Advanced Analytics in Power BI with R and Python Ingesting, Transforming, Visualizing
R和Python语言是Power BI的强大补充。它们支持高级的数据转换技术，这些技术在Power BI的默认配置中很难执行，但通过利用R和Python的功能变得更容易。如果您是一位业务分析师、数据分析师或数据科学家，希望推动Power BI，并将其从一个商业智能工具转变为一个高级数据分析工具，那么这本书将帮助您实现这一目标。
你将学到什么
- 使用ggplot2包通过R创建高级数据可视化
- 使用R和Python摄取数据，以克服Power查询的一些限制
- 使用R和Python对数据应用机器学习模型，而不需要Power BI premium compacity
- 通过微软认知服务、IBM Watson自然语言理解和SQL Server机器学习服务中的预训练模型，在Power - - BI中加入高级人工智能，而不需要Power BI premium compacity
- 使用R和Python执行Power BI中不可能执行的高级字符串操作
这本书是给谁的
- 普通用户、数据分析师和数据科学家
成为VIP会员查看完整内容
相关内容
使用Python的高级数据科学和分析使数据科学家能够继续发展他们的技能，并将其应用于商业和学术设置中。这本书中讨论的主题是补充和后续主题讨论的数据科学和分析与Python。其目的是使用Python开发的工具，如SciKit-learn、Pandas、Numpy、Beautiful Soup、NLTK、NetworkX等，覆盖数据科学中重要的高级领域。使用Keras、TensorFlow、Core ML等框架，以及用于iOS和MacOS应用开发的Swift来支持模型开发。
成为VIP会员查看完整内容
最近，金融业以惊人的速度采用了Python，一些最大的投资银行和对冲基金使用它来构建核心交易和风险管理系统。为python3更新，这本手册的第二版帮助您开始使用语言，指导开发人员和定量分析人员通过Python库和工具构建金融应用程序和交互式金融分析。
在本书中，作者Yves Hilpisch还展示了如何基于一个大型的、现实的案例研究，为基于蒙特卡洛模拟的衍生品和风险分析开发一个完整的框架。这本书的大部分使用了交互式的IPython笔记本。
成为VIP会员查看完整内容
R语言
·
首先加速介绍R生态系统、编程语言和工具，包括R脚本和RStudio。通过使用许多例子和项目，这本书教你如何将数据导入R，以及如何使用R处理这些数据。一旦基础扎实，《实用R 4》的其余部分将深入具体的项目和例子，从使用R和LimeSurvey运行和分析调查开始。接下来，您将使用R和MouselabWeb执行高级统计分析。然后，您将看到在没有统计信息的情况下R如何工作，包括如何使用R自动化数据格式化、操作、报告和自定义函数。
本书的最后一部分讨论了在服务器上使用R;您将使用R构建一个脚本，该脚本可以运行RStudio服务器并监视报表源的更改，以便在发生更改时向用户发出警报。这个项目包括定期电子邮件提醒和推送通知。最后，您将使用R创建一个定制的个人最重要信息的每日纲要报告，例如天气报告、每日日历、待办事项等等。这演示了如何自动化这样一个过程，以便用户每天早上导航到相同的web页面并获得更新的报告。
你将学到什么
- 设置并运行R脚本，包括在新机器上的安装以及下载和配置R
- 使用RStudio Server将任何机器变成可从任何地方访问的强大数据分析平台
