Python Data Analytics, 2nd Edition
Fabio Nelli
- Editorial
- Apress
- Año
- 2018
- Páginas
- ~569
- Nivel
- Intermedio
De qué trata
Segunda edición de este tratado exhaustivo de Fabio Nelli publicado por Apress, que consolida el flujo de trabajo moderno de análisis de datos sobre Python 3. Está pensado para programadores de nivel intermedio, ingenieros, analistas y científicos que cuenten con fundamentos de programación en Python y deseen adquirir un dominio integral de las librerías fundamentales del stack analítico (NumPy, Pandas y Matplotlib), así como expandir sus capacidades hacia el aprendizaje automático, el procesamiento de lenguaje natural y la visión computacional.
El contenido ofrece un tratamiento profundo de la computación matricial con NumPy (arreglos multidimensionales `ndarray`), el procesamiento y transformación de datos tabulares con Pandas (Series, DataFrames, agregaciones, combinación de fuentes y lectura de archivos CSV, JSON, bases de datos y páginas HTML) y la representación gráfica con Matplotlib (`pyplot`, histogramas, dispersión y personalización avanzada). Da un paso adelante incorporando la librería JavaScript D3 dentro de los cuadernos de Jupyter para generar visualizaciones interactivas en la web, modelado predictivo con Scikit-Learn, conceptos de deep learning con TensorFlow, análisis lingüístico y de sentimientos con NLTK, y procesamiento digital de imágenes con OpenCV.
A lo largo de los capítulos, el aprendizaje se consolida mediante proyectos completos desarrollados con conjuntos de datos reales: un estudio meteorológico que comprueba experimentalmente el impacto de la cercanía al mar en variables climáticas, un clasificador de dígitos manuscritos comparando Scikit-Learn y redes neuronales en TensorFlow, y un sistema de detección facial con OpenCV. Su valor reside en la gran amplitud de dominios que conecta con una pedagogía clara y directa; conviene tener presente que los ejemplos de redes neuronales y visión artificial emplean las APIs de TensorFlow 1.x y OpenCV vigentes en 2018, por lo que ciertos métodos requieren pequeñas adaptaciones si se ejecutan en versiones actuales.
- Python 3
- NumPy
- Pandas
- Matplotlib
- Scikit-Learn
- TensorFlow
- D3.js
- Jupyter Notebooks
- NLTK
- OpenCV
- Visión artificial
- Análisis meteorológico
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Análisis empírico de datos meteorológicos
Estudio analítico que procesa registros de múltiples estaciones meteorológicas para contrastar la hipótesis de la influencia marítima en el clima, modelando perfiles de temperatura, humedad y gráficos de distribución de viento (RoseWind) con Pandas y Matplotlib.
Reconocimiento de dígitos manuscritos
Implementación comparativa de clasificación óptica de caracteres sobre el dataset Digits/MNIST, entrenando modelos de aprendizaje automático supervisado con Scikit-Learn y redes neuronales artificiales con TensorFlow.
Detección facial con visión artificial
Aplicación de visión por computadora que realiza manipulación matricial de imágenes, detección de bordes mediante gradientes y localización de rostros combinando OpenCV con modelos de deep learning.
