- عنوان کتاب: Quantum Computing, Cyber Security and Cryptography -Issues, Technologies, Algorithms, Programming and Strategies
- نویسنده: S. B. Goyal · Vidyapati Kumar
- حوزه: محاسبات کوانتومی
- سال انتشار: 2025
- تعداد صفحه: 506
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 5.10 مگابایت
این کتاب مجموعه‌ای از دستورالعمل‌های مفید برای متخصصان علوم داده دارد تا بتوانند از رایج‌ترین چالش‌هایی که هنگام استفاده از ابزارها و کتابخانه‌های پایتون با آن مواجه می‌شوند، عبور کنند. به جای پرداختن به اصول اولیه، هر دستورالعمل دقیقاً نحوه انجام کاری را گام به گام به شما نشان می‌دهد. میتوانید CSVها را مستقیماً از یک URL بارگذاری کنید، JSON تو در تو را مسطح کنید، از پایگاه‌های داده SQL و NoSQL پرس‌وجو کنید، صفحات اکسل را وارد کنید یا فایل‌های بزرگ را در دسته‌های امن برای حافظه پخش کنید. به این ترتیب، زمان کمتری را برای راه‌اندازی و زمان بیشتری را برای تجزیه و تحلیل صرف می‌کنید. پس از بارگذاری داده‌ها، روش‌های ساده‌ای برای شناسایی و پر کردن مقادیر گمشده، استانداردسازی دسته‌های غیرفعال، حذف داده‌های پرت، نرمال‌سازی ویژگی‌ها، خلاص شدن از شر موارد تکراری و استخراج سال، ماه یا روز هفته از مهرهای زمانی پیدا خواهید کرد. یاد خواهید گرفت که چگونه تجزیه و تحلیل‌های سریع، مانند تولید آمار توصیفی، ترسیم هیستوگرام‌ها و نقشه‌های حرارتی همبستگی، ساخت جداول محوری، ایجاد نمودارهای ماتریس پراکندگی و ترسیم نمودارهای خطی سری زمانی برای شناسایی روندها را انجام دهید. شما یاد خواهید گرفت که چگونه ویژگی‌های چندجمله‌ای بسازید، مقیاس‌بندی MinMax، Standard و Robust را مقایسه کنید، داده‌ها را با میانگین‌های غلتان هموار کنید، از PCA برای کاهش ابعاد استفاده کنید و فیلدهای با کاردینالیتی بالا را با رمزگذاری تک‌هات پراکنده با استفاده از دستورالعمل‌های مهندسی ویژگی رمزگذاری کنید. در مورد یادگیری ماشین، یاد خواهید گرفت که خطوط لوله سرتاسری را که مسئولیت جانهی، مقیاس‌بندی، انتخاب ویژگی و مدل‌سازی را در یک شیء بر عهده دارند، کنار هم قرار دهید، مبدل‌های سفارشی ایجاد کنید، جستجوهای هایپرپارامتر را با GridSearchCV خودکار کنید، خطوط لوله خود را ذخیره و بارگذاری کنید و اجازه دهید SelectKBest ویژگی‌های برتر را به طور خودکار انتخاب کند. شما یاد خواهید گرفت که چگونه فرضیه‌ها را با آزمون‌های t و آزمون‌های کای دو آزمایش کنید، رگرسیون‌های خطی و ریج بسازید، با درخت‌های تصمیم و جنگل‌های تصادفی کار کنید، کشورها را با استفاده از خوشه‌بندی بخش‌بندی کنید و مدل‌ها را با استفاده از MSE، گزارش‌های طبقه‌بندی و منحنی‌های ROC ارزیابی کنید. و در نهایت با اشکال‌زدایی و ادغام آشنا خواهید شد: رفع خطاهای ادغام پانداس، اصلاح عدم تطابق‌های پخش NumPy و اطمینان از سازگاری نمودارهایتان. در این کتاب: شما میتوانید CSVهای از راه دور را مستقیماً با استفاده از read_csv در pandas بارگذاری کنید، بنابراین نیازی نیست با دانلودهای دستی و شلوغی فایل‌ها سر و کار داشته باشید. از json_normalize برای تبدیل پاسخ‌های JSON تو در تو به جداول ساده استفاده کنید و تجزیه و تحلیل آن را بسیار آسان کنید. میتوانید پایگاه‌های داده رابطه‌ای و NoSQL را مستقیماً از پایتون پرس و جو کنید و نتایج به طور یکپارچه در Pandas ادغام می‌شوند. مقادیر گمشده را با استفاده از استراتژی‌های IGNSA()، forward-fill و میانه برای تمام داده‌های خود در طول زمان پیدا و پر کنید. میتوانید با تبدیل ستون‌های رشته‌ای به نوع داده دسته‌بندی‌شده Pandas، حافظه زیادی را آزاد کنید. میتوانید محاسبات را با برداری‌سازی NumPy و خواندن CSV تکه‌تکه شده سرعت بخشید تا از فرسودگی RAM جلوگیری شود. میتوانید با استفاده از مبدل‌های سفارشی، مقیاس‌بندی و تنظیم خودکار هایپرپارامتر با GridSearchCV، خطوط لوله ویژگی بسازید. از الگوریتم‌های رگرسیون، مبتنی بر درخت و خوشه‌بندی برای نشان دادن الگوهای واکسیناسیون خطی، غیرخطی و خاص گروه استفاده کنید. مدل‌ها را با استفاده از منحنی‌های MSE، R²، دقت، یادآوری و ROC ارزیابی کنید تا عملکرد آنها را ارزیابی کنید. بازیابی خودکار داده‌ها را با دریافت‌های زمان‌بندی‌شده‌ی API، ذخیره‌سازی ابری، استریم‌های کافکا و کوئری‌های GraphQL راه‌اندازی کنید.