- 编写基本的脚本并修改现有的脚本以满足自己的需要。
- 在R中创建基本的HTML报告，根据需要插入信息
- 构建一个基本的R包并发布它
这本书是给谁的
- 建议您之前接触过统计学、编程和SAS，但不是必需的。
成为VIP会员查看完整内容
使用Microsoft Excel中流行的数据挖掘技术，更好地理解机器学习方法。
软件工具和编程语言包接受数据输入并直接交付数据挖掘结果，对工作机制没有任何见解，并在输入和输出之间造成了鸿沟。这就是Excel可以提供帮助的地方。
Excel允许您以透明的方式处理数据。当您打开一个Excel文件时，数据立即可见，您可以直接使用它。在执行挖掘任务时，可以检查中间结果，从而更深入地理解如何操作数据和获得结果。这些是隐藏在软件工具和编程语言包中的模型构建过程的关键方面。
这本书教你通过Excel进行数据挖掘。您将了解当数据集不是很大时Excel在数据挖掘方面的优势。它可以为您提供数据挖掘的可视化表示，在结果中建立信心。您将手动完成每一个步骤，这不仅提供了一个主动学习体验，而且还告诉您挖掘过程是如何工作的，以及如何发现数据内部隐藏的模式。
你将学到什么
- 使用可视化的一步一步的方法理解数据挖掘
- 首先从理论上介绍了一种数据挖掘方法，然后是Excel的实现
- 揭开机器学习算法背后的神秘面纱，让每个人都能接触到一个复杂的话题
- 熟练使用Excel公式和函数
- 获得数据挖掘和Excel的实际操作经验
这本书是给谁的
- 任何对学习数据挖掘或机器学习感兴趣的人，特别是数据科学视觉学习者和擅长Excel的人，希望探索数据科学主题和/或扩展他们的Excel技能的人。建议对Excel有基本或初级的了解。
成为VIP会员查看完整内容
本书介绍了自由软件Python及其在统计数据分析中的应用。它涵盖了连续、离散和分类数据的常见统计测试，以及线性回归分析和生存分析和贝叶斯统计的主题。每个测试的Python解决方案的工作代码和数据，以及易于遵循的Python示例，可以被读者复制，并加强他们对主题的直接理解。随着Python生态系统的最新进展，Python已经成为科学计算的一种流行语言，为统计数据分析提供了一个强大的环境，并且是R的一个有趣的替代选择。本书面向硕士和博士学生，主要来自生命和医学科学，具有统计学的基本知识。由于该书还提供了一些统计方面的背景知识，因此任何想要执行统计数据分析的人都可以使用这本书。
成为VIP会员查看完整内容
了解深度学习，不同模型的细微差别，以及这些模型可以应用的地方。
丰富的数据和对优质产品/服务的需求，推动了先进的计算机科学技术的发展，其中包括图像和语音识别。通过机器学习和深度学习建立在数据科学的基础上，《使用R进行深度学习的介绍》提供了对执行这些任务的模型的理论和实践理解。这个分步指南将帮助您理解这些规程，以便您可以在各种上下文中应用该方法。所有的例子都是用R统计语言教授的，允许学生和专业人员使用开源工具来实现这些技术。
你将学习 理解支持深度学习模型的直觉和数学 利用各种算法使用R编程语言和它的包 使用最佳实践进行实验设计和变量选择 作为一个数据科学家，实践方法来接近和有效地解决问题 评估算法解决方案的有效性并增强其预测能力
这本书是给谁的
熟悉使用R编程的学生、研究人员和数据科学家也可以使用这本书来学习如何在最有用的应用程序中适当地部署这些算法。
成为VIP会员查看完整内容
Python是一种多范式编程语言，已经成为数据科学家进行数据分析、可视化和机器学习的首选语言。有没有想过如何成为有效处理数据分析问题的专家，解决这些问题，并从数据中提取所有可用信息?好了，别再找了，这就是你要的书!
