SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

11 wyników

Brak okładki

Książka

W koszyku

Power BI i sztuczna inteligencja : jak w pełni wykorzystać funkcje AI dostępne w Power BI / Mary-Jo Diepeveen ; przekład: Krzysztof Sawka. - Gliwice : Helion, copyright 2024. - 304 strony : fotografie, ilustracje, wykresy ; 24 cm.

Autor

Diepeveen Mary-Jo Sawka Krzysztof

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Data science Power BI Programy komputerowe Sztuczna inteligencja

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

W copyright rok 2024, data wpływu egzemplarza obowiązkowego: 2023. W książce także ISBN oryginału.

Dla osób znających środowisko Power BI.

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

w opracowaniu: sygn. 155505 N (1 egz.)

Książka

W koszyku

Autor

Drejewicz Szymon

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Szkoły wyższe Analitycy danych Analitycy ekonomiczni Analitycy systemów teleinformatycznych

Temat

BPMN (system notacji) Modelowanie procesów biznesowych Systemy informacyjne zarządzania

Gatunek

Opracowanie

Dziedzina i ujęcie

Informatyka i technologie informacyjne Zarządzanie i marketing

W książce rok wydania: 2023, data wpływu egzemplarza obowiązkowego: 2022.

Netografia na stronie 135. Indeks.

Dla analityków biznesowych i systemowych oraz studentów kierunków technicznych i menadżerskich.

1. Wprowadzenie do BPMN (9) 1.1. Proces i model procesu (9) 1.2. Dlaczego notacja BPMN? (10) 1.3. Poziomy modelowania (12) 2. Szybki start - elementarz (15) 2.1. Pierwszy krok (15) 2.2. Baseny i tory (16) 3. Bramki - dzielenie i łączenie procesów (19) 3.1. Bramki w BPMN (20) 3.2. Bramka wykluczająca (23) 3.3. Bramka niewykluczająca (24) 3.4. Bramka równoległa (28) 3.5. Bramka złożona (29) 3.6. Bramka oparta na zdarzeniach (32) 4. Dzielenie i łączenie bez bramek (37) 4.1. Rozgałęzienia bez bramek (37) 4.2. Złączenia bez bramek (38) 4.3. Kiedy pomijać bramki? (40) 5. Przepływy (43) 5.1. Przepływ sekwencyjny (46) 5.2. Przepływ komunikatu (51) 5.3. Powiązania (54) 6. Obiekty danych (57) 6.1. Modelowanie obiektów i magazynów danych (58) 6.2. Przepływ obiektów w procesach (59) 6.3. Wejścia i wyjścia danych (60) 6.4. Kolekcje danych (62) 7. Kooperacje i konwersacje (65) 7.1. Modelowanie kooperacji (65) 7.2. Procesy prywatne i publiczne (68) 7.3. Wieloinstancyjni uczestnicy procesów biznesowych (71) 7.4. Konwersacje (73) 8. Zdarzenia (77) 8.1. Typy zdarzeń (78) 8.2. Jak to wszystko opanować? (95) 9. Czynności i podprocesy (97) 9.1. Zadania (99) 9.2. Podprocesy (108) 9.3. Pętle, czynności wieloinstancyjne i kompensacje (115) 9.4. Czynność wywołania (call activity) (119) 10. Choreografie (121) 10.1. Zadanie choreografii (122) 10.2. Choreografia złożona (128) 10.3. Kooperacje, procesy i choreografie (128) 10.4. Kiedy używać diagramów choreografii? (130) 11. BPMN i co dalej? (131) 11.1. Modelować czy analizować? (131) 11.2. Odkrywanie procesów (132) 11.3. Architektura procesów (132) 11.4. BPMN i UML (133)

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 155050 N, 155049 N (2 egz.)

Książka

W koszyku

Inżynieria danych na platformie AWS : jak tworzyć kompletne potoki uczenia maszynowego / Chris Fregly, Antje Barth ; przekład: Tomasz Walczak. - Gliwice : Helion, © 2022. - 470, [2] strony : ilustracje, wykresy ; 24 cm.

Autor

Fregly Chris Barth Antje Walczak Tomasz

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Amazon (platforma internetowa) Aplikacja internetowa Data science Przetwarzanie w chmurze Sztuczna inteligencja Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

W książce także ISBN oryginału.

1.Wprowadzenie do danologii na platformie AWS Zalety przetwarzania w chmurze Potoki i procesy w danologii Zalecane praktyki z obszaru MLOps Usługi SI Amazona i zautomatyzowane uczenie maszynowe w narzędziu Amazon SageMaker Pobieranie, eksploracja i przygotowywanie danych na platformie AWS Uczenie i dostrajanie modelu za pomocą narzędzia Amazon SageMaker Instalowanie modeli za pomocą usługi Amazon SageMaker i funkcji AWS Lambda Analizy i uczenie maszynowe dla strumieni danych na platformie AWS Infrastruktura platformy AWS i niestandardowy sprzęt Ograniczanie kosztów za pomocą tagów, budżetów i alertów 2.Zastosowania danologii Innowacje w każdej branży Spersonalizowane rekomendacje produktów Wykrywanie niestosownych materiałów wideo za pomocą usługi Amazon Rekognition Prognozowanie zapotrzebowania Identyfikowanie fałszywych kont za pomocą usługi Amazon Fraud Detector Używanie usługi Amazon Macie do wykrywania wycieków wrażliwych danych Urządzenia konwersacyjne i asystenci głosowi Analiza tekstu i NLP Wyszukiwanie kognitywne i rozumienie języka naturalnego Inteligentne centra obsługi klienta Przemysłowe usługi SI i konserwacja predykcyjna Automatyzacja domu za pomocą narzędzi AWS IoT i Amazon SageMaker Pobieranie informacji medycznych z dokumentów służby zdrowia Samooptymalizująca i inteligentna infrastruktura chmury Kognitywna i predyktywna analityka biznesowa Edukacja następnego pokolenia programistów SI i UM Zaprogramuj naturalny system operacyjny za pomocą przetwarzania kwantowego Wzrost wydajności i obniżenie kosztów 3.Zautomatyzowane uczenie maszynowe Zautomatyzowane uczenie maszynowe w usłudze SageMaker Autopilot Śledzenie wyników eksperymentów za pomocą usługi SageMaker Autopilot Uczenie i instalowanie klasyfikatora tekstu za pomocą usługi SageMaker Autopilot Zautomatyzowane uczenie maszynowe w usłudze Amazon Comprehend 4.Pobieranie danych do chmury Jeziora danych Kierowanie zapytań do jeziora danych w S3 za pomocą usługi Amazon Athena Ciągłe pobieranie nowych danych za pomocą narzędzia AWS Glue Crawler Stosowanie architektury Lake House za pomocą usługi Amazon Redshift Spectrum Wybór między narzędziami Amazon Athena a Amazon Redshift 5.Eksplorowanie zbioru danych Narzędzia do eksplorowania danych w AWS Wizualizowanie jeziora danych w środowisku SageMaker Studio Zapytania dotyczące hurtowni danych Tworzenie paneli kontrolnych za pomocą usługi Amazon CjuickSight Wykrywanie problemów z jakością danych za pomocą narzędzi Amazon SageMaker i Apache Spark Wykrywanie tendencyjności w zbiorze danych Wykrywanie zmian różnego rodzaju za pomocą usługi SageMaker Clarify Analizowanie danych za pomocą usługi AWS Glue DataBrew Zmniejszanie kosztów i zwiększanie wydajności 6.Przygotowywanie zbioru danych do uczenia modelu Wybieranie i inżynieria cech Skalowanie inżynierii cech za pomocą zadań SageMaker Processing Udostępnianie cech za pomocą repozytorium cech z platformy SageMaker Wczytywanie i przekształcanie danych w usłudze SageMaker Data Wrangler Śledzenie historii artefaktów i eksperymentów na platformie Amazon SageMaker Wczytywanie i przekształcanie danych za pomocą usługi AWS Glue DataBrew 7.Uczenie pierwszego modelu Infrastruktura platformy SageMaker Instalowanie wyuczonego modelu BERT za pomocą usługi SageMaker JumpStart Tworzenie modelu w platformie SageMaker Krótka historia przetwarzania języka naturalnego Architektura Transformer w algorytmie BERT Uczenie modelu BERT od podstaw Dostrajanie wstępnie wyuczonego modelu BERT Tworzenie skryptu uczenia Uruchamianie skryptu uczenia w usłudze SageMaker Notebook Ocena modeli Debugowanie i profilowanie procesu uczenia modelu w usłudze SageMaker Debugger Interpretowanie i wyjaśnianie predykcji modelu Wykrywanie tendencyjności modelu i wyjaśnianie predykcji Dodatkowe metody uczenia algorytmu BERT 8.Uczenie i optymalizowanie modeli na dużą skalę Automatyczne znajdowanie optymalnych hiperparametrów dla modelu Stosowanie ciepłego startu dla dodatkowych zadań dostrajania hiperparametrów na platformie SageMaker Skalowanie poziome uczenia rozproszonego na platformie SageMaker 9.Instalowanie modeli w środowisku produkcyjnym Predykcje w czasie rzeczywistym czy w trybie wsadowym? Generowanie predykcji w czasie rzeczywistym za pomocą punktów końcowych platformy SageMaker Automatyczne skalowanie punktów końcowych platformy SageMaker za pomocą usługi Amazon CloudWatch Strategie instalowania nowych i zaktualizowanych modeli Testowanie i porównywanie nowych modeli Monitorowanie pracy modelu i wykrywanie zmian Monitorowanie jakości danych w punktach końcowych platformy SageMaker Monitorowanie jakości modelu w zainstalowanych punktach końcowych platformy SageMaker Monitorowanie zmian tendencyjności w zainstalowanych punktach końcowych platformy SageMaker Monitorowanie zmian wkładu cech w zainstalowanych punktach końcowych platformy SageMaker Wsadowe generowanie predykcji za pomocą usługi przekształcania wsadowego na platformie SageMaker Funkcje AWS Lambda i usługa Amazon API Gateway Optymalizowanie modeli i zarządzanie nimi na obrzeżach sieci Instalowanie modelu opartego na platformie PyTorch za pomocą narzędzia TorchServe Generowanie predykcji przez algorytm BERT oparty na platformie TensorFlow na platformie AWS Deep Java Library 10.Potoki i MLOps MLOps Potoki programowe Potoki uczenia maszynowego Koordynowanie potoku za pomocą usługi SageMaker Pipelines Automatyzacja w usłudze SageMaker Pipelines Inne sposoby tworzenia potoków Procesy z udziałem człowieka 11.Analizy i uczenie maszynowe dla danych przesyłanych strumieniowo Uczenie w trybach online i offline Aplikacje strumieniowe Zapytania oparte na oknach dotyczące strumieniowanych danych Analiza i uczenie maszynowe na podstawie strumieni na platformie AWS Klasyfikowanie recenzji produktów w czasie rzeczywistym za pomocą narzędzi Amazon Kinesis, AWS Lambda i Amazon SageMaker Implementowanie pobierania strumieniowanych danych za pomocą usługi Kinesis Data Firehose Podsumowywanie recenzji produktów w czasie rzeczywistym na podstawie analizy strumienia Konfigurowanie usługi Amazon Kinesis Data Analytics Aplikacje w usłudze Kinesis Data Analytics Klasyfikowanie recenzji produktów za pomocą narzędzi Apache Kafka, AWS Lambda i Amazon SageMaker 12. Bezpieczna danologia na platformie AWS Model podziału odpowiedzialności między platformę AWS i klientów Korzystanie z usługi IAM na platformie AWS Izolacja środowisk obliczeniowych i sieciowych Zabezpieczanie dostępu do danych w S3 Szyfrowanie danych w spoczynku Szyfrowanie danych w tranzycie Zabezpieczanie instancji z notatnikami platformy SageMaker Zabezpieczanie środowiska SageMaker Studio Zabezpieczanie zadań i modeli platformy SageMaker Zabezpieczanie usługi AWS Lake Formation Zabezpieczanie danych uwierzytelniających do bazy za pomocą AWS Secrets Manager Nadzór Audytowalność

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 153017 N (1 egz.)

Książka

W koszyku

Data science od podstaw : analiza danych w Pythonie / Joel Grus ; przekład: Wojciech Bombik, Konrad Matuk. - Gliwice : Helion, 2022. - 348, [4] strony : ilustracje, wykresy ; 24 cm.

Autor

Grus Joel Bombik Wojciech. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Informatycy

Temat

Analiza danych Data science Programowanie (informatyka) Python (język programowania) Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

Wydanie 2. odnosi się do oryginału.

Na stronie tytułowej i okładce także nazwa wydawcy oryginału: O'Reilly.

Znaczenie danych Czym jest analiza danych? Hipotetyczna motywacja Określanie najważniejszych węzłów Analitycy, których możesz znać Wynagrodzenie i doświadczenie Płatne konta Tematy interesujące użytkowników Błyskawiczny kurs Pythona Zasady tworzenia kodu Pythona Skąd wziąć interpreter Pythona? Środowiska wirtualne Formatowanie za pomocą białych znaków Moduły Polskie znaki diakrytyczne Funkcje Łańcuchy Wyjątki Listy Krotki Słowniki defaultdict Counter Zbiory Przepływ sterowania Wartości logiczne Sortowanie Składanie list Testy automatyczne i instrukcja assert Programowanie obiektowe Obiekty iterowalne i generatory Losowość Wyrażenia regularne Narzędzia funkcyjne Funkcja zip i rozpakowywanie argumentów Argumenty nazwane i nienazwane Adnotacje typów Jak pisać adnotacje typów Witaj w firmie DataSciencester! 3. Wizualizacja danych Pakiet matplotlib Wykres słupkowy Wykresy liniowe Wykresy punktowe 4. Algebra liniowa Wektory Macierze 5. Statystyka Opis pojedynczego zbioru danych Tendencje centralne Dyspersja Korelacja Paradoks Simpsona Korelacja i przyczynowość 6. Prawdopodobieństwo Zależność i niezależność Prawdopodobieństwo warunkowe Twierdzenie Bayesa Zmienne losowe Ciągły rozkład prawdopodobieństwa Rozkład normalny Centralne twierdzenie graniczne Przykład: rzut monetą Wartości p Przedziały ufności Hakowanie wartości p Przykład: przeprowadzanie testu A-B Wnioskowanie bayesowskie Dalsza eksploracja 8. Metoda gradientu prostego Podstawy metody gradientu prostego Szacowanie gradientu Korzystanie z gradientu Dobór właściwego rozmiaru kroku Używanie metody gradientu do dopasowywania modeli Metody gradientu prostego: stochastyczna i minibatch 9. Uzyskiwanie danych Strumienie stdin i stdout Wczytywanie plików Podstawowe zagadnienia dotyczące plików tekstowych Pliki zawierające dane rozdzielone separatorem Pobieranie danych ze stron internetowych HTML i parsowanie Przykład: wypowiedzi kongresmenów Korzystanie z interfejsów programistycznych Format JSON (i XML) Korzystanie z interfejsu programistycznego bez uwierzytelniania Poszukiwanie interfejsów programistycznych Przykład: korzystanie z interfejsów programistycznych serwisu Twitter Uzyskiwanie danych uwierzytelniających Eksploracja danych jednowymiarowych Dwa wymiary 1 Wiele wymiarów Wykorzystanie klasy NamedTuple Dekorator dataclass Oczyszczanie i wstępne przetwarzanie danych Przetwarzanie danych Przeskalowanie Dygresja: tqdm Redukcja liczby wymiarów 11. Uczenie maszynowe Modelowanie Czym jest uczenie maszynowe? Nadmierne i zbyt małe dopasowanie Poprawność Kompromis pomiędzy wartością progową a wariancją Ekstrakcja i selekcja cech 12. Algorytm k najbliższych sąsiadów Model Przykład: dane dotyczące irysów Przekleństwo wymiarowości 13. Naiwny klasyfikator bayesowski Bardzo prosty filtr antyspamowy Bardziej zaawansowany filtr antyspamowy Implementacja Testowanie modelu Używanie modelu 14. Prosta regresja liniowa Model Korzystanie z algorytmu spadku gradientowego Szacowanie maksymalnego prawdopodobieństwa 15. Regresja wieloraka Model Dalsze założenia dotyczące modelu najmniejszych kwadratów Dopasowywanie modelu Interpretacja modelu Poprawność dopasowania Dygresja: ładowanie wstępne Błędy standardowe współczynników regresji Regularyzacja 16. Regresja logistyczna Funkcja logistyczna Stosowanie modelu Poprawność dopasowania Maszyny wektorów nośnych Dalsza eksploracja 17. Drzewa decyzyjne Czym jest drzewo decyzyjne? Entropia Entropia podziału Tworzenie drzewa decyzyjnego Łączenie wszystkiego w całość Lasy losowe 18. Sztuczne sieci neuronowe Perceptrony Jednokierunkowe sieci neuronowe Propagacja wsteczna Przykład: Fizz Buzz Dalsza eksploracja 19. Uczenie głębokie Tensor Abstrakcja Layer Warstwa Linear Sieci neuronowe jako sekwencje warstw Abstrakcja Loss i optymalizacja Przykład: kolejne podejście do bramki XOR Inne funkcje aktywacji Przykład: kolejne podejście do gry Fizz Buzz Funkcja softmax i entropia krzyżowa Dropout Przykład: MNIST Zapisywanie i wczytywanie modeli 20. Grupowanie Idea Model Przykład: spotkania Wybór wartości parametru k Przykład: grupowanie kolorów Grupowanie hierarchiczne z podejściem aglomeracyjnym 21. Przetwarzanie języka naturalnego Chmury wyrazowe Modele n-gram Gramatyka Na marginesie: próbkowanie Gibbsa Modelowanie tematu Wektory słów Rekurencyjne sieci neuronowe Przykład: używanie rekurencyjnej sieci neuronowej na poziomie pojedynczych znaków Dalsza eksploracja 22. Analiza sieci społecznościowych Pośrednictwo Centralność wektorów własnych Mnożenie macierzy Centralność Grafy skierowane i metoda PageRank 23. Systemy rekomendujące Ręczne rozwiązywanie problemu Rekomendowanie tego, co jest popularne Filtrowanie kolaboratywne oparte na użytkownikach Filtrowanie kolaboratywne oparte na zainteresowaniach Faktoryzacja macierzy 24. Bazy danych i SQL Polecenia CREATE TABLE i INSERT Polecenie UPDATE Polecenie DELETE Polecenie SELECT Polecenie GROUP BY Polecenie ORDER BY Polecenie JOIN Zapytania składowe Optymalizacja zapytań Bazy danych NoSQL Dalsza eksploracja 25. Algorytm MapReduce Przykład: liczenie słów Dlaczego warto korzystać z algorytmu MapReduce? Algorytm MapReduce w ujęciu bardziej ogólnym Przykład: analiza treści statusów Przykład: mnożenie macierzy Dodatkowe informacje: zespalanie 26. Etyka przetwarzania danych Czym jest etyka danych? Ale tak naprawdę to czym jest etyka danych? Czy powinienem przejmować się etyką danych? Tworzenie złych produktów wykorzystujących dane Kompromis między dokładnością a uczciwością Współpraca Interpretowalność Rekomendacje Tendencyjne dane Ochrona danych IPython Matematyka Korzystanie z gotowych rozwiązań NumPy pandas scikit-learn Wizualizacja R Uczenie głębokie Szukanie danych Zabierz się za analizę Hacker News Wozy straży pożarnej Koszulki Tweety na kuli ziemskiej

Sygnatura czytelni BWEAiI: XII Ł 217

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 153003 (1 egz.)

Książka

W koszyku

Analityk danych : przewodnik po data science, statystyce i uczeniu maszynowym / Alex J. Gutman, Jordan Goldmeier ; przekład: Grzegorz Werner. - Gliwice : Helion, copyright 2023. - XXXVIII, 213 stron : fotografie, ilustracje, mapy, wykresy ; 24 cm.

Autor

Gutman Alex J. Goldmeier Jordan. Werner Grzegorz.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Analiza danych Data science Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na grzbiecie także nazwa wydawcy oryginału: Wiley.

Pytania, które powinien zadawać spec od danych Dlaczego problem jest ważny? Na kogo wpływa ten problem? Co, jeśli nie mamy właściwych danych? Kiedy projekt się zakończy? Co, jeśli nie spodobają nam się rezultaty? Dlaczego projekty związane z danymi kończą się niepowodzeniem? Wrażenia klientów Omówienie Praca nad problemami, które mają znaczenie Dane a informacje Przykładowy zbiór danych Jak gromadzi się dane i jaką mają strukturę? Dane obserwacyjne i eksperymentalne Dane ustrukturyzowane i nieustrukturyzowane Podstawowe statystyki zbiorcze Przygotowanie do myślenia statystycznego Zadawaj pytania Scenariusz: wrażenia klientów (kontynuacja) Studium przypadku: zachorowalność na raka nerki Prawdopodobieństwo i statystyka Prawdopodobieństwo a intuicja Odkrywanie informacji za pomocą statystyki Mów jak spec od danych Polemizuj z danymi Katastrofa spowodowana brakiem danych Jaka jest historia pochodzenia danych? Kto zebrał dane? Jak zebrano dane? Czy dane są reprezentatywne? Czy poprawnie dobrano próbę? Co zrobiono z wartościami odstającymi? Jakich danych nie widzę? Jak rozwiązano problem brakujących wartości? Czy dane mogą zmierzyć to, co ma być mierzone? Polemizuj z danymi każdej wielkości Eksploruj dane Eksploracyjna analiza danych i Ty Przyjmij nastawienie eksploracyjne Pytania naprowadzające Czy dane mogą odpowiedzieć na pytanie? Określ oczekiwania i użyj zdrowego rozsądku Czy wartości mają intuicyjny sens? Uważaj! Wartości odstające i brakujące Czy odkryliście jakieś związki? Korelacja Uważaj! Błędne interpretowanie korelacji Uważaj! Korelacja nie implikuje przyczynowości Czy znaleźliście w danych nowe możliwości? Badaj prawdopodobieństwa Reguły gry Notacja Prawdopodobieństwo warunkowe i zdarzenia niezależne Prawdopodobieństwo wielu zdarzeń Ćwiczenie myślowe z zakresu prawdopodobieństwa Uważaj z zakładaniem niezależności Wszystkie prawdopodobieństwa są warunkowe Nie przestawiaj zależności Twierdzenie Bayesa Upewnij się, że prawdopodobieństwa mają znaczenie Kalibracja Rzadkie zdarzenia mogą się zdarzać i się zdarzają Kwestionuj statystyki Więcej danych, więcej dowodów Kwestionuj status quo Dowody na twierdzenie przeciwne Równoważenie błędów decyzyjnych Proces wnioskowania statystycznego Pytania, które pomogą Ci kwestionować statystyki Jaki jest kontekst tych statystyk? Jaki jest rozmiar próby? Co testujecie? Jaka jest hipoteza zerowa? Zakładanie równoważności Jaki jest poziom istotności? Ile przeprowadzacie testów? Czy mogę zobaczyć przedziały ufności? Czy jest to praktycznie istotne? Czy zakładacie przyczynowość? Przybornik specjalisty data science W poszukiwaniu ukrytych grup Uczenie nienadzorowane Redukcja wymiarowości Tworzenie cech złożonych Analiza składowych głównych Składowe główne zdolności sportowych Podsumowanie PCA Potencjalne pułapki Klasteryzacja metodą k-średnich Klasteryzacja sklepów detalicznych Potencjalne pułapki Model regresji Uczenie nadzorowane Jak działa regresja liniowa? Regresja metodą najmniejszych kwadratów: nie tylko pomysłowa nazwa

Regresja liniowa Rozszerzanie modelu na wiele cech Regresja liniowa: jakie powoduje nieporozumienia? Pominięte zmienne Współliniowość Przeciek danych Błędy ekstrapolacji Relacje nie zawsze są liniowe Wyjaśniasz czy przewidujesz? Skuteczność regresji Model klasyfikacji Regresja logistyczna Regresja logistyczna Drzewa decyzyjne Metody zespołowe Lasy losowe Drzewa wzmacniane gradientowo Interpretowalność modeli zespołowych Przeciek danych Brak podziału danych Wybór odpowiedniego progu decyzyjnego Błędne rozumienie dokładności Macierze błędów Analiza tekstu Oczekiwania wobec analizy tekstu Jak tekst staje się liczbami N-gramy Osadzenia słów Modelowanie tematyczne Klasyfikacja tekstu Naiwny klasyfikator bayesowski Analiza odczuć Kwestie praktyczne podczas pracy z tekstem Giganci technologiczni mają przewagę Uczenie głębokie Sieci neuronowe Pod jakimi względami sieci neuronowe przypominają ludzki mózg? Jak uczy się sieć neuronowa? Nieco bardziej złożona sieć neuronowa Zastosowania uczenia głębokiego Korzyści z uczenia głębokiego Jak komputery „widzą” obrazy? Konwolucyjne sieci neuronowe Uczenie głębokie w języku i sekwencjach Uczenie głębokie w praktyce Czy masz dane? Czy Twoje dane są ustrukturyzowane? Jak będzie wyglądać sieć? Sztuczna inteligencja i Ty Giganci technologiczni mają przewagę Etyka w uczeniu głębokim Droga do sukcesu Strzeż się pułapek Tendencyjność i dziwne zjawiska w danych Błąd przeżywalności Regresja do średniej Paradoks Simpsona Błąd konfirmacji Błąd utopionych kosztów Dyskryminacja algorytmiczna Nieskategoryzowane przejawy tendencyjności Wielka lista pułapek Pułapki związane ze statystyką i uczeniem maszynowym Pułapki związane z projektem Znaj ludzi i osobowości Siedem scenariuszy fiaska komunikacyjnego Post mortem Konfrontacja z rzeczywistością Wrogie przejęcie Egocentryk Osobowości w świecie danych Entuzjasta Cynik Spec od danych

Sygnatura czytelni BWEAiI: XII E 126

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154647 N (1 egz.)

Książka

W koszyku

Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython / Wes McKinney ; tłumaczenie: Konrad Matuk. - Gliwice : Wydawnictwo Helion, 2018. - 477 stron : ilustracje, wykresy ; 24 cm.

Autor

McKinney Wes. Matuk Konrad.

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Python (język programowania) Analiza danych

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython.

Wydanie 2. odnosi się do oryginału.

Indeks.

Podręcznik dla analityków danych, którzy pracują w języku Python oraz dla programistów.

1.2. Dlaczego warto korzystać z Pythona w celu przeprowadzenia analizy danych? (16) Python jako spoiwo (16) Rozwiązywanie problemu "dwujęzyczności" (17) Dlaczego nie Python? (17) 1.3. Podstawowe biblioteki Pythona (17) NumPy (18) pandas (18) Matplotlib (19) IPython i Jupyter (19) SciPy (20) Scikit-learn (21) statsmodels (21) 1.4. Instalacja i konfiguracja (22) Windows (22) Apple (OS X, macOS) (23) GNU, Linux (23) Instalowanie i aktualizowanie pakietów Pythona (24) Python 2 i Python 3 (24) Zintegrowane środowiska programistyczne i edytory tekstowe (25) 1.5. Społeczność i konferencje (25) 1.6. Nawigacja po książce (26) Przykłady kodu (27) Przykładowe dane (27) Konwencje importowania (27) Żargon (27) 2. Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter (29) 2.1. Interpreter Pythona (30) 2.2. Podstawy interpretera IPython (31) Uruchamianie powłoki IPython (31) Uruchamianie notatnika Jupyter Notebook (32) Uzupełnianie poleceń (35) Introspekcja (36) Polecenie %run (37) Wykonywanie kodu ze schowka (39) Skróty klawiaturowe działające w terminalu (39) Polecenia magiczne (40) Integracja pakietu matplotlib (42) 2.3. Podstawy Pythona (42) Semantyka języka Python (43) Skalarne typy danych (50) Przepływ sterowania (57) 3. Wbudowane struktury danych, funkcje i pliki (61) 3.1. Struktury danych i sekwencje (61) Krotka (61) Lista (64) Wbudowane funkcje obsługujące sekwencje (68) Słownik (70) Zbiór (73) Lista, słownik i zbiór - składanie (75) 3.2. Funkcje (77) Przestrzenie nazw, zakres i funkcje lokalne (78) Zwracanie wielu wartości (79) Funkcje są obiektami (79) Funkcje anonimowe (lambda) (81) Currying - częściowa aplikacja argumentów (82) Generatory (82) Błędy i obsługa wyjątków (84) 3.3. Pliki i system operacyjny (86) Bajty i kodowanie Unicode w plikach (89) 4. Podstawy biblioteki NumPy: obsługa tablic i wektorów (93) 4.1. NumPy ndarray - wielowymiarowy obiekt tablicowy (95) Tworzenie tablic ndarray (96) Typ danych tablic ndarray (98) Działania matematyczne z tablicami NumPy (100) Podstawy indeksowania i przechwytywania części (101) Indeksowanie i wartości logiczne (105) Indeksowanie specjalne (108) Transponowanie tablic i zamiana osi (109) 4.2. Funkcje uniwersalne - szybkie funkcje wykonywane na poszczególnych elementach tablicy (110) 4.3. Programowanie z użyciem tablic (113) Logiczne operacje warunkowe jako operacje tablicowe (115) Metody matematyczne i statystyczne (116) Metody tablic logicznych (117) Sortowanie (118) Wartości unikalne i operacje logiczne (119) 4.4. Tablice i operacje na plikach (120) 4.5. Algebra liniowa (120) 4.6. Generowanie liczb pseudolosowych (122) 4.7. Przykład: błądzenie losowe (124) Jednoczesne symulowanie wielu błądzeń losowych (125) 5. Rozpoczynamy pracę z biblioteką pandas (127) 5.1. Wprowadzenie do struktur danych biblioteki pandas (127) Obiekt Series (128) Obiekt DataFrame (131) Obiekty index (137) 5.2. Podstawowe funkcjonalności (139) Uaktualnianie indeksu (139) Odrzucanie elementów osi (141) Indeksowanie, wybieranie i filtrowanie (143) Indeksy w postaci liczb całkowitych (147) Działania arytmetyczne i wyrównywanie danych (148) Funkcje apply i map (153) Sortowanie i tworzenie rankingów (154) Indeksy osi ze zduplikowanymi etykietami (157) 5.3. Podsumowywanie i generowanie statystyk opisowych (158) Współczynnik korelacji i kowariancja (161) Unikalne wartości, ich liczba i przynależność (163) 6. Odczyt i zapis danych, formaty plików (167) 6.1. Odczyt i zapis danych w formacie tekstowym (167) Wczytywanie części pliku tekstowego (173) Zapis danych w formacie tekstowym (174) Praca z plikami danych rozgraniczonych (176) Dane w formacie JSON (178) XML i HTML - web scraping (179) 6.2. Formaty danych binarnych (182) Obsługa formatu HDF5 (183) Wczytywanie plików programu Microsoft Excel (185) 6.3. Obsługa interfejsów sieciowych (186) 6.4. Obsługa baz danych (187) 7. Czyszczenie i przygotowywanie danych (189) 7.1. Obsługa brakujących danych (189) Filtrowanie brakujących danych (191) Wypełnianie brakujących danych (193) 7.2. Przekształcanie danych (195) Usuwanie duplikatów (195) Przekształcanie danych przy użyciu funkcji lub mapowania (196) Zastępowanie wartości (197) Zmiana nazw indeksów osi (199) Dyskretyzacja i podział na koszyki (200) Wykrywanie i filtrowanie elementów odstających (202) Permutacje i próbkowanie losowe (203) Przetwarzanie wskaźników i zmiennych zastępczych (204) 7.3. Operacje przeprowadzane na łańcuchach (207) Metody obiektu typu string (207) Wyrażenia regularne (209) Wektoryzacja funkcji łańcuchów w pakiecie pandas (212) 8. Przetwarzanie danych - operacje łączenia, wiązania i przekształcania (217) 8.1. Indeksowanie hierarchiczne (217) Zmiana kolejności i sortowanie poziomów (220) Parametry statystyki opisowej z uwzględnieniem poziomu (220) Indeksowanie z kolumnami ramki danych (221) 8.2. Łączenie zbiorów danych (222) Łączenie ramek danych w stylu łączenia elementów baz danych (222) Łączenie przy użyciu indeksu (227) Konkatenacja wzdłuż osi (230) Łączenie częściowo nakładających się danych (234) 8.3. Zmiana kształtu i operacje osiowe (235) Przekształcenia z indeksowaniem hierarchicznym (236) Przekształcanie z formatu "długiego" na "szeroki" (238) Przekształcanie z formatu "szerokiego" na "długi" (241) 9. Wykresy i wizualizacja danych (245) 9.1. Podstawy obsługi interfejsu pakietu matplotlib (245) Obiekty figure i wykresy składowe (246) Kolory, oznaczenia i style linii (250) Punkty, etykiety i legendy (252) Adnotacje i rysunki (255) Zapisywanie wykresów w postaci plików (257) Konfiguracja pakietu matplotlib (258) 9.2. Generowanie wykresów za pomocą pakietów pandas i seaborn (259) Wykresy liniowe (259) Wykresy słupkowe (262) Histogramy i wykresy gęstości (266) Wykresy punktowe (268) Wykresy panelowe i dane kategoryczne (269) 9.3. Inne narzędzia przeznaczone do wizualizacji danych w Pythonie (272) 10. Agregacja danych i operacje wykonywane na grupach (273) 10.1. Mechanika interfejsu groupby (274) Iteracja po grupach (277) Wybieranie kolumny lub podzbioru kolumn (278) Grupowanie przy użyciu słowników i serii (279) Grupowanie przy użyciu funkcji (280) Grupowanie przy użyciu poziomów indeksu (280) 10.2. Agregacja danych (281) Przetwarzanie kolumna po kolumnie i stosowanie wielu funkcji (282) Zwracanie zagregowanych danych bez indeksów wierszy (285) 10.3. Metoda apply - ogólne zastosowanie techniki dziel-zastosuj-połącz (286) Usuwanie kluczy grup (288) Kwantyle i analiza koszykowa (288) Przykład: wypełnianie brakujących wartości przy użyciu wartości charakterystycznych dla grupy (290) Przykład: losowe generowanie próbek i permutacja (292) Przykład: średnie ważone grup i współczynnik korelacji (293) Przykład: regresja liniowa grup (295) 10.4. Tabele przestawne i krzyżowe (295) Tabele krzyżowe (298) 11. Szeregi czasowe (301) 11.1. Typy danych i narzędzia przeznaczone do obsługi daty i czasu (302) Konwersja pomiędzy obiektami string i datetime (303) 11.2. Podstawy szeregów czasowych (305) Indeksowanie i wybieranie (306) Szeregi czasowe z duplikatami indeksów (309) 11.3. Zakresy dat, częstotliwości i przesunięcia (310) Generowanie zakresów dat (310) Częstotliwości i przesunięcia daty (313) Przesuwanie daty (314) 11.4. Obsługa strefy czasowej (317) Lokalizacja i konwersja stref czasowych (317) Operacje z udziałem obiektów Timestamp o wyznaczonej strefie czasowej (319) Operacje pomiędzy różnymi strefami czasowymi (320) 11.5. Okresy i przeprowadzanie na nich operacji matematycznych (321) Konwersja częstotliwości łańcuchów (322) Kwartalne częstotliwości okresów (323) Konwersja znaczników czasu na okresy (i z powrotem) (325) Tworzenie obiektów PeriodIndex na podstawie tablic (326) 11.6. Zmiana rozdzielczości i konwersja częstotliwości (328) Zmniejszanie częstotliwości (329) Zwiększanie rozdzielczości i interpolacja (332) Zmiana rozdzielczości z okresami (333) 11.7. Funkcje ruchomego okna (334) Funkcje ważone wykładniczo (337) Binarne funkcje ruchomego okna (338) Funkcje ruchomego okna definiowane przez użytkownika (340) 12. Zaawansowane funkcje biblioteki pandas (341) 12.1. Dane kategoryczne (341) Kontekst i motywacja (341) Typ Categorical w bibliotece pandas (343) Obliczenia na obiektach typu Categorical (345) Metody obiektu kategorycznego (347) 12.2. Zaawansowane operacje grupowania (349) Transformacje grup i "nieobudowane" operacje grupowania (349) Zmiana rozdzielczości czasu przeprowadzana przy użyciu grup (353) 12.3. Techniki łączenia metod w łańcuch (354) Metoda pipe (355) 13. Wprowadzenie do bibliotek modelujących (357) 13.1. Łączenie pandas z kodem modelu (357) 13.2. Tworzenie opisów modeli przy użyciu biblioteki Patsy (360) Przekształcenia danych za pomocą formuł Patsy (362) Patsy i dane kategoryczne (363) 13.3. Wprowadzenie do biblioteki statsmodels (366) Szacowanie modeli liniowych (366) Szacowanie procesów szeregów czasowych (369) 13.4. Wprowadzenie do pakietu scikit-learn (369) 13.5. Dalszy rozwój (373) 14. Przykłady analizy danych (375) 14.1. Dane USA.gov serwisu Bitly (375) Liczenie stref czasowych w czystym Pythonie (376) Liczenie stref czasowych przy użyciu pakietu pandas (378) 14.2. Zbiór danych MovieLens 1M (384) Wyznaczenie rozbieżności ocen (388) 14.3. Imiona nadawane dzieciom w USA w latach 1880 - 2010 (389) Analiza trendów imion (394) 14.4. Baza danych USDA Food (402) 14.5. Baza danych 2012 Federal Election Commission (406) Statystyki datków z podziałem na wykonywany zawód i pracodawcę (409) Podział kwot datków na koszyki (411) Statystyki datków z podziałem na poszczególne stany (413) A. Zaawansowane zagadnienia związane z biblioteką NumPy (415) A.1. Szczegóły budowy obiektu ndarray (415) Hierarchia typów danych NumPy (416) A.2. Zaawansowane operacje tablicowe (417) Zmiana wymiarów tablic (417) Kolejności charakterystyczne dla języków C i Fortran (419) Łączenie i dzielenie tablic (420) Powtarzanie elementów - funkcje tile i repeat (422) Alternatywy indeksowania specjalnego - metody take i put (423) A.3. Rozgłaszanie (424) Rozgłaszanie wzdłuż innych osi (426) Przypisywanie wartości elementom tablicy poprzez rozgłaszanie (428) A.4. Zaawansowane zastosowania funkcji uniwersalnych (429) Metody instancji funkcji uniwersalnych (429) Pisanie nowych funkcji uniwersalnych w Pythonie (431) A.5. Tablice o złożonej strukturze (432) Zagnieżdżone typy danych i pola wielowymiarowe (433) Do czego przydają się tablice o złożonej strukturze? (434) A.6. Jeszcze coś o sortowaniu (434) Sortowanie pośrednie - metody argsort i lexsort (435) Alternatywne algorytmy sortowania (436) Częściowe sortowanie tablic (437) Wyszukiwanie elementów w posortowanej tablicy za pomocą metody numpy.searchsorted (438) A.7. Pisanie szybkich funkcji NumPy za pomocą pakietu Numba (439) Tworzenie obiektów numpy.ufunc za pomocą pakietu Numba (440) A.8. Zaawansowane tablicowe operacje wejścia i wyjścia (441) Pliki mapowane w pamięci (441) HDF5 i inne możliwości zapisu tablic (442) A.9. Jak zachować wysoką wydajność? (442) Dlaczego warto korzystać z sąsiadujących ze sobą obszarów pamięci? (443) B. Dodatkowe informacje dotyczące systemu IPython (445) B.1. Korzystanie z historii poleceń (445) Przeszukiwanie i korzystanie z historii poleceń (445) Zmienne wejściowe i wyjściowe (446) B.2. Interakcja z systemem operacyjnym (447) Polecenia powłoki systemowej i aliasy (447) System tworzenia skrótów do katalogów (448) B.3. Narzędzia programistyczne (449) Interaktywny debuger (449) Pomiar czasu - funkcje %time i %timeit (453) Podstawowe profilowanie - funkcje %prun i %run-p (455) Profilowanie funkcji linia po linii (457) B.4. Wskazówki dotyczące produktywnego tworzenia kodu w środowisku IPython (458) Przeładowywanie modułów (459) Wskazówki dotyczące projektowania kodu (460) B.5. Zaawansowane funkcje środowiska IPython (461) Co zrobić, aby własne klasy były przyjazne dla systemu IPython? (461) Profile i konfiguracja (462)

Sygnatura czytelni BWEAiI: XII Ł 97

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 146163 N (1 egz.)

Książka

W koszyku

Python w analizie danych : przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter / Wes McKinney ; przekład: Andrzej Watrak. - Gliwice : Helion, copyright 2023. - 500, [4] strony : ilustracje, wykresy ; 24 cm.

Autor

McKinney Wes. Watrak Andrzej.

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Analiza danych Programowanie (informatyka) Przetwarzanie danych Python (język programowania)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Wydanie 3. odnosi się do oryginału. Na stronie tytułowej i okładce także nazwa wydawcy oryginału: O'Reilly. W książce także ISBN oryginału.

Dla analityków zamierzających zacząć pracę w Pythonie oraz programistów Pythona chcących zająć się analizą danych i obliczeniami naukowymi.

Python jako spoiwo NumPy pandas Matplotlib IPython i Jupyter SciPy Scikit-learn statsmodels Instalacja i konfiguracja Windows GNU, Linux macOS Zintegrowane środowiska programistyczne i edytory tekstowe Społeczność i konferencje Przykłady kodu Przykładowe dane Konwencje importowania Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter Interpreter Pythona Uruchamianie powłoki IPython Uruchamianie notatnika Jupyter Notebook Uzupełnianie poleceń Introspekcja Semantyka języka Python Skalarne typy danych Przepływ sterowania 3. Wbudowane struktury danych, funkcje i pliki 3.1. Struktury danych i sekwencje Krotka Lista Słownik Zbiór Wbudowane funkcje obsługujące sekwencje Przestrzenie nazw, zakres i funkcje lokalne Zwracanie wielu wartości Funkcje są obiektami Funkcje anonimowe (lambda) Generatory Błędy i obsługa wyjątków Pliki i system operacyjny Bajty i kodowanie Unicode w plikach . Podstawy biblioteki NumPy: obsługa tablic i wektorów NumPy ndarray - wielowymiarowy obiekt tablicowy Typ danych tablic ndarray Działania matematyczne z tablicami NumPy Podstawy indeksowania i przechwytywania części Indeksowanie i wartości logiczne Indeksowanie specjalne Transponowanie tablic i zamiana osi Generowanie liczb pseudolosowych Funkcje uniwersalne - szybkie funkcje wykonywane na poszczególnych elementach tablicy Programowanie z użyciem tablic Logiczne operacje warunkowe jako operacje tablicowe Metody matematyczne i statystyczne Metody tablic logicznych Sortowanie Wartości unikalne i operacje logiczne Tablice i operacje na plikach Algebra liniowa Przykład: błądzenie losowe Jednoczesne symulowanie wielu błądzeń losowych Rozpoczynamy pracę z biblioteką pandas Wprowadzenie do struktur danych biblioteki pandas Obiekt Series Obiekt DataFrame Obiekty index Podstawowe funkcjonalności Uaktualnianie indeksu Odrzucanie elementów osi Indeksowanie, wybieranie i filtrowanie Działania arytmetyczne i wyrównywanie danych Funkcje apply i map Sortowanie i tworzenie rankingów Indeksy osi ze zduplikowanymi etykietami Podsumowywanie i generowanie statystyk opisowych Współczynnik korelacji i kowariancja Unikalne wartości, ich liczba i przynależność Odczyt i zapis danych, formaty plików Odczyt i zapis danych w formacie tekstowym Wczytywanie części pliku tekstowego Zapis danych w formacie tekstowym Praca z plikami danych rozgraniczonych Dane w formacie JSON XML i HTML - web scraping Formaty danych binarnych Wczytywanie plików programu Microsoft Excel Obsługa formatu HDF5 Obsługa interfejsów sieciowych Obsługa baz danych Czyszczenie i przygotowywanie danych Obsługa brakujących danych Filtrowanie brakujących danych Wypełnianie brakujących danych Przekształcanie danych Usuwanie duplikatów Przekształcanie danych przy użyciu funkcji lub mapowania Zastępowanie wartości Zmiana nazw indeksów osi Dyskretyzacja i podział na koszyki Wykrywanie i filtrowanie elementów odstających Permutacje i próbkowanie losowe Przetwarzanie wskaźników i zmiennych zastępczych Rozszerzone typy danych Operacje przeprowadzane na łańcuchach Metody obiektu typu string Wyrażenia regularne Funkcje tekstowe w pakiecie pandas Dane kategoryczne Kontekst i motywacja Rozszerzony typ Categorical w bibliotece pandas Obliczenia na obiektach typu Categorical Metody obiektu kategorycznego Przetwarzanie danych - operacje łączenia, wiązania i przekształcania Indeksowanie hierarchiczne Zmiana kolejności i sortowanie poziomów Parametry statystyki opisowej z uwzględnieniem poziomu Indeksowanie z kolumnami ramki danych Łączenie zbiorów danych Łączenie ramek danych w stylu łączenia elementów baz danych Łączenie przy użyciu indeksu Konkatenacja wzdłuż osi Łączenie częściowo nakładających się danych Zmiana kształtu i operacje osiowe Przekształcenia z indeksowaniem hierarchicznym

Przekształcanie z formatu "długiego" na "szeroki" Przekształcanie z formatu "szerokiego" na "długi" Wykresy i wizualizacja danych Podstawy obsługi interfejsu pakietu matplotlib Obiekty figure i wykresy składowe Kolory, oznaczenia i style linii Punkty, etykiety i legendy Adnotacje i rysunki Zapisywanie wykresów w postaci plików Konfiguracja pakietu matplotlib Generowanie wykresów za pomocą pakietów pandas i seaborn Wykresy liniowe Wykresy słupkowe Histogramy i wykresy gęstości Wykresy punktowe Wykresy panelowe i dane kategoryczne Inne narzędzia przeznaczone do wizualizacji danych w Pythonie. Agregacja danych i operacje wykonywane na grupach Mechanika interfejsu groupby Iteracja po grupach Wybieranie kolumny lub podzbioru kolumn Grupowanie przy użyciu słowników i serii Grupowanie przy użyciu funkcji Grupowanie przy użyciu poziomów indeksu Agregacja danych Przetwarzanie kolumna po kolumnie i stosowanie wielu funkcji Zwracanie zagregowanych danych bez indeksów wierszy Metoda apply - ogólne zastosowanie techniki dziel-zastosuj-połącz Usuwanie kluczy grup Kwantyle i analiza koszykowa Przykład: wypełnianie brakujących wartości przy użyciu wartości charakterystycznych dla grupy Przykład: losowe generowanie próbek i permutacja Przykład: średnie ważone grup i współczynnik korelacji Przykład: regresja liniowa grup Transformacje grup i "nieobudowane" operacje grupowania Tabele przestawne i krzyżowe Szeregi czasowe Typy danych i narzędzia przeznaczone do obsługi daty i czasu Konwersja pomiędzy obiektami string i datetime Podstawy szeregów czasowych Indeksowanie i wybieranie Szeregi czasowe z duplikatami indeksów Zakresy dat, częstotliwości i przesunięcia Obsługa strefy czasowej Lokalizacja i konwersja stref czasowych Operacje z udziałem obiektów Timestamp o wyznaczonej strefie czasowej Operacje pomiędzy różnymi strefami czasowymi Okresy i przeprowadzanie na nich operacji matematycznych Konwersja częstotliwości łańcuchów Kwartalne częstotliwości okresów Konwersja znaczników czasu na okresy (i z powrotem) Tworzenie obiektów PeriodIndex na podstawie tablic Zmiana rozdzielczości i konwersja częstotliwości Zmniejszanie częstotliwości Zwiększanie rozdzielczości i interpolacja Zmiana rozdzielczości z okresami Grupowa zmiana częstotliwości Funkcje ruchomego okna Funkcje ważone wykładniczo Binarne funkcje ruchomego okna Funkcje ruchomego okna definiowane przez użytkownika Wprowadzenie do bibliotek modelujących Łączenie pandas z kodem modelu Tworzenie opisów modeli przy użyciu biblioteki Patsy Przekształcenia danych za pomocą formuł Patsy Patsy i dane kategoryczne Wprowadzenie do biblioteki statsmodels Szacowanie modeli liniowych Szacowanie procesów szeregów czasowych Wprowadzenie do pakietu scikit-learn Przykłady analizy danych Dane USA.gov serwisu Bitly Liczenie stref czasowych w czystym Pythonie Liczenie stref czasowych przy użyciu pakietu pandas Zbiór danych MovieLens 1M Wyznaczenie rozbieżności ocen Imiona nadawane dzieciom w USA w latach 1880 - 2010 Analiza trendów imion Baza danych USDA Food Baza danych 2012 Federal Election Commission Statystyki datków z podziałem na wykonywany zawód i pracodawcę Podział kwot datków na koszyki Statystyki datków z podziałem na poszczególne stany Zaawansowane zagadnienia związane z biblioteką NumPy Szczegóły budowy obiektu ndarray Hierarchia typów danych NumPy Zaawansowane operacje tablicowe Zmiana wymiarów tablic Kolejności charakterystyczne dla języków C i Fortran Łączenie i dzielenie tablic Powtarzanie elementów - funkcje tile i repeat Alternatywy indeksowania specjalnego - metody take i put Rozgłaszanie wzdłuż innych osi Przypisywanie wartości elementom tablicy poprzez rozgłaszanie Zaawansowane zastosowania funkcji uniwersalnych Metody instancji funkcji uniwersalnych Pisanie nowych funkcji uniwersalnych w Pythonie Tablice o złożonej strukturze Zagnieżdżone typy danych i pola wielowymiarowe Do czego przydają się tablice o złożonej strukturze? Sortowanie pośrednie - metody argsort i lexsort Alternatywne algorytmy sortowania Częściowe sortowanie tablic Wyszukiwanie elementów w posortowanej tablicy za pomocą metody numpy.searchsorted Pisanie szybkich funkcji NumPy za pomocą pakietu Numba Tworzenie obiektów numpy.ufunc za pomocą pakietu Numba Zaawansowane tablicowe operacje wejścia i wyjścia Pliki mapowane w pamięci HDF5 i inne możliwości zapisu tablic Polecenie %run Uruchamianie kodu zapisanego w schowku Korzystanie z historii poleceń Przeszukiwanie i korzystanie z historii poleceń Zmienne wejściowe i wyjściowe Interakcja z systemem operacyjnym Polecenia powłoki systemowej i aliasy System tworzenia skrótów do katalogów Narzędzia programistyczne Interaktywny debuger Pomiar czasu - funkcje %time i %timeit Podstawowe profilowanie - funkcje %prun i %run-p Profilowanie funkcji linia po linii Wskazówki dotyczące produktywnego tworzenia kodu w środowisku IPython Przeładowywanie modułów Wskazówki dotyczące projektowania kodu. Zaawansowane funkcje środowiska IPython

Sygnatura czytelni BWEAiI: XII Ł 229

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154692 N (1 egz.)

Książka

W koszyku

Poznaj Tableau 2022 : wizualizacja danych, interaktywna analiza danych i umiejętność data storytellingu / Joshua N. Milligan ; przekład: Anna Mizerska. - Gliwice : Helion, copyright 2023. - 589, [3] strony : ilustracje, wykresy ; 24 cm.

Autor

Milligan Joshua N. Mizerska Anna.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Analiza danych Dane Programy komputerowe Tableau (program komputerowy) Wizualizacja (grafika)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Wydanie 5. odnosi się do oryginału. Na okładce także nazwa wydawcy oryginału: Packt.

Rozpoczęcie pracy z Tableau Łączenie się z danymi w Tableau Wizualizacje Początek przygody z obliczeniami i parametrami Obliczenia na różnych poziomach szczegółowości Obliczenia tablicowe Tworzenie dobrze wyglądających i działających wizalizacji Opowiadanie historii za pomocą pulpitu nawigacyjnego Wizualna analityka danych Odkrywanie pracy z mapami i zaawansowanych funkcji geoprzestrzennych Integracja zaawansowanych funkcji rozszerzenia skrypty i sztuczna inteligencja Modele danych, łączenie danych i blendowanie w Tableau Porządkowanie danych Poskramianie danych za pomocą Tableau Prep

Sygnatura czytelni BWEAiI: XII X 128

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154689 N (1 egz.)

Książka

W koszyku

Autor

Mount George Kamiński Filip (informatyk)

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Informatycy

Temat

Analiza danych Excel Python (język programowania) R (język programowania) Statystyka matematyczna

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

W książce także ISBN oryginału.

Tytuł oryginału: Advancing into analytics : from Excel to Python and R.

Indeks.

CZĘŚĆ I. PODSTAWY ANALIZY DANYCH W EXCELU (17) 1. Podstawy eksploracyjnej analizy danych (19) Czym jest eksploracyjna analiza danych? (19) Obserwacje (21) Zmienne (21) Przykład: klasyfikacja zmiennych (24) Przypomnienie: typy zmiennych (26) Eksploracja zmiennych w Excelu (26) Eksploracja zmiennych kategorialnych (27) Eksploracja zmiennych ilościowych (29) 2. Podstawy prawdopodobieństwa (41) Prawdopodobieństwo i losowość (41) Prawdopodobieństwo i przestrzeń zdarzeń elementarnych (41) Prawdopodobieństwo i eksperymenty (42) Prawdopodobieństwo bezwarunkowe i warunkowe (42) Rozkłady prawdopodobieństwa (42) Dyskretne rozkłady prawdopodobieństwa (43) Ciągłe rozkłady prawdopodobieństwa (46) 3. Podstawy wnioskowania statystycznego (54) Ramy wnioskowania statystycznego (54) Zbierz reprezentatywną próbkę (55) Sformułuj hipotezy (56) Stwórz plan analizy (57) Przeanalizuj dane (59) Podejmij decyzję (62) To Twój świat... Dane się tylko w nim znajdują (68) 4. Korelacja i regresja (71) Korelacja nie oznacza przyczynowości (71) Wprowadzenie do korelacji (72) Od korelacji do regresji (76) Regresja liniowa w Excelu (78) Zastanówmy się raz jeszcze - pozorne związki (84) 5. Stos analizy danych (87) Statystyka, analiza danych, nauka o danych (87) Statystyka (87) Analiza danych (87) Analityka biznesowa (88) Nauka o danych (88) Uczenie maszynowe (88) Różne, ale nie rozłączne (89) Znaczenie stosu analizy danych (89) Arkusze kalkulacyjne (90) Bazy danych (92) Platformy analityki biznesowej (94) CZĘŚĆ II. Z EXCELA DO R (97) 6. Pierwsze kroki w R dla użytkowników Excela (99) Pobieranie R (99) Pierwsze kroki w RStudio (99) Pakiety w R (108) Aktualizacja pakietów, RStudio i języka R (109) 7. Struktury danych w R (112) Wektory (112) Indeksowanie i wybór elementów z wektorów (114) Od tabel Excela do ramek danych R (115) Importowanie danych w R (117) Eksploracja ramki danych (120) Indeksowanie i wybór elementów z ramek danych (122) Zapisywanie ramek danych (123) 8. Przetwarzanie i wizualizacja danych w R (125) Przetwarzanie danych za pomocą dplyr (126) Operacje kolumnowe (126) Operacje wierszowe (128) Agregacja i łączenie danych (131) dplyr i potęga operatora potoku (%>%) (133) Przekształcanie danych za pomocą tidyr (135) Wizualizacja danych w ggplot2 (137) 9. R w analizie danych (143) Eksploracyjna analiza danych (144) Testowanie hipotez (147) Test t-Studenta dla prób niezależnych (148) Regresja liniowa (150) Podział na zbiór uczący i testowy, walidacja (151) CZĘŚĆ III. Z EXCELA DO PYTHONA (155) 10. Pierwsze kroki w Pythonie dla użytkowników Excela (157) Pobieranie Pythona (157) Pierwsze kroki z Jupyterem (158) Moduły w Pythonie (166) Aktualizacja pakietów, Anacondy i Pythona (167) 11. Struktury danych w Pythonie (169) Tablice NumPy (170) Indeksowanie i wybieranie elementów z tablic NumPy (171) Ramki danych pandas (172) Importowanie danych w Pythonie (174) Eksploracja ramki danych (175) Indeksowanie i pobieranie wartości z ramek danych (177) Zapis ramek danych (178) 12. Przetwarzanie i wizualizacja danych w Pythonie (179) Operacje kolumnowe (180) Operacje wierszowe (182) Agregacja i łączenie danych (183) Przekształcanie danych (185) Wizualizacja danych (186) 13. Python w analizie danych (193) Eksploracyjna analiza danych (194) Testowanie hipotez (196) Test t-Studenta dla prób niezależnych (196) Regresja liniowa (197) Podział zbioru na zbiór treningowy i testowy oraz walidacja modelu (198) 14. Wnioski i kolejne kroki (201) Kolejne warstwy stosu (201) Projektowanie badań i eksperymenty biznesowe (201) Inne metody statystyczne (202) Nauka o danych i uczenie maszynowe (202) Kontrola wersji (202) Etyka (203) Idź naprzód i ciesz się danymi (203)

Sygnatura czytelni BWEAiI: XII Ł 203

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 152068 N (1 egz.)

Książka

W koszyku

Szeregi czasowe : praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego / Aileen Nielsen ; przekład Filip Kamiński. - Gliwice : Helion, copyright 2020. - 430, [2] strony : ilustracje ; 24 cm.

Autor

Nielsen Aileen. Kamiński Filip.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Inżynierowie oprogramowania

Temat

Prognozowanie Szeregi czasowe Uczenie maszynowe. Programy komputerowe Systemy zarządzania bazami danych

Gatunek

Poradnik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Practical time series analysis : prediction with statistics and machine learning.

Na okładce, grzbiecie i stronie tytyłowej również nazwa wydawcy oryginału: O'Reilly.

1. Koncepcja szeregów czasowych 15 Szeregi czasowe w różnych dziedzinach - krótka historia 15 Szeregi czasowe w medycynie 16 Przewidywanie pogody 20 Prognozy rozwoju gospodarczego 21 Astronomia 23 Początki analizy szeregów czasowych 24 Metody statystyczne w analizie szeregów czasowych 25 Uczenie maszynowe w analizie szeregów czasowych 26 2. Pozyskiwanie i przetwarzanie szeregów czasowych 29 Gdzie można znaleźć szeregi czasowe? 30 Gotowe zestawy danych 30 Odnajdywanie szeregów czasowych 36 Konstruowanie szeregu czasowego na podstawie danych tabelarycznych 37 Przygotowanie danych - instrukcja krok po kroku 38 Konstruowanie szeregu czasowego na podstawie zebranych danych 44 Problemy związane ze znacznikami czasu 46 Czego dotyczy dany znacznik? 46 Praca z danymi pozbawionymi dokumentacji 48 Co to jest znacząca skala czasu? 50 Oczyszczanie danych 50 Brakujące dane 51 Zmiana częstotliwości próbkowania 60 Wygładzanie danych 63 Wahania sezonowe 68 Strefy czasowe 71 Zapobieganie zjawisku lookahead 74 3. Metody eksplorowania danych czasowych 79 Metody ogólnego przeznaczenia 79 Wykresy liniowe 80 Histogramy 82 Wykresy punktowe 84 Metody przeznaczone do eksploracji szeregów czasowych 86 O stacjonarności słów kilka 86 Stosowanie okien czasowych 90 Związki pomiędzy wartościami w szeregu 95 Korelacje pozorne 105 Przegląd użytecznych metod wizualizacji 107 Wizualizacje w jednym wymiarze 107 Wizualizacje w dwóch wymiarach 108 Wizualizacje w trzech wymiarach 114 4. Symulacje szeregów czasowych 119 Czym wyróżniają się symulacje szeregów czasowych? 120 Symulacje kontra prognozy 120 Symulacje w implementacjach 121 Przykład 1. - zrób to sam 121 Przykład 2. - tworzenie świata symulacji, który sam sobą steruje 126 Przykład 3. - symulacja zjawiska fizycznego 132 Symulacje z wykorzystaniem metod statystycznych 138 Symulacje z wykorzystaniem uczenia głębokiego 138 5. Przechowywanie danych czasowych 141 Definiowanie wymagań 143 Dane rzeczywiste a dane przechowywane 144 Bazy danych 146 SQL kontra NoSQL 147 Przegląd popularnych rozwiązań bazodanowych dla szeregów czasowych 149 Przechowywanie danych w plikach 153 NumPy 154 Pandas 155 Odpowiedniki w środowisku R 155 Xarray 156 6. Modele statystyczne 159 Dlaczego nie należy korzystać z regresji liniowej? 159 Metody statystyczne dla szeregów czasowych 161 Modele autoregresyjne 161 Modele ze średnią ruchomą 174 Zintegrowane modele autoregresyjne średniej ruchomej 178 Model wektorowej autoregresji 187 Inne modele 191 Zalety i wady modeli statystycznych 192 7. Modele zmiennych stanu 195 Wady i zalety modeli zmiennych stanu 196 Filtr Kalmana 197 Model 197 Implementacja 199 Ukryte modele Markowa 203 Sposób działania modelu 204 Dopasowywanie modelu 205 Implementacja dopasowania modelu 208 Bayesowskie strukturalne szeregi czasowe (BSTS) 213 Implementacja 214 8. Generowanie i selekcja cech 221 Przykład wprowadzający 222 Ogólne uwagi dotyczące cech 223 Natura danego szeregu 223 Wiedza dziedzinowa 224 Parametry zewnętrzne 225 Przegląd miejsc, w których można szukać inspiracji dotyczących wyboru cech 225 Biblioteki dostępne na licencji open source 226 Przykłady cech powiązanych z konkretnymi dziedzinami 230 Jak dokonać selekcji cech po ich wygenerowaniu? 233 9. Uczenie maszynowe w analizie szeregów czasowych 239 Klasyfikacja szeregów czasowych 240 Generowanie i selekcja cech 240 Drzewa decyzyjne 243 Klasteryzacja 250 Generowanie cech 251 Metryki uwzględniające zmianę czasu 258 Klasteryzacja w kodzie 262 10. Uczenie głębokie 267 Geneza uczenia głębokiego 269 Implementacja sieci neuronowej 271 Dane, symbole, operacje, warstwy i grafy 272 Budowa potoku uczenia 275 Spojrzenie na zestaw danych 275 Elementy potoku uczenia 278 Jednokierunkowe sieci neuronowe 293 Prosty przykład 293 Wykorzystanie modelu atencji do uczynienia jednokierunkowych sieci bardziej świadomymi czasu 296 Konwolucyjne sieci neuronowe 298 Prosty model sieci konwolucyjnej 300 Alternatywne modele konwolucyjne 302 Rekurencyjne sieci neuronowe 304 Kontynuacja przykładu z zapotrzebowaniem na prąd 307 Autoenkoder 308 Połączenie architektur 309 11. Pomiary błędów 317 Podstawy: jak przetestować prognozę? 318 Weryfikacja historyczna a kwestie związane z konkretnym modelem 320 Kiedy prognoza jest wystarczająco dobra? 321 Szacowanie niepewności modelu w oparciu o symulację 323 Prognozowanie na wiele kroków naprzód 326 Bezpośrednie dopasowanie do danego horyzontu 326 Podejście rekurencyjne do odległych horyzontów czasowych 326 Uczenie wielozadaniowe w kontekście szeregów czasowych 327 Pułapki walidacji 327 12. Kwestie wydajnościowe w dopasowywaniu i wdrażaniu modeli 331 Praca z narzędziami przeznaczonymi do bardziej ogólnych przypadków użycia 332 Modele zbudowane z myślą o danych przekrojowych nie "współdzielą" danych pomiędzy próbkami 332 Modele, które nie wspierają wcześniejszego obliczania, tworzą niepotrzebne opóźnienia pomiędzy pomiarem a prognozowaniem 334 Wady i zalety formatów zapisu danych 334 Przechowuj dane w formacie binarnym 335 Przetwarzaj dane w sposób umożliwiający "przesuwanie się" po nich 335 Modyfikacje analizy dla zwiększenia jej wydajności 336 Wykorzystanie wszystkich danych to niekoniecznie najlepszy pomysł 336 Złożone modele nie zawsze sprawdzają się znacznie lepiej 337 Krótki przegląd innych wysokowydajnych narzędzi 338 13. Zastosowania w obszarze opieki zdrowotnej 341 Przewidywanie grypy 341 Studium przypadku grypy w jednym obszarze metropolitalnym 341 Jak obecnie wygląda prognozowanie grypy? 354 Przewidywanie stężenia cukru we krwi 356 Eksploracja danych i ich oczyszczanie 357 Generowanie cech 361 Dopasowanie modelu 366 14. Zastosowania w obszarze finansów 373 Pozyskiwanie i eksploracja danych finansowych 374 Wstępne przetwarzanie danych do uczenia głębokiego 380 Dodawanie interesujących nas wielkości do surowych danych 380 Skalowanie interesujących nas wielkości bez wprowadzania zjawiska lookahead 381 Formatowanie danych do sieci neuronowej 383 Budowanie i uczenie rekurencyjnej sieci neuronowej 386 15. Szeregi czasowe w danych rządowych 393 Pozyskiwanie danych rządowych 394 Eksploracja dużych zbiorów danych czasowych 395 Zwiększenie częstotliwości próbkowania i agregowanie danych podczas iteracji 399 Sortowanie danych 399 Statystyczna analiza szeregów czasowych "w locie" 403 Pozostałe pytania 412 Dalsze możliwości poprawy 413 16. Pakiety przeznaczone do pracy z szeregami czasowymi 415 Prognozowanie na dużą skalę 415 Wewnętrzne narzędzia Google'a do przemysłowego prognozowania 416 Otwartoźródłowy pakiet Prophet od Facebooka 418 Wykrywanie anomalii 422 Otwartoźródłowy pakiet AnomalyDetection od Twittera 422 Inne pakiety stworzone z myślą o szeregach czasowych 425 17. Prognozy o prognozowaniu 427 Prognozowanie jako usługa 427 Uczenie głębokie zwiększa możliwości probabilistyczne 428 Wzrost znaczenia uczenia maszynowego kosztem statystyki 429 Wzrost popularności metod łączących podejście statystyczne i uczenie maszynowe 429 Więcej prognoz dotyczących życia codziennego 430

Sygnatura czytelni BWEAiI: XII A 85

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 149866 N (1 egz.)

Książka

W koszyku

SQL : przewodnik dla początkujących : jak zacząć efektywną pracę z danymi / Walter Shields ; przekład: Agnieszka Górczyńska. - Gliwice : Helion, copyright 2023. - VIII, 215 stron : ilustracje, portret ; 23 cm.

Autor

Shields Walter. Górczyńska Agnieszka (tłumaczka).

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Baza danych Programowanie (informatyka) SQL (język zapytań)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Dla chcących pracować z obsługą danych.

UTWORZENIE ŚRODOWISKA POZNAWCZEGO SQL STRUKTURA BAZY DANYCH Podstawowe elementy relacyjnej bazy danych Typy danych Systemy relacyjnych baz danych Zapytanie SELECT Zapytania, polecenia, klauzule i słowa kluczowe Wprowadzenie do SQLite STRATEGIE I NARZĘDZIA SQL Wprowadzenie do bazy danych sTunes Wprowadzenie do narzędzia DB Browser for SQLite Instalacja narzędzia DB Browser for SQLite Jak sprawdzić swoją wiedzę z zakresu SQL? Strategie pomocne w osiągnięciu sukcesu ANALIZA BAZY DANYCH W SQLITE Środowisko pracy Otwieranie bazy danych sTunes Analiza struktury bazy danych Wyświetlanie poszczególnych rekordów Karta Execute SQL Punkty kontrolne analizy danych TWORZENIE POLECEŃ SQL ROZPOCZĘCIE PRACY Z ZAPYTANIAMI Dodawanie komentarzy do zapytania Struktura prostego zapytania SQL Rozpoczęcie pracy z zapytaniami Składnia kontra konwencja Dodawanie aliasu do kolumny Stosowanie klauzuli ORDER BY Pobieranie za pomocą klauzuli LIMIT dziesięciu najlepszych rekordów Punkty kontrolne analizy danych ZAMIANA DANYCH W INFORMACJE Operatory porównania, logiczne i arytmetyczne Filtrowanie rekordów według liczb za pomocą klauzuli WHERE Filtrowanie rekordów według tekstu Wyszukiwanie za pomocą operatora LIKE Filtrowanie rekordów według daty Funkcja DATE() Stosowanie operatorów AND i OR z dwiema kolumnami Operator OR Stosowanie nawiasów z operatorami AND i OR w celu określenia kolejności operacji Polecenie CASE Punkty kontrolne analizy danych PRACA Z WIELOMA TABELAMI Czym są złączenia? Złączenie i struktura relacyjnej bazy danych Stosowanie złączeń i aliasów Typy złączeń i różnice między nimi Złączenie wewnętrzne więcej niż dwóch tabel Stosowanie lewego złączenia zewnętrznego z NULL, IS i NOT Zastąpienie prawego złączenia zewnętrznego lewym Punkty kontrolne analizy danych FUNKCJE Przeprowadzanie obliczeń w zapytaniach Typy funkcji w SQL Funkcje działające na ciągach tekstowych Konkatenacja ciągów tekstowych Skracanie tekstu Dodatkowe funkcje ciągu tekstowego Funkcje działające na dacie i godzinie Funkcje agregacji Zagnieżdżanie funkcji za pomocą ROUND() Stosowanie funkcji agregacji z klauzulą GROUP BY Stosowanie klauzul WHERE i HAVING z grupowanymi zapytaniami Klauzula WHERE kontra klauzula HAVING Stosowanie klauzuli GROUP BY z wieloma kolumnami Podsumowanie dotyczące funkcji Punkty kontrolne analizy danych ZAAWANSOWANY SQL PODZAPYTANIA Wprowadzenie do stosowania podzapytań z funkcjami agregacji Stosowanie podzapytania w poleceniu SELECT Stosowanie klauzuli WHERE w podzapytaniu Podzapytania bez funkcji agregacji Podzapytanie zwracające wiele wartości Podzapytania i klauzula DISTINCT Punkty kontrolne analizy danych WIDOKI Konwersja wcześniejszego zapytania na widok Przeznaczenie widoku Modyfikowanie widoku w SQLite Tworzenie widoku na podstawie złączenia Usunięcie widoku za pomocą polecenia DROP Punkty kontrolne analizy danych JĘZYK DML Analiza danych kontra zarządzanie bazą danych Wstawianie danych do bazy danych Uaktualnianie danych i stosowanie słowa kluczowego SET Usuwanie danych Punkty kontrolne analizy danych W gruncie rzeczy chodzi o zadawanie właściwych pytań Znalezienie swojej niszy Wybór właściwej specjalizacji w zakresie baz danych Czy wszystko sprowadza się do pieniędzy? Czy znajomość języka SQL jest uniwersalna? Zmiana ścieżki kariery Umiejętność "sprzedania się" firmie Wykraczając poza SQL - oprogramowanie do wizualizacji danych Wskazówka dotycząca rozmowy kwalifikacyjnej Certyfikaty w świecie SQL

Sygnatura czytelni BWEAiI: XII E 129

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154697 N (1 egz.)