Passer aux informations sur le produit
100 techniques pratiques d'analyse de données en Python
100 techniques pratiques d'analyse de données en Python
Description
Introduction au livre
« 100 Practical Python Data Analysis Techniques » est un cahier d'exercices conçu pour vous familiariser avec le domaine et développer votre capacité à appliquer des techniques appropriées en résolvant 100 exemples que vous pourriez rencontrer dans des contextes commerciaux réels.
L'apprentissage de 100 techniques d'analyse de données ne vous permettra pas de les appliquer immédiatement sur le terrain, mais en acquérant une expérience pratique, vous pourrez développer les compétences nécessaires pour une transition naturelle vers le monde des affaires.
Cela sera certainement utile à ceux qui, après avoir appris l'analyse de données et l'apprentissage automatique en ligne ou dans des ouvrages d'introduction, pensent : « Je veux faire de l'analyse de données plus utile que la classification des iris » ou « Je veux savoir comment ces technologies sont appliquées dans le monde des affaires ».
  • Vous pouvez consulter un aperçu du contenu du livre.
    Aperçu

indice
[Partie 1] Notions de base : Traitement des données

▣ Chapitre 1 : 10 techniques d’analyse du nombre de commandes sur le Web
Lisons les données 001
002 Combinons (union) les données
003 Combinons (fusionnons) les données de vente.
004 Combinons (fusionnons) les données maîtres.
005 Créons les colonnes de données nécessaires.
006 Vérifions les données
007 Examinons différentes statistiques.
008 Regroupons les données par mois.
009 Regroupons les données par mois et par produit.
010 Visualisons les tendances des ventes par produit.

▣ Chapitre 2 : 10 techniques de traitement des données d’agence
Lisons les données 011
Examinons les erreurs dans les données 012.
Regroupons les données 013 avec les erreurs.
014 Corrigeons l'erreur de nom de produit.
Corrigeons la valeur manquante du montant 015
016 Corrigeons l'erreur relative au nom du client.
017 Corrigeons l'erreur de date
018 Combinons (joignons) deux ensembles de données en utilisant le nom du client comme clé.
019 Déversons les données affinées.
Regroupons les données de 2020


[Partie 2] Applications pratiques ① : Apprentissage automatique

▣ Chapitre 3 : 10 techniques pour comprendre le profil complet de vos clients
021 Lisons et vérifions les données.
022 Traitons les données clients
023 Regroupons les données clients
024 Regroupons les dernières données clients.
025 Regroupons les données d'historique d'utilisation.
026 Créer un indicateur d'utilisation régulière à partir des données de l'historique d'utilisation.
027 Combinons les données clients et les données d'historique d'utilisation.
028 Calculons la période d'adhésion
029 Analysons différentes statistiques sur le comportement des clients.
030 Comprendre la différence entre un membre qui est parti et un membre qui continue à rester.

▣ Chapitre 4 : 10 techniques pour prédire le comportement des clients
031 Lisons et vérifions les données.
032 Regroupons les membres en utilisant le clustering.
033 Analysons les résultats du regroupement.
034 Visualisons les résultats du clustering.
035 Comprenons les tendances des membres qui ont quitté le groupe en nous basant sur les résultats du regroupement.
036 Préparons les données pour prédire le nombre d'utilisateurs le mois prochain.
037 Ajoutons une variable caractéristique
038 Construisons un modèle pour prédire le nombre d'utilisations le mois prochain.
Vérifions les variables qui contribuent au modèle 039.
040 Prévoyons le nombre d'utilisations le mois prochain.

▣ Chapitre 5 : 10 techniques pour prédire les départs de membres
041 Lisons les données et modifions les données d'utilisation.
042 Créons les données client pour le mois précédant le retrait.
043 Créons des données pour les membres qui continuent à adhérer.
044 Écrivons la période de présence mensuelle prévue.
045 Supprimons les valeurs manquantes
046 Traitons les variables de type chaîne afin qu'elles puissent être traitées.
047 Construisons un modèle de prédiction des retraits à l'aide d'un arbre de décision.
048 Évaluons le modèle de prédiction et ajustons-le.
Vérifions les variables qui contribuent au modèle 049.
Prévoyons 50 retraits de membres.


[Partie 3] Partie pratique 2 : Problèmes d’optimisation

▣ Chapitre 6 : 10 techniques de conseil pour optimiser les itinéraires logistiques
051 Chargeons les données logistiques
052 Vérifions le volume et le coût actuels des expéditions.
053 Visualisons le réseau
054 Ajoutons un nœud au réseau.
Pondérons le chemin 055
056 Chargeons les informations relatives à l'itinéraire de transport.
057 Visualisons le réseau avec les informations sur les itinéraires de transport.
058 Écrivons une fonction de coût de transport
059 Créons une contrainte
060 Changeons l'itinéraire de transport et vérifions le changement dans la fonction de coût de transport.

