Ciencia de Datos con Jupyter: Domine las habilidades de Ciencia de Datos con ejemplos de Python fáciles de seguir

Opiniones de los lectores

El libro ha recibido críticas dispares: algunos usuarios lo consideran útil para iniciarse en la ciencia de datos, mientras que otros critican su profundidad y claridad, sobre todo a la hora de explicar la sintaxis de Python y el uso de Jupyter.

Algunos lectores aprecian el libro por su utilidad para repasar conceptos y su lenguaje claro para principiantes. Abarca una amplia gama de temas de la ciencia de datos y se considera un buen punto de partida para los interesados en este campo.

Muchos críticos señalan la falta de profundidad del libro, sus escasas explicaciones y la cobertura inadecuada de la sintaxis de Python. Los críticos mencionan que requiere conocimientos previos en ciencia de datos y programación para ser útil, y algunos consideran que el contenido es insuficiente para un aprendizaje serio.

(basado en 11 opiniones de lectores)

Título original:

Data Science with Jupyter: Master Data Science skills with easy-to-follow Python examples

Contenido del libro:

Guía paso a paso para practicar técnicas de ciencia de datos con cuadernos Jupyter.

Descripción

Las empresas modernas están inundadas de datos, lo que hace que las tareas de toma de decisiones basadas en datos sean cada vez más complejas. Como resultado, se requieren conocimientos técnicos y habilidades analíticas relevantes para llevar a cabo dichas tareas. Este libro pretende dotarle de los conocimientos suficientes de Python junto con las habilidades necesarias para utilizar una herramienta potente como Jupyter Notebook con el fin de tener éxito en el papel de un científico de datos.

El libro comienza con una breve introducción al mundo de la ciencia de datos y las oportunidades que se pueden encontrar junto con una visión general de los temas clave tratados en el libro. Aprenderás a configurar la instalación de Anaconda, que viene con Jupyter y paquetes de Python preinstalados. Antes de sumergirte en varias técnicas de aprendizaje automático supervisado, no supervisado y de otro tipo, aprenderás a utilizar estructuras de datos básicas, funciones, bibliotecas y paquetes necesarios para importar, limpiar, visualizar y procesar datos. Se explican varias técnicas de aprendizaje automático, como la regresión, la clasificación, la agrupación, las series temporales, etc., mediante ejemplos prácticos y comparando el rendimiento de varios modelos.

Al final del libro, se encontrará con algunos casos prácticos para poner en práctica sus conocimientos y resolver problemas empresariales de la vida real, como la creación de un motor de recomendación de películas, la clasificación de mensajes de spam, la predicción de la capacidad de un prestatario para devolver un préstamo a tiempo y la previsión de series temporales del precio de la vivienda. Recuerde practicar los ejemplos adicionales proporcionados en el paquete de código del libro para dominar estas técnicas.

Público

El libro está dirigido a cualquier persona que busca una carrera en la ciencia de datos, todos los aspirantes a científicos de datos que quieren aprender el lenguaje de programación más potente en Machine Learning o profesionales en activo que quieren cambiar su carrera en Data Science. Aunque no se asumen conocimientos previos de Ciencia de Datos o tecnologías relacionadas, será útil tener algo de experiencia en programación.

Características principales

⬤ Adquirir habilidades de Python para realizar proyectos independientes de ciencia de datos.

⬤ Aprenda los fundamentos del álgebra lineal y la ciencia estadística en Python.

⬤ Entender cómo y cuándo se utilizan en la ciencia de datos.

⬤ Construir modelos predictivos, ajustar sus parámetros y analizar el rendimiento en pocos pasos.

⬤ Agrupar, transformar, visualizar y extraer información de conjuntos de datos no etiquetados.

⬤ Aprender a utilizar matplotlib y seaborn para la visualización de datos.

⬤ Implementar y guardar modelos de aprendizaje automático para escenarios empresariales del mundo real.

Tabla de Contenidos

⬤  Fundamentos de la ciencia de datos.

⬤  Instalación de software y configuración.

⬤  Listas y Diccionarios.

⬤  Funciones y Paquetes.

⬤  Fundación NumPy.

⬤  Pandas y Dataframe.

⬤  Interacción con Bases de Datos.

⬤  Pensando Estadísticamente en Ciencia de Datos.

⬤  ¿Cómo importar datos en Python?

⬤  Limpieza de datos importados.

⬤  Visualización de datos.

⬤  Pre-procesamiento de datos.

⬤  Aprendizaje Automático Supervisado.

⬤  Aprendizaje Automático No Supervisado.

⬤  Manejo de Series Temporales.

⬤  Métodos de Series Temporales.

⬤  Estudio de caso - 1.

⬤  Estudio de caso - 2.

⬤  Estudio de caso - 3.

⬤  Estudio de caso - 4.

Sobre el autor

Prateek es un entusiasta de los datos y ama las tecnologías basadas en datos. Prateek tiene un total de 7 años de experiencia y actualmente trabaja como científico de datos en una multinacional. Ha trabajado con clientes del sector financiero y minorista y ha desarrollado soluciones de aprendizaje automático y aprendizaje profundo para sus negocios. Su área de interés es el procesamiento del lenguaje natural y la visión por ordenador. En su tiempo libre escribe posts sobre Ciencia de Datos con Python en su blog.