ویژگیهای کلیدی:
● بررسی در دسترس و مبتنی بر مورد، از مؤثرترین تکنیکهای دادهکاوی در پایتون.
● راهنمایی ضروری برای استفاده مسئولانه از پتانسیل هوش مصنوعی.
● بینشهای عملی در مورد تکنیکهای مدلسازی، فناوریهای استقرار، نیازهای تجاری و هنر علم داده، برای کاهش ریسک و دستیابی به نتایج تجاری بهتر.
توضیحات:
کتاب «دادهکاوی مدرن با پایتون» راهنمایی است برای پیادهسازی مسئولانه تکنیکهای دادهکاوی که شامل جمعآوری، ذخیرهسازی و تجزیه و تحلیل حجم زیادی از دادههای ساختاریافته و بدون ساختار برای استخراج بینشها و الگوهای مفید است.
وارد دنیای دادهکاوی و یادگیری ماشین شوید. از بینشهای حاصل از منابع مختلف داده، از رسانههای اجتماعی گرفته تا تراکنشهای کارت اعتباری، استفاده کنید. بر ابزارهای آماری مسلط شوید، روندها و الگوهای داده را بررسی کنید. درختهای تصمیم و شبکههای عصبی مصنوعی (ANN) را درک کنید. دادههای با ابعاد بالا را با کاهش ابعاد مدیریت کنید. طبقهبندی باینری را با رگرسیون لجستیک بررسی کنید. الگوهای پنهان را با یادگیری بدون نظارت شناسایی کنید. متن را با شبکههای عصبی بازگشتی (RNN) و تصاویر را با شبکههای عصبی کانولوشن (CNN) تجزیه و تحلیل کنید. از انطباق مدل با استانداردهای نظارتی اطمینان حاصل کنید.
پس از خواندن این کتاب، خوانندگان به مهارتها و دانش لازم برای استفاده از پایتون برای دادهکاوی و تجزیه و تحلیل در یک محیط صنعتی مجهز خواهند شد. آنها قادر خواهند بود الگوریتمها را بر روی مجموعه دادههای بزرگ ساختاریافته و بدون ساختار تجزیه و تحلیل و پیادهسازی کنند.
آنچه خواهید آموخت:
● طیف دادهکاوی را از اکتشاف داده و آمار بررسی کنید.
● تجربه عملی در استفاده از الگوریتمهای مدرن برای مسائل واقعی در صنعت مالی به دست آورید.
● درک درستی از خطرات مختلف مرتبط با استفاده از مدل در صنایع تحت نظارت ایجاد کنید.
● در مورد بهترین شیوهها و دستورالعملهای نظارتی برای کاهش ریسکهای مرتبط با استفاده از مدل در حوزههای کلیدی بانکی، دانش کسب کنید.
● الگوریتمهای کاهشدهنده ریسک را بر روی پلتفرمهای ModelOps سلفسرویس توسعه و مستقر کنید.
این کتاب برای چه کسانی است:
این کتاب برای طیف گستردهای از متخصصان و دانشجویان جوانی که به دادهکاوی یا علم داده با تمرکز بر صنعت خدمات مالی علاقهمند هستند، مناسب است. متخصصان ارشد صنعت و مربیان که به دنبال پیادهسازی الگوریتمهای دادهکاوی هستند نیز میتوانند از آن بهرهمند شوند.
فهرست مطالب:
1. درک اجمالی از دادهکاوی
2. آمار پایه و تحلیل اکتشافی داده
3. کاوش در رگرسیون خطی
4. بررسی رگرسیون لجستیک
5. درختهای تصمیم با بگینگ و بوستینگ
6. ماشینهای بردار پشتیبان و نزدیکترین همسایه
7. به کارگیری کاهش ابعاد
8. شروع با مدلهای بدون نظارت
9. طبقهبندی دادههای ساختیافته با استفاده از شبکههای عصبی مصنوعی
10. مدلسازی زبان با شبکههای عصبی بازگشتی
11. پردازش تصویر با شبکههای عصبی کانولوشن
12. درک مدیریت ریسک مدل برای مدلهای دادهکاوی
13. به کارگیری ModelOps برای مدیریت ریسک مدل
