si ukážeme, ako načítať údaje v rôznych formátoch, ako racionalizovať, zoskupovať a agregovať súbory údajov a ako vytvárať grafy, mapy a iné vizualizácie. Neskôr sa v kapitolách podrobne demonštrujú aplikácie údajov z reálneho sveta vrátane použitia údajov o polohe na zabezpečenie taxislužby, analýzy trhového koša na identifikáciu položiek, ktoré sa často kupujú spoločne, a strojového učenia na predpovedanie cien akcií.