Fundamentos de la ciencia de datos en Python

Opiniones de los lectores

El libro sobre ciencia de datos en Python ha recibido críticas mixtas de los usuarios, destacando sus puntos fuertes en la orientación práctica y el aprendizaje estructurado, mientras que se enfrenta a críticas por errores en el contenido y actualizaciones insuficientes.

Los lectores aprecian el estilo claro de la redacción, los ejemplos prácticos y la organización eficaz de los temas. Se considera útil tanto para principiantes como para usuarios experimentados que deseen refrescar sus conocimientos. El libro abarca conceptos fundamentales de la ciencia de datos e incluye una sección sobre temas avanzados como las máquinas de Boltzmann restringidas.

Algunos usuarios criticaron el libro por contener numerosos errores en los ejemplos de código, la falta de apoyo por parte del autor con respecto a estos problemas, y por estar desactualizado en sus referencias (por ejemplo, al no abordar la transición de IPython Notebook a Jupyter). Además, puede que no sea lo suficientemente completo para principiantes que empiezan desde cero.

(basado en 6 opiniones de lectores)

Título original:

Python Data Science Essentials

Contenido del libro:

Características principales Familiarícese rápidamente con la ciencia de datos utilizando Python Ahorre tiempo -y esfuerzo- con todas las herramientas esenciales explicadas Cree proyectos eficaces de ciencia de datos y evite los errores comunes con la ayuda de ejemplos y consejos dictados por la experiencia Descripción del libro

El libro comienza introduciéndole en la configuración de su caja de herramientas esenciales para la ciencia de datos. A continuación, le guiará a través de todas las fases de munición y preprocesamiento de datos. Esto se hará de forma que se expliquen todas las actividades fundamentales de la ciencia de datos relacionadas con la carga de datos, su transformación y fijación para el análisis, así como su exploración y procesamiento. Por último, completará la visión general presentándole los principales algoritmos de aprendizaje automático, los tecnicismos de análisis de gráficos y todos los instrumentos de visualización que pueden facilitarle la vida a la hora de presentar sus resultados.

En este recorrido, estructurado como un proyecto de ciencia de datos, siempre irá acompañado de código claro y ejemplos simplificados para ayudarle a comprender la mecánica subyacente y los conjuntos de datos del mundo real. Lo que aprenderá Configurar su caja de herramientas de ciencia de datos utilizando un entorno científico de Python en Windows, Mac y Linux Preparar los datos para su proyecto de ciencia de datos Manipular, corregir y explorar datos para resolver problemas de ciencia de datos Configurar una canalización experimental para probar su hipótesis de ciencia de datos Elegir el algoritmo de aprendizaje más eficaz y escalable para sus tareas de ciencia de datos Optimizar sus modelos de aprendizaje automático para obtener el mejor rendimiento Explorar y agrupar gráficos, aprovechando las interconexiones y los vínculos en sus datos Tabla de contenido Primeros pasos Munging de datos La canalización de ciencia de datos Aprendizaje automático Análisis de redes sociales Visualización