Manual de ciência de dados do Python

1. IPython: além do Python normal
2. Introdução ao NumPy
3. Manipulação de Dados com Pandas
4. Visualização com Matplotlib

1. Introdução ao aprendizado de máquina
2. Aprendendo com os dados
3. Regressão linear
4. Baías ingénuas
5. k-vizinhos mais próximos
6. Introdução ao Machine Learning com Scikit-Learn
7. Aprendizado de máquina na prática
8. A troca de viés-variância
9. Estimativa de Densidade do Kernel
10. Análise do componente principal
11. Aprendizado múltiplo
12. Agrupamento
13. Árvores de Decisão e Florestas Aleatórias
14. Otimização baseada em gradiente
15. Agrupamento de K-Means
16. Em profundidade: classificação de Naive Bayes
17. Em Profundidade: Regressão Linear
18. Em profundidade: máquinas de vetores de suporte
19. Em Profundidade: Árvores de Decisão e Florestas Aleatórias
20. Em profundidade: análise de componentes principais
21. Em Profundidade: Aprendizagem Múltipla
22. Detalhamento: agrupamento de k-médias

1. Um tour turbilhão de Python
2. Fundamentos da Linguagem Python
3. IPython: além do Python normal
4. NumPy
5. Mais sobre o Shell do sistema IPython
6. MatplotlibGenericName
7. SciPyGenericName
8. Scikit-Learn
9. Aprendizado de máquina com Scikit-Learn
10. Outros recursos de aprendizado de máquina
11. Machine Learning prático: um exemplo simples
12. Bibliografia

import numpy as np

# create a 1D array
a = np.array([0, 1, 2, 3, 4])
print(a)

import pandas as pd

# create a Pandas DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
        'age': [25, 32, 18, 47],
        'gender': ['F', 'M', 'M', 'M']}
df = pd.DataFrame(data)
print(df)

# filter rows based on a condition
df_filtered = df[df['age'] > 30]
print(df_filtered)

# group data by a column and compute statistics
grouped_data = df.groupby('gender')['age'].mean()
print(grouped_data)

import matplotlib.pyplot as plt
import numpy as np

# create some data to plot
x = np.linspace(0, 10, 100)
y = np.sin(x)

# create a line plot
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

# create a scatter plot
x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y)
plt.title('Random Data')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# load the iris dataset
iris = load_iris()

# split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(iris['data'], iris['target'], random_state=0)

# create a K-Nearest Neighbors classifier
knn = KNeighborsClassifier(n_neighbors=1)

# fit the classifier to the training data
knn.fit(X_train, y_train)

# predict the classes of the test data
y_pred = knn.predict(X_test)

# compute the accuracy of the classifier
accuracy = knn.score(X_test, y_test)
print('Accuracy:', accuracy)