▣ Chapitre 7 : 10 techniques pour la conception optimale de réseaux logistiques
061 Résolvons le problème d'optimisation des transports.
062 Vérifions l'itinéraire de transport optimal à travers le réseau.
063 Vérifions si l'itinéraire de transport optimal satisfait les contraintes.
064 Chargeons les données du plan de production.
065 Créons une fonction qui calcule le profit.
066 Résolvons le problème d'optimisation de la production.
067 Vérifions si le plan de production optimal satisfait aux contraintes.
Résolvons le problème de conception du réseau logistique 068.
069 Calculons les coûts de transport et leurs détails pour le réseau optimal.
070 Calculons le coût de production et ses détails pour le réseau optimal.

▣ Chapitre 8 : 10 techniques de prédiction du comportement du consommateur par simulation numérique
071 Visualisons le réseau des relations humaines.
072 Visualisons la diffusion de l'information par le bouche-à-oreille.
073 Représentons graphiquement l'évolution temporelle du nombre de rumeurs de bouche à oreille.
074 Simulons l'évolution temporelle du nombre de membres.
Examinons l'ensemble du paramètre 075 en analysant la « corrélation ».
076 Chargeons les données réelles.
077 Visualisons la distribution du nombre de liens.
078 Estimons les paramètres à partir de données réelles pour la simulation.
079 Comparons les données réelles et les simulations.
Prédisons l'avenir avec la simulation 080.


[Partie 4] Développement : Traitement d'images / Traitement du langage

▣ Chapitre 9 : 10 techniques de reconnaissance d’images pour identifier les clients potentiels
081 Chargeons les données de l'image
082 Chargeons les données vidéo
083 Découpons la vidéo en images et sauvegardons-les.
084 Détectons où se trouvent les personnes sur l'image.
085 Détectons les visages humains dans les images.
086 Détectons dans quelle direction le visage de la personne est tourné sur l'image.
087 Créons un time-lapse en synthétisant les informations détectées.
088 Visualisons l'ensemble de la situation dans un graphique.
Vérifions l'évolution de la distance sur un graphique.
Calculons la moyenne mobile sur 90 jours pour éliminer le bruit.

▣ Chapitre 10 : 10 techniques de traitement automatique du langage naturel pour l’analyse de questionnaires
Chargeons les données 091 et voyons ce qu'il en est.
092 Supprimer les caractères inutiles
093 Comptons le nombre de caractères et affichons-le sous forme d'histogramme.
094 Décomposons les phrases à l'aide de l'analyse morphologique.
095 Extrayons les « verbes » et les « noms » des phrases en utilisant l'analyse morphologique.
096 Examinons les noms qui apparaissent fréquemment grâce à une analyse morphologique.
097 Supprimons les mots non pertinents
098 Examinons la relation entre la satisfaction client et les mots fréquemment utilisés.
Exprimons l'opinion 099 comme une fonctionnalité
Trouvez 100 questionnaires similaires

▣ Annexe
001 Combinaison et normalisation des données
002 Apprentissage automatique
003 Problème d'optimisation

▣ Conclusion

Image détaillée
Image détaillée 1

Avis de l'éditeur
Ce livre est divisé en quatre parties, couvrant un large éventail de sujets, des notions de base aux applications pratiques.

◎ Dans la partie 1 (Notions de base), vous apprendrez les méthodes de traitement des données nécessaires à l'analyse des données dans un contexte commercial.
Nous nous exercerons au traitement de données en utilisant des données de commandes de produits Internet relativement « propres » et des données d'agences « désordonnées » et difficiles à lire.

◎ Dans la partie 2 (partie pratique 1), vous apprendrez le savoir-faire nécessaire pour analyser les clients à l'aide de la technologie d'apprentissage automatique et découvrir et résoudre les problèmes à l'aide de données réelles.

◎ Dans la partie 3 (partie pratique 2), vous apprendrez le savoir-faire nécessaire pour appliquer la technologie d'optimisation et vous entraîner à améliorer les situations commerciales.

◎ Dans la partie 4 (Développement), vous apprendrez et mettrez en pratique un savoir-faire qui peut être appliqué dans un contexte commercial, comme l'identification des besoins potentiels des clients à l'aide d'informations non numérisées grâce à la technologie de reconnaissance d'images et à la technologie de traitement du langage naturel, également connue sous le nom d'IA.
SPÉCIFICATIONS DES PRODUITS
- Date de publication : 30 juillet 2020
- Nombre de pages, poids, dimensions : 292 pages | 175 × 235 × 17 mm
- ISBN13 : 9791158392178
- ISBN10 : 1158392176

Vous aimerez peut-être aussi

카테고리