Предварительная подготовка данных в Python

Содержание книги "Предварительная подготовка данных в Python "

Введение
ЧАСТЬ 1. НЕМНОГО МАТЕМАТИКИ
1.1. Функция
1.2. Производная
1.3. Дифференцирование сложных функций
1.4. Частная производная
1.5. Градиент
1.6. Функция потерь и градиентный спуск
Часть 2. Инструменты
1. Введение
1.1. Структуры данных
1.2. Функция
1.3. Полезные встроенные функции
1.4. Класс
1.5. Знакомство с Anaconda
2. IPython и Jupyter Notebook
3. NumPy
3.1. Создание массивов NumPy
3.2. Обращение к элементам массива
3.3. Получение краткой информации о массиве
3.4. Изменение формы массива
3.5. Конкатенация массивов
3.6. Функции математических операций, знакомство с правилами транслирования
3.7. Обработка пропусков
3.8. Функция np.linspace()
3.9. Функция np.logspace()
3.10. Функция np.digitize()
3.11. Функция np.searchsorted()
3.12. Функция np.bincount()
3.13. Функция np.apply_along_axis()
3.14. Функция np.insert()
3.15. Функция np.repeat()
3.16. Функция np.unique()
3.17. Функция np.take_along_axis()
3.18. Функция np.array_split()
4. Библиотеки Numba, datatable, bottleneck для ускорения вычислений
4.1. Numba
4.2. Datatable
4.3. Bottleneck
5. SciPy
6. pandas
6.1. Почему pandas?
6.2. Библиотека pandas построена на NumPy
6.3. pandas работает с табличными данными
6.4. Объекты DataFrame и Series
6.5. Задачи, выполняемые pandas
6.6. Кратко о типах данных
6.7. Представление пропусков
6.8. Какую версию pandas использовать?
6.9. Подробно знакомимся с типами данных
6.10. Чтение данных
6.11. Получение общей информации о датафрейме
6.12. Изменение настроек вывода с помощью функции get_options()
6.13. Знакомство с индексаторами [], loc и iloc
6.14. Фильтрация данных
6.15. Агрегирование данных
6.16. Анализ частот с помощью таблиц сопряженности
7. scikit-learn
7.1. Основы работы с классами, строящими модели предварительной подготовки данных и модели машинного обучения
7.2. Строим свой первый конвейер моделей
7.3. Разбираемся с дилеммой смещения–дисперсии и знакомимся с бутстрепом
7.4. Обработка пропусков с помощью классов MissingIndicator и SimpleImputer
7.5. Выполнение дамми-кодирования с помощью класса OneHotEncoder и функции get_dummies(), знакомство с разреженными матрицами
7.6. Автоматическое построение конвейеров моделей с помощью класса Pipeline
7.7. Знакомство с классом ColumnTransformer
7.8. Класс FeatureUnion
7.9. Выполнение перекрестной проверки с помощью функции cross_val_score(), получение прогнозов перекрестной проверки с помощью функции cross_val_predict(), сохранение моделей перекрестной проверки с помощью функции cross_validate()
7.10. Виды перекрестной проверки для данных формата «один объект – одно наблюдение» (отсутствует ось времени)
7.11. Виды перекрестной проверки для данных формата «один объект – несколько наблюдений» и стратифицированных данных (отсутствует ось времени)
7.12. Обычный и случайный поиск наилучших гиперпараметров по сетке с помощью классов GridSearchCV и RandomizedSearchCV
7.13. Вложенная перекрестная проверка
7.14. Классы PowerTransformer, KBinsDiscretizer и FunctionTransformer
7.15. Написание собственных классов предварительной подготовки для применения в конвейере
7.16. Модификация классов библиотеки scikit-learn для работы с датафреймами
7.17. Полный цикл построения конвейера моделей в scikit-learn
7.18. Калибровка модели
7.19. Полезные классы CountVectorizer и TfidfVectorizer для работы с текстом
7.20. Сравнение моделей, полученных в ходе поиска по сетке, с помощью статистических тестов
7.21. Разбиение на обучающую, проверочную и тестовую выборки с учетом временной структуры для валидации временных рядов
7.22. Виды перекрестной проверки для данных формата «один объект – одно наблюдение» (присутствует ось времени)
7.23. Перекрестная проверка для данных формата «один объект – несколько наблюдений» (присутствует ось времени)
7.24. Многоклассовая классификация: подходы «один против всех», «один против одного» и «коды, исправляющие ошибки»
ЧАСТЬ 3. ДРУГИЕ ПОЛЕЗНЫЕ БИБЛИОТЕКИ
1. Библиотеки визуализации matplotlib, seaborn и plotly
1.1. Matplotlib
1.2. Seaborn
1.3. Plotly
2. Библиотека прогнозирования временных рядов ETNA
2.1. Общее знакомство
2.2. Создание объекта TSDataset
2.3. Визуализация рядов объекта TSDataset
2.4. Получение сводки характеристик по объекту TSDataset
2.5. Модель наивного прогноза
2.6. Модель скользящего среднего
2.7. Модель сезонного скользящего среднего
2.8. Модель SARIMAX
2.9. Модель Хольта–Винтерса (модель тройного экспоненциального сглаживания, модель ETS)
2.10. Модель Prophet
2.11. Модель CatBoost
2.12. Модель линейной регрессии с регуляризацией «эластичная сеть»
2.13. Объединение процедуры построения модели, оценки качества и визуализации прогнозов в одной функции
2.14. Перекрестная проверка нескольких моделей
2.15. Ансамбли
2.16. Стекинг
2.17. Создание собственных классов для обучения моделей
2.18. Импутация пропусков
2.19. Работа с трендом и сезонностью
2.20. Обработка выбросов
2.21. Собираем все вместе
2.22. Модели нейронных сетей
2.23. Оптимизация гиперпараметров с помощью Optuna от разработчиков
Ответы на вопросы с собеседований