通过这个全面的指南，您将探索数据，并以一种有意义的方式展示统计分析的结果和结论。您将能够快速准确地执行实际操作的排序、缩减和后续分析，并充分理解数据分析方法如何支持业务决策。
您将首先了解Python中可用的数据分析工具，然后探索用于识别数据模式的统计模型。渐渐地，您将使用Python、panda和SciPy回顾统计推断。在此之后，我们将集中于使用计算工具执行回归，您将了解如何用算法的方式识别数据中的集群。最后，我们将深入探讨使用贝叶斯方法量化因果关系的高级技术，您将发现如何使用Python的工具进行监督机器学习。
你会学到什么
- 将各种数据读入、排序并映射到Python和panda中
- 识别模式，以便理解和研究数据
- 使用统计模型来发现数据中的模式
- 回顾使用Python、panda和SciPy的经典统计推断
- 使用聚类检测数据中的相似性和差异性
- 清理数据，使其有用
- 在Jupyter笔记本生产出版准备工作数据纳入
成为VIP会员查看完整内容
从数据科学的角度研究Python，并学习用于做出关键业务决策的数据可视化的成熟技术。从介绍Python的数据科学开始，您将进一步了解Python环境，并熟悉Jupyter Notebook和Spyder等编辑器。通过Python编程入门之后，您将掌握数据科学中使用的基本Python编程技术。接下来是数据可视化，您将看到它如何满足现代业务需求并形成决策的关键因素。您还将了解Python中一些流行的数据可视化库。
将重点转移到数据结构，您将从数据科学的角度了解数据结构的各个方面。然后使用Python处理文件I/O和正则表达式，然后收集和清理数据。继续探索和分析数据，您将看到Python中的高级数据结构。然后，您将深入研究数据可视化技术，了解Python中的许多绘图系统。
最后，您将完成一个详细的案例研究，您将有机会重温到目前为止介绍的概念。
你会学到什么
- 在数据科学中使用Python编程技术
- Python中的主数据收集
- 为BI系统创建引人入胜的可视化
- 部署收集和清理数据的有效策略
- 整合Seaborn和Matplotlib绘图系统
这本书是给谁看的
具有基本Python编程知识的开发人员希望采用使用Python进行数据分析和可视化的关键策略。
成为VIP会员查看完整内容
在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新，其中包含了大量的实际案例研究，向您展示了如何有效地解决广泛的数据分析问题。在这个过程中，您将学习最新版本的panda、NumPy、IPython和Jupyter。
本书由Python panda项目的创建者Wes McKinney编写，是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说，它是理想的。数据文件和相关材料可以在GitHub上找到。
- 使用IPython外壳和Jupyter笔记本进行探索性计算
- 学习NumPy (Numerical Python)中的基本和高级特性
- 开始使用pandas库的数据分析工具
- 使用灵活的工具来加载、清理、转换、合并和重塑数据
- 使用matplotlib创建信息可视化
- 应用panda groupby工具对数据集进行切片、切割和汇总
- 分析和处理有规律和不规则的时间序列数据
- 学习如何解决现实世界的数据分析问题与彻底的，详细的例子
成为VIP会员查看完整内容
相关VIP内容
相关资讯
相关论文
Frederik Warburg,Martin Jørgensen,Javier Civera,Søren Hauberg
0+阅读 · 2020年11月25日
Srinivasan Arunachalam,Alex B. Grilo,Henry Yuen
0+阅读 · 2020年11月24日
Lubomír Bulej,Tomáš Bureš,Adam Filandr,Petr Hnětynka,Iveta Hnětynkova,Jan Pacovský,Gabor Sandor,Ilias Gerostathopoulos
0+阅读 · 2020年11月23日
Arnald Puy,Samuele Lo Piano,Andrea Saltelli
0+阅读 · 2020年11月22日
Amit Agarwal,James Bartusek,Vipul Goyal,Dakshita Khurana,Giulio Malavolta
0+阅读 · 2020年11月20日
Ziniu Wu,Rong Zhu,Andreas Pfadler,Yuxing Han,Jiangneng Li,Zhengping Qian,Kai Zeng,Jingren Zhou
0+阅读 · 2020年11月20日
A Survey of Reinforcement Learning Techniques: Strategies, Recent Development, and Future Directions
Amit Kumar Mondal,Nadeem Jamali
38+阅读 · 2020年1月19日
Serkan Kiranyaz,Onur Avci,Osama Abdeljaber,Turker Ince,Moncef Gabbouj,Daniel J. Inman
4+阅读 · 2019年5月9日
Anand Gupta,Hardeo Thakur,Ritvik Shrivastava,Pulkit Kumar,Sreyashi Nag
3+阅读 · 2017年11月25日