Introduzione alla Data Science con Python come progetto end-to-end

Caro lettore,

Sono felice di condividere che il progetto completo di data science end-to-end per principianti è ora disponibile come libro!

Per chi è questo libro?

Chiunque desideri affrontare le sfide della scienza dei dati: 1) Professionisti esperti di qualsiasi campo che cercano di cambiare lavoro, 2) Neolaureati che intendono scegliere un percorso professionale, 3) Chiunque cerchi di capire come la scienza dei dati può aiutare a migliorare la propria attività. Non importa quale sia la tua età o il tuo background. Questo libro è progettato per accompagnarti nel viaggio della scienza dei dati senza una precedente esperienza analitica, di codifica o altra esperienza tecnica.

Qual è l'idea del libro?

L'idea principale del libro è 'imparare facendo'. Votiamo per la praticità rispetto alla teoria, quindi troverai molti esercizi ed esempi pratici reali sul posto di lavoro per ottenere il sapore della scienza dei dati. Questo, a sua volta, ti aiuterà ad acquisire rapidamente conoscenze sul campo e persino a decidere se questo lavoro è adatto a te e a prepararti a cambiare se te lo sei mai chiesto. Ottieni un incarico per risolvere un vero problema fintech immergendoti in profondità nella prospettiva aziendale e ottenendo l'opportunità di sviluppare un modello di apprendimento automatico predittivo.

Cosa imparerai?

Alla fine di questo libro, sarai in grado di eseguire attività di data science in modo indipendente (ad esempio, costruire modelli ML) e rispondere alle domande più popolari dei colloqui di lavoro di Data Scientist. Inoltre, completerai un portfolio di progetti end-to-end che potrai dimostrare a chiunque per dimostrare la tua conoscenza ed esperienza.

Impari la scienza dei dati passo dopo passo costruendo un progetto di scienza dei dati end-to-end su un problema aziendale reale incentrato sull'industria Fintech. Tuttavia, puoi applicare questa conoscenza in qualsiasi altro settore!

Il progetto si basa su tre pilastri: 1) definire il problema, comprendere, preparare ed elaborare i dati (ad esempio, gestire i valori anomali, selezionare le funzionalità ML, ecc.), 2) costruire, valutare e selezionare modelli di Machine Learning (ad esempio, Logistic Regression, XGBoost, Neural Networks) e, 3) produrre il modello ML selezionato per renderlo disponibile a chiunque costruendo un'interfaccia utente con Streamlit o un'API (con AWS SageMaker, Lambda e Gateway).

Questa è un'app Web dell'interfaccia utente che completerai entro la fine di questo libro:

Puoi trovare un'anteprima demo dal vivo dell'interfaccia utente qui:

Come ottenere il libro:

Puoi ordinare il libro su Amazon in versione cartacea, con copertina rigida o epub:

Se hai bisogno di ulteriori informazioni, non esitare a contattarmi all'indirizzo [email protected].