دانلود کتاب Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics – پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید

توضیحات

This book will make the link between data cleaning and preprocessing to help you design effective data analytic solutions

Key Features

• Develop the skills to perform data cleaning, data integration, data reduction, and data transformation
• Get ready to make the most of your data with powerful data transformation and massaging techniques
• Perform thorough data cleaning, such as dealing with missing values and outliers

Book Description

Data preprocessing is the first step in data visualization, data analytics, and machine learning, where data is prepared for analytics functions to get the best possible insights. Around 90% of the time spent on data analytics, data visualization, and machine learning projects is dedicated to performing data preprocessing.

This book will equip you with the optimum data preprocessing techniques from multiple perspectives. You’ll learn about different technical and analytical aspects of data preprocessing data collection, data cleaning, data integration, data reduction, and data transformation and get to grips with implementing them using the open source Python programming environment. This book will provide a comprehensive articulation of data preprocessing, its whys and hows, and help you identify opportunities where data analytics could lead to more effective decision making. It also demonstrates the role of data management systems and technologies for effective analytics and how to use APIs to pull data.

By the end of this Python data preprocessing book, you’ll be able to use Python to read, manipulate, and analyze data; perform data cleaning, integration, reduction, and transformation techniques; and handle outliers or missing values to effectively prepare data for analytic tools.

What you will learn

• Use Python to perform analytics functions on your data
• Understand the role of databases and how to effectively pull data from databases
• Perform data preprocessing steps defined by your analytics goals
• Recognize and resolve data integration challenges
• Identify the need for data reduction and execute it
• Detect opportunities to improve analytics with data transformation

Who this book is for

Junior and senior data analysts, business intelligence professionals, engineering undergraduates, and data enthusiasts looking to perform preprocessing and data cleaning on large amounts of data will find this book useful. Basic programming skills, such as working with variables, conditionals, and loops, along with beginner-level knowledge of Python and simple analytics experience, are assumed.

Table of Contents

1. Review of the Core Modules of NumPy and Pandas
2. Review of Another Core Module – Matplotlib
3. Data What Is It Really?
4. Databases
5. Data Visualization
6. Prediction
7. Classification
8. Clustering Analysis
9. Data Cleaning Level I – Cleaning Up the Table
10. Data Cleaning Level II – Unpacking, Restructuring, and Reformulating the Table
11. Data Cleaning Level III- Missing Values, Outliers, and Errors
12. Data Fusion and Data Integration
13. Data Reduction
14. Data Transformation and Massaging
15. Case Study 1 – Mental Health in Tech
16. Case Study 2 – Predicting COVID-19 Hospitalizations
17. Case Study 3: United States Counties Clustering Analysis
18. Summary, Practice Case Studies, and Conclusions

————————————————————–

ترجمه ماشینی :

این کتاب بین پاکسازی داده ها و پیش پردازش پیوند ایجاد می کند تا به شما در طراحی راه حل های تحلیلی داده موثر کمک کند

ویژگی های کلیدی

• مهارت‌های انجام پاکسازی داده‌ها، یکپارچه‌سازی داده‌ها، کاهش داده‌ها و تبدیل داده‌ها را توسعه دهید
• با تکنیک‌های قدرتمند تبدیل داده و ماساژ، آماده شوید تا از داده‌های خود حداکثر استفاده را ببرید
• به‌طور کامل انجام دهید. پاکسازی داده‌ها، مانند برخورد با مقادیر و مقادیر از دست رفته

توضیحات کتاب

پیش‌پردازش داده‌ها اولین گام در تجسم داده‌ها، تجزیه و تحلیل داده‌ها، و یادگیری ماشینی است که در آن داده‌ها برای توابع تجزیه و تحلیل آماده شده است تا بهترین بینش ممکن را به دست آورد. حدود 90 درصد از زمانی که برای تجزیه و تحلیل داده ها، تجسم داده ها، و پروژه های یادگیری ماشین صرف می شود، به انجام پیش پردازش داده ها اختصاص دارد.