This book’s got a bunch of handy recipes for data science pros to get them through the most common challenges they face when using Python tools and libraries. Instead of going over the basics, each recipe shows you exactly how to do something step-by-step. You can load CSVs directly from a URL, flatten nested JSON, query SQL and NoSQL databases, import Excel sheets, or stream large files in memory-safe batches. That way, you spend less time on setup and more time on analysis. Once the data’s loaded, you’ll find simple ways to spot and fill in missing values, standardize categories that are off, clip outliers, normalize features, get rid of duplicates, and extract the year, month, or weekday from timestamps. You’ll learn how to run quick analyses, like generating descriptive statistics, plotting histograms and correlation heatmaps, building pivot tables, creating scatter-matrix plots, and drawing time-series line charts to spot trends. You’ll learn how to build polynomial features, compare MinMax, Standard, and Robust scaling, smooth data with rolling averages, apply PCA to reduce dimensions, and encode high-cardinality fields with sparse one-hot encoding using feature engineering recipes. As for machine learning, you’ll learn to put together end-to-end pipelines that handle imputation, scaling, feature selection, and modeling in one object, create custom transformers, automate hyperparameter searches with GridSearchCV, save and load your pipelines, and let SelectKBest pick the top features automatically. You’ll learn how to test hypotheses with t-tests and chi-square tests, build linear and Ridge regressions, work with decision trees and random forests, segment countries using clustering, and evaluate models using MSE, classification reports, and ROC curves. And you’ll finally get a handle on debugging and integration: fixing pandas merge errors, correcting NumPy broadcasting mismatches, and making sure your plots are consistent. In this book: You can load remote CSVs directly into pandas using read_csv, so you don’t have to deal with manual downloads and file clutter. Use json_normalize to convert nested JSON responses into simple tables, making it a breeze to analyze. You can query relational and NoSQL databases directly from Python, and the results will merge seamlessly into Pandas. Find and fill in missing values using IGNSA(), forward-fill, and median strategies for all of your data over time. You can free up a lot of memory by turning string columns into Pandas’ Categorical dtype. You can speed up computations with NumPy vectorization and chunked CSV reading to prevent RAM exhaustion. You can build feature pipelines using custom transformers, scaling, and automated hyperparameter tuning with GridSearchCV. Use regression, tree-based, and clustering algorithms to show linear, nonlinear, and group-specific vaccination patterns. Evaluate models using MSE, R², precision, recall, and ROC curves to assess their performance. Set up automated data retrieval with scheduled API pulls, cloud storage, Kafka streams, and GraphQL queries.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Quantum Computing, Cyber Security and Cryptography
نظرات کاربران