Learn Data Cleaning And Preprocessing For Data Science With This Free EBook - KDnuggets

Taasavaldanud Platon

järgijaid: 0

Selle tasuta e-raamatu abil õppige andmete puhastamist ja eeltöötlust andmeteaduse jaoks

Data Science Horizons andis hiljuti välja põhjaliku uue e-raamatu pealkirjaga Andmete puhastamine ja eeltöötlus andmeteaduse algajatele mis annab põhjaliku sissejuhatuse andmeteaduse torustiku nendesse kriitilistesse varajastesse etappidesse. Juhendist saavad lugejad teada, miks on andmete nõuetekohane puhastamine ja eeltöötlus nii oluline tõhusate ennustavate mudelite koostamiseks ja analüüsidest usaldusväärsete järelduste tegemiseks. E-raamat hõlmab üldist töövoogu andmete kogumisel, puhastamisel, integreerimisel, muutmisel ja vähendamisel analüüsi ettevalmistamisel. Samuti uuritakse andmete puhastamise ja eeltöötluse iteratiivset olemust, mis muudab selle protsessi nii kunstiks kui ka teaduseks.

Milleks sellist raamatut vaja on?

Sisuliselt on andmed segased. Reaalmaailma andmed, mida ettevõtted ja organisatsioonid iga päev koguvad, on täis ebatäpsusi, ebakõlasid ja puuduvaid kirjeid. Nagu öeldakse: "Prügi sisse, prügi välja." Kui toidame oma ennustavaid mudeleid määrdunud, ebatäpsete andmetega, on meie mudelite jõudlus ja täpsus ohus.

E-raamatu peamine esiletõst on peamiste Pythoni teekide praktiline tutvustamine, mida kasutatakse andmete töötlemiseks, visualiseerimiseks, masinõppeks ja puuduvate väärtuste käsitlemiseks. Lugejad saavad tuttavaks selliste oluliste tööriistadega nagu Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn ja Missingno. Juhend lõpeb juhtumiuuringuga, mis võimaldab lugejatel rakendada kõiki eelmistes peatükkides käsitletud mõisteid ja oskusi.

Andmete puhastamine ja eeltöötlus annab põhjaliku juhendi levinud andmekvaliteedi probleemide lahendamiseks. See uurib tehnikaid puuduvate väärtuste käsitlemiseks, kõrvalekallete tuvastamiseks, andmete normaliseerimiseks ja skaleerimiseks, funktsioonide valimiseks, muutujate kodeerimiseks ja tasakaalustamata andmekogumite tasakaalustamiseks. Lugejad õpivad parimaid tavasid andmete terviklikkuse hindamiseks, andmekogumite liitmiseks ning kallutatud jaotuste ja mittelineaarsete seoste käsitlemiseks. Selle Pythoni koodinäidete abil saavad lugejad praktilisi kogemusi andmeanomaaliate tuvastamisel, puuduvate andmete sisestamisel, funktsioonide ekstraheerimisel ja segaste andmekogumite eeltöötlemisel analüüsiks valmis vormis. Juhtumiuuring ühendab kõik peamised kontseptsioonid täielikuks andmete puhastamise ja eeltöötluse töövooks.

Andmeteadlase tööriistakomplekti keskmes on võime tuvastada levinumaid andmekvaliteediga seotud probleeme.

Andmete puhastamine ja eeltöötlus andmeteaduse algajatele on suurepärane koht alustamiseks kõigile, kes soovivad andateadusega tegelema hakata, kuid peavad siiski selgeks saama reaalmaailma andmetega tegelemise kogu selle segaduses ja ebatäiuslikus hiilguses. See juhend viib teid läbi toorandmete tipptasemel vormistamise keerukuse, et saaksite nendega tegelikult kuhugi jõuda. Lõpuni jõudes on teil olemas kogu vajalik oskusteave andmete puhastamiseks ja eeltöötlemiseks, nagu see oleks loomulik. Enam ei satu veidratesse vigadega andmetesse! Oma oskustega, mida see e-raamat teile pakub, saate isegi kõige rahutumad andmekogumid esitada ja hankida sisukaid teadmisi nagu professionaal.

Olenemata sellest, kas olete selles valdkonnas uus või soovite oma oskusi täiendada, Andmete puhastamine ja eeltöötlus andmeteaduse algajatele on hindamatu lisand teie andmeteaduse raamatukogule.

Matthew Mayo (@mattmayo13) on andmeteadlane ja KDnuggetsi peatoimetaja. Andmeteaduse ja masinõppe ressurs on veebipõhine. Tema huvid on loomuliku keele töötlemine, algoritmide kujundamine ja optimeerimine, järelevalveta õpe, närvivõrgud ja masinõppe automatiseeritud lähenemisviisid. Matthew'l on arvutiteaduse magistrikraad ja andmekaevanduse magistrikraad. Temaga saab ühendust aadressil editor1 aadressil kdnuggets[dot]com.