Цель этой книги – научить вас подготавливать и преобразовывать сырые данные, конструировать новые признаки и придавать исходным данным форму, пригодную для будущего интеллектуального анализа при помощи методов машинного и глубокого обучения. Предложенные в книге эффективные техники и приемы будут полезны для обработки любого объема данных. Примеры кода опираются на наиболее популярные библиотеки Python для работы с данными, такие как Pandas, NumPy и Scikit-learn. Издание предназначено как делающим первые шаги в освоении науки о данных, так и практикующим специалистам, желающим улучшить свои навыки.

Эта книга является практическим руководством для аналитиков, трейдеров и исследователей данных, стремящихся углубить свои знания в области анализа финансовых данных. В книге подробно рассматриваются методы кластерного анализа, их применение для оптимизации портфеля, обнаружения аномалий и прогнозирования трендов на финансовых рынках. Материалы книги сопровождается примерами кода на Python, что позволяет читателям немедленно применять изученные методы на практике. Использование популярных библиотек, таких как Pandas, NumPy, Scikit-learn, Matplotlib и Seaborn, делает анализ данных доступным и эффективным.

Быстрый код на чистом Python, оптимизированные библиотеки и аппаратное обеспечение, позволяющее использовать все преимущества параллельной обработки данных, – это цена входа в мир машинного обучения и анализа больших данных. Книга, которую вы держите в руках, предлагает уникальные техники ускорения с акцентом на большие данные и станет вашим надежным проводником в мир оптимизации решений на базе Python. Вы узнаете, как оптимизировать работу со встроенными структурами данных и ускорить решения за счет конкурентного выполнения, а также научитесь сокращать объем занимаемой данными памяти без ущерба для их точности. Ознакомившись с тщательно проработанными примерами, вы узнаете, как добиться большей производительности популярных библиотек, таких как NumPy и Pandas, и как эффективно обрабатывать и хранить данные.