معرفی و دانلود کتاب داده‌ کاوی با Python

معرفی کتاب داده‌ کاوی با Python

امروزه نگهداری از اطلاعات برای شرکت‌ها و سازمان‌ها به نیازی ضروری تبدیل شده است. ابزارهای مختلفی برای مدیریت اطلاعات وجود دارد. کتاب داده‌ کاوی با Python نوشته‌ی گالیت شمولی، پیتر سی. بروس، پیتر گدک و نایتین آر. پیتل به معرفی یکی از ابزارهای مدیریت داده‌ها می‌پردازد.

درباره‌ی کتاب داده کاوی با Python

مدیریت داده‌ها در دنیای تجارت یکی از مهم‌ترین عوامل موفقیت برای شرکت‌ها و سازما‌ن‌های تجاری است. بسیاری از تکنیک‌های نگهداری و کنترل اطلاعات با استفاده از ابزارهای مدرن و پیشرفته انجام می‌شوند. در این راستا مدیران شرکت‌ها در پی کشف ابزارهای تازه‌تر برای سرعت بخشیدن به کار برنامه‌نویسان و کاربران نرم‌افزارها هستند. کتاب داده‌کاوی با Python با نام انگلیسی (Data Mining for Business Analytics)، نوشته‌ی گالیت شمولی (Galit Shmueli)، پیتر سی. بروس (Peter C. Bruce)، پیتر گدک (Peter Gedeck) و نایتین آر. پیتل (Nitin R. Patel) به معرفی زبان برنامه‌نویسی Python می‌پردازد. این کتاب با شرح و بررسی کاربرد زبان Python در برنامه‌نویسی و به‌خصوص در فرایند داده‌کاوی در تلاش است مخاطب را در جهت آشنایی با روش‌های نوین مدیریت داده‌ها راهنمایی کند.

هوشمندسازی کسب و کار دانش نوینی است که به مدیران شرکت‌ها کمک می‌کند تا تمامی فعالیت‌های گروهی و فردی در شرکت را با استفاده از هوش مصنوعی ثبت و ضبط کنند. یکی از کاربردهای هوشمندسازی در فضای مشاغل امروزی کمک به فرایند مدیریت داده‌هاست. مدیران شرکت‌های موفق برای بهینه‌سازی فعالیت کارکنان و افزایش بازدهی در روند تولید محصول ترجیح می‌دهند از ابزارهایی استفاده کنند که مدیریت داده‌های مورد نیاز شرکت را با کمترین هزینه و بهترین بازدهی ممکن سازد. گالیت شمولی، پیتر سی. بروس، پیتر گدک و نایتین آر. پیتل در کتاب داده‌کاوی با Python علاوه بر تشریح موضوع داده‌کاوی و معرفی روش‌های نوین مدیریت داده‌ها، به تاثیر هوشمندسازی در روند تولید محصول و کیفیت کار کارکنان شرکت‌ها می‌پردازند.

کتاب داده‌کاوی با Python شامل 21 فصل است و مطالب مفیدی درباره‌ی معرفی و چگونگی استفاده از زبان پایتون را ارائه می‌کند. گالیت شمولی، پیتر سی. بروس، پیتر گدک و نایتین آر. پیتل در این کتاب به بررسی موضوعات مختلفی پیرامون حفظ و کنترل اطلاعات موردنیاز شرکت‌ها پرداخته‌اند و طی مراحل مختلفی آموزش استفاده از زبان پایتون برای داده‌کاوی را برای مخاطبان تشریح می‌کنند.

کتاب داده‌کاوی با Python با ترجمه‌ی مهدی اسماعیلی و سید مهدی وحیدی پور توسط انتشارات آتی نگر منتشر شده است.

نکوداشت‌های کتاب داده کاوی با Python

• این کتاب با مدیریتی برتر گردآوری و به زبانی ساده نوشته شده است. همچنین پیشنهادهای اساسی در زمینه‌ی مدیریت داده‌ها مطرح می‌کند. (Robert L. Phillips)
• این کتاب سرشار از داستان‌های شیوا و جذاب است. کسانی که به بازیابی اطلاعات و پژوهش در حوزه‌ی کسب و کارهای هوشمند علاقه دارند، باید این کتاب را مطالعه کنند. (Research Magazine)
• انتخابی شگفت‌انگیز برای پژوهشگران تجاری. کتاب داده‌کاوی با Python بهترین گزینه برای مخاطبین حوزه‌ی تجارت و کسب و کار است. (Keith McCormick)

کتاب داده کاوی با Python برای چه کسانی مناسب است؟

این کتاب برای علاقه‌مندان به موضوع مدیریت داده‌ها و خوانندگان کتاب‌های مدیریت کسب و کار مناسب است.

در بخشی از کتاب داده‌ کاوی با Python می‌خوانیم

در این کتاب عبارت داده‌کاوی به روش‌هایی از تحلیل‌شناسی کسب‌وکار برمی‌گردد که فراتر از شمارش، تکنیک‌های توصیفی، گزارش‌گیری و روش‌های مبتنی بر قواعد کسب‌وکار است. حتی هنگام معرفی مصورسازی داده‌ها، تمرکز کتاب اغلب روی ابزارهای پیشرفته تحلیل داده‌ها است؛ مصورسازی داده‌ها یکی از روش‌های رایج در مراحل اولیه تحلیل‌های پیشرفته به شمار می‌رود. در این کتاب، به‌طور خاص به سراغ روش‌های آماری و یادگیری ماشین می‌رویم تا به کمک آن‌ها قادر به تصمیم‌گیری به روشی خودکار باشیم. پیش‌بینی، معمولاً یکی از مؤلفه‌های مهم در این شرایط تلقی می‌شود. به جای «بررسی رابطه میان تبلیغات و فروش» به سراغ سؤال دیگری می‌رویم: «چه تبلیغ خاص یا کالای پیشنهادی باید در این لحظه به یک خریدار آنلاین داده شود؟».

فهرست مطالب کتاب

پیشگفتار
فصل 1: مقدمه
فصل 2: مروری بر فرایند داده‌کاوی
فصل 3: مصورسازی داده‌ها
فصل 4: کاهش ابعاد
فصل 5: ارزیابی کارایی
فصل 6: رگرسیون خطی چندگانه
فصل 7: K نزدیک‌ترین همسایه
فصل 8: رده بیز ساده
فصل 9: درختان رده‌بندی و رگرسیون
فصل 10: رگرسیون لجستیک
فصل 11: شبکه‌های عصبی
فصل 12: تحلیل تشخیصی
فصل 13: روش‌های ترکیبی: مدل‌سازی تلفیقی و uplift
فصل 14: قواعد انجمنی و پالایش مشارکتی
فصل 15: تحلیل خوشه
فصل 16: سری‌های زمانی
فصل 17: پیش‌بینی مبتنی بر رگرسیون
فصل 18: روش‌های هموارسازی
فصل 19: تحلیل شبکه اجتماعی
فصل 20: متن‌کاوی
فصل 21: چند مثال کاربردی