این کتاب شما را با تکنیک های بهینه پیش پردازش داده ها از منظرهای مختلف مجهز می کند. شما در مورد جنبه های مختلف فنی و تحلیلی پیش پردازش داده ها، جمع آوری داده ها، پاکسازی داده ها، یکپارچه سازی داده ها، کاهش داده ها و تبدیل داده ها یاد خواهید گرفت و با اجرای آنها با استفاده از محیط برنامه نویسی منبع باز Python آشنا خواهید شد. این کتاب بیان جامعی از پیش پردازش داده ها، چرایی و چگونگی آن ارائه می دهد و به شما کمک می کند فرصت هایی را شناسایی کنید که تجزیه و تحلیل داده ها می تواند منجر به تصمیم گیری موثرتر شود. همچنین نقش سیستم‌ها و فناوری‌های مدیریت داده را برای تجزیه و تحلیل مؤثر و نحوه استفاده از APIها برای استخراج داده‌ها نشان می‌دهد.

در پایان این کتاب پیش‌پردازش داده‌های پایتون، می‌توانید از پایتون برای خواندن استفاده کنید. ، دستکاری و تجزیه و تحلیل داده ها؛ انجام تکنیک های پاکسازی، ادغام، کاهش و تبدیل داده ها؛ و مقادیر پرت یا از دست رفته را برای آماده سازی موثر داده ها برای ابزارهای تحلیلی مدیریت کنید.

آنچه یاد خواهید گرفت

• از Python برای انجام توابع تحلیلی روی داده های خود استفاده کنید
• نقش پایگاه‌های اطلاعاتی و نحوه استخراج مؤثر داده‌ها از پایگاه‌های داده را درک کنید
• انجام مراحل پیش‌پردازش داده‌ها که توسط اهداف تحلیلی شما تعریف شده‌اند.
• تشخیص و حل چالش‌های یکپارچه‌سازی داده‌ها
• شناسایی نیاز به کاهش داده و اجرای آن
• تشخیص فرصت هایی برای بهبود تجزیه و تحلیل با تبدیل داده ها

این کتاب برای چه کسانی است

جوانان و ارشد تحلیلگران داده، متخصصان هوش تجاری، فارغ التحصیلان مهندسی، و علاقه مندان به داده که به دنبال انجام پیش پردازش و پاکسازی داده ها بر روی مقادیر زیادی داده هستند، این کتاب را مفید خواهند یافت. مهارت های برنامه نویسی اولیه، مانند کار با متغیرها، شرطی ها، و حلقه ها، همراه با دانش سطح مبتدی پایتون و تجربه ساده تجزیه و تحلیل، فرض می شود.

فهرست محتوا

1. بررسی ماژول های اصلی NumPy و Pandas
2. بررسی ماژول اصلی دیگر – Matplotlib
3. Data واقعا چیست؟
4. پایگاه های داده

< li>تجسم داده

5. پیش‌بینی
6. طبقه‌بندی
7. تحلیل خوشه‌بندی
8. پاک‌سازی داده‌ها سطح I – تمیز کردن جدول

< li>پاکسازی داده ها سطح II – باز کردن بسته بندی، ساختار مجدد، و فرمول بندی مجدد جدول

9. پاکسازی داده ها سطح III- مقادیر، نقاط دورافتاده و خطاها وجود ندارد
10. ادغام داده ها و یکپارچه سازی داده ها
11. کاهش داده
12. تحول داده و ماساژ
13. مطالعه موردی 1 – بهداشت روانی در فناوری
14. مطالعه موردی 2 – پیش بینی بستری شدن در بیمارستان COVID-19
15. مطالعه موردی 3: تجزیه و تحلیل خوشه‌بندی کشورهای ایالات متحده
16. خلاصه، مطالعات موردی عملی، و نتیجه‌گیری

tag : دانلود کتاب پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید , Download پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید , دانلود پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید , Download Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics Book , پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید دانلود , buy پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید , خرید کتاب پیش پردازش داده ها در پایتون: بیاموزید چگونه به طور موثر داده ها را برای تجزیه و تحلیل داده های موفق آماده کنید , دانلود کتاب Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics , کتاب Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics , دانلود Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics , خرید Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics , خرید کتاب Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics ,