SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

2 wyniki

Książka

W koszyku

Autor

Grus Joel. Bombik Wojciech.

Forma i typ

Książki Publikacje fachowe

Temat

Analiza danych Python (język programowania) Struktury danych Data mining

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Data science from scratch : first principles with Python, 2nd edition.

Wydanie 2. odnosi się do oryginału.

U góry okładki nazwa wydawcy oryginału: O'Reilly.

Znaczenie danych 17 Czym jest analiza danych? 17 Hipotetyczna motywacja 18 Określanie najważniejszych węzłów 19 Analitycy, których możesz znać 21 Wynagrodzenie i doświadczenie 23 Płatne konta 25 Tematy interesujące użytkowników 26 2. Błyskawiczny kurs Pythona 29 Zasady tworzenia kodu Pythona 29 Skąd wziąć interpreter Pythona? 30 Środowiska wirtualne 30 Formatowanie za pomocą białych znaków 31 Moduły 32 Polskie znaki diakrytyczne 33 Funkcje 33 Łańcuchy 34 Wyjątki 35 Listy 35 Krotki 36 Słowniki 37 defaultdict 38 Counter 39 Zbiory 39 Przepływ sterowania 40 Wartości logiczne 41 Sortowanie 42 Składanie list 42 Testy automatyczne i instrukcja assert 43 Programowanie obiektowe 43 Obiekty iterowalne i generatory 45 Losowość 46 Wyrażenia regularne 47 Narzędzia funkcyjne 48 Funkcja zip i rozpakowywanie argumentów 48 Argumenty nazwane i nienazwane 49 Adnotacje typów 50 Jak pisać adnotacje typów 52 Witaj w firmie DataSciencester! 53 Dalsza eksploracja 53 3. Wizualizacja danych 55 Pakiet matplotlib 55 Wykres słupkowy 57 Wykresy liniowe 60 Wykresy punktowe 60 Dalsza eksploracja 63 4. Algebra liniowa 65 Wektory 65 Macierze 69 Dalsza eksploracja 71 5. Statystyka 73 Opis pojedynczego zbioru danych 73 Tendencje centralne 74 Dyspersja 76 Korelacja 78 Paradoks Simpsona 80 Inne pułapki związane z korelacją 81 Korelacja i przyczynowość 81 Dalsza eksploracja 82 6. Prawdopodobieństwo 83 Zależność i niezależność 83 Prawdopodobieństwo warunkowe 84 Twierdzenie Bayesa 85 Zmienne losowe 87 Ciągły rozkład prawdopodobieństwa 87 Rozkład normalny 89 Centralne twierdzenie graniczne 91 Dalsza eksploracja 93 7. Hipotezy i wnioski 95 Sprawdzanie hipotez 95 Przykład: rzut monetą 95 Wartości p 98 Przedziały ufności 99 Hakowanie wartości p 100 Przykład: przeprowadzanie testu A-B 101 Wnioskowanie bayesowskie 102 Dalsza eksploracja 105 8. Metoda gradientu prostego 107 Podstawy metody gradientu prostego 107 Szacowanie gradientu 108 Korzystanie z gradientu 111 Dobór właściwego rozmiaru kroku 111 Używanie metody gradientu do dopasowywania modeli 112 Metody gradientu prostego: stochastyczna i minibatch 113 Dalsza eksploracja 114 9. Uzyskiwanie danych 117 Strumienie stdin i stdout 117 Wczytywanie plików 119 Podstawowe zagadnienia dotyczące plików tekstowych 119 Pliki zawierające dane rozdzielone separatorem 120 Pobieranie danych ze stron internetowych 122 HTML i parsowanie 122 Przykład: wypowiedzi kongresmenów 124 Korzystanie z interfejsów programistycznych 126 Format JSON (i XML) 126 Korzystanie z interfejsu programistycznego bez uwierzytelniania 127 Poszukiwanie interfejsów programistycznych 128 Przykład: korzystanie z interfejsów programistycznych serwisu Twitter 128 Uzyskiwanie danych uwierzytelniających 129 Dalsza eksploracja 132 10. Praca z danymi 133 Eksploracja danych 133 Eksploracja danych jednowymiarowych 133 Dwa wymiary 135 Wiele wymiarów 136 Wykorzystanie klasy NamedTuple 137 Dekorator dataclass 139 Oczyszczanie i wstępne przetwarzanie danych 140 Przetwarzanie danych 141 Przeskalowanie 144 Dygresja: tqdm 145 Redukcja liczby wymiarów 146 Dalsza eksploracja 151 11. Uczenie maszynowe 153 Modelowanie 153 Czym jest uczenie maszynowe? 154 Nadmierne i zbyt małe dopasowanie 154 Poprawność 157 Kompromis pomiędzy wartością progową a wariancją 159 Ekstrakcja i selekcja cech 161 Dalsza eksploracja 162 12. Algorytm k najbliższych sąsiadów 163 Model 163 Przykład: dane dotyczące irysów 165 Przekleństwo wymiarowości 168 Dalsza eksploracja 171 13. Naiwny klasyfikator bayesowski 173 Bardzo prosty filtr antyspamowy 173 Bardziej zaawansowany filtr antyspamowy 174 Implementacja 175 Testowanie modelu 177 Używanie modelu 178 Dalsza eksploracja 180 14. Prosta regresja liniowa 181 Model 181 Korzystanie z algorytmu spadku gradientowego 184 Szacowanie maksymalnego prawdopodobieństwa 185 Dalsza eksploracja 185 15. Regresja wieloraka 187 Model 187 Dalsze założenia dotyczące modelu najmniejszych kwadratów 188 Dopasowywanie modelu 189 Interpretacja modelu 190 Poprawność dopasowania 191 Dygresja: ładowanie wstępne 192 Błędy standardowe współczynników regresji 193 Regularyzacja 194 Dalsza eksploracja 196 16. Regresja logistyczna 197 Problem 197 Funkcja logistyczna 199 Stosowanie modelu 201 Poprawność dopasowania 202 Maszyny wektorów nośnych 203 Dalsza eksploracja 206 17. Drzewa decyzyjne 207 Czym jest drzewo decyzyjne? 207 Entropia 209 Entropia podziału 211 Tworzenie drzewa decyzyjnego 211 Łączenie wszystkiego w całość 214 Lasy losowe 216 Dalsza eksploracja 217 18. Sztuczne sieci neuronowe 219 Perceptrony 219 Jednokierunkowe sieci neuronowe 221 Propagacja wsteczna 224 Przykład: Fizz Buzz 226 Dalsza eksploracja 228 19. Uczenie głębokie 229 Tensor 229 Abstrakcja Layer 231 Warstwa Linear 233 Sieci neuronowe jako sekwencje warstw 235 Abstrakcja Loss i optymalizacja 235 Przykład: kolejne podejście do bramki XOR 237 Inne funkcje aktywacji 238 Przykład: kolejne podejście do gry Fizz Buzz 239 Funkcja softmax i entropia krzyżowa 240 Dropout 242 Przykład: MNIST 243 Zapisywanie i wczytywanie modeli 246 Dalsza eksploracja 247 20. Grupowanie 249 Idea 249 Model 250 Przykład: spotkania 252 Wybór wartości parametru k 253 Przykład: grupowanie kolorów 255 Grupowanie hierarchiczne z podejściem aglomeracyjnym 257 Dalsza eksploracja 261 21. Przetwarzanie języka naturalnego 263 Chmury wyrazowe 263 Modele n-gram 264 Gramatyka 267 Na marginesie: próbkowanie Gibbsa 269 Modelowanie tematu 271 Wektory słów 275 Rekurencyjne sieci neuronowe 283 Przykład: używanie rekurencyjnej sieci neuronowej na poziomie pojedynczych znaków 285 Dalsza eksploracja 288 22. Analiza sieci społecznościowych 289 Pośrednictwo 289 Centralność wektorów własnych 294 Mnożenie macierzy 294 Centralność 295 Grafy skierowane i metoda PageRank 297 Dalsza eksploracja 299 23. Systemy rekomendujące 301 Ręczne rozwiązywanie problemu 301 Rekomendowanie tego, co jest popularne 302 Filtrowanie kolaboratywne oparte na użytkownikach 303 Filtrowanie kolaboratywne oparte na zainteresowaniach 305 Faktoryzacja macierzy 307 Dalsza eksploracja 311 24. Bazy danych i SQL 313 Polecenia CREATE TABLE i INSERT 313 Polecenie UPDATE 316 Polecenie DELETE 316 Polecenie SELECT 317 Polecenie GROUP BY 319 Polecenie ORDER BY 321 Polecenie JOIN 322 Zapytania składowe 324 Indeksy 324 Optymalizacja zapytań 325 Bazy danych NoSQL 326 Dalsza eksploracja 326 25. Algorytm MapReduce 327 Przykład: liczenie słów 327 Dlaczego warto korzystać z algorytmu MapReduce? 329 Algorytm MapReduce w ujęciu bardziej ogólnym 330 Przykład: analiza treści statusów 331 Przykład: mnożenie macierzy 332 Dodatkowe informacje: zespalanie 334 Dalsza eksploracja 334 26. Etyka przetwarzania danych 335 Czym jest etyka danych? 335 Ale tak naprawdę to czym jest etyka danych? 336 Czy powinienem przejmować się etyką danych? 336 Tworzenie złych produktów wykorzystujących dane 337 Kompromis między dokładnością a uczciwością 337 Współpraca 339 Interpretowalność 339 Rekomendacje 340 Tendencyjne dane 340 Ochrona danych 341 Podsumowanie 342 Dalsza eksploracja 342 27. Praktyka czyni mistrza 343 IPython 343 Matematyka 343 Korzystanie z gotowych rozwiązań 344 NumPy 344 pandas 344 scikit-learn 344 Wizualizacja 345 R 345 Uczenie głębokie 346 Szukanie danych 346 Zabierz się za analizę 346 Hacker News 347 Wozy straży pożarnej 347 Koszulki 347 Tweety na kuli ziemskiej 348

Sygnatura czytelni BWEAiI: XII Ł 194

aktualnie wypożyczona

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

Wypożyczalnia

Wszystkie egzemplarze są obecnie wypożyczone: sygn. 149933 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.)