數(shù)據(jù)科學與分析：Python語言實現(xiàn)簡介，目錄書摘
2020-04-21 18:10
來源：京東
作者：京東
數(shù)據(jù)科學與分析：Python語言實現(xiàn)
暫無報價
10+評論
100%好評
編輯推薦:本書專為在學術(shù)與商業(yè)領域從事數(shù)據(jù)科學和數(shù)據(jù)分析的人員而設計，旨在以Python為工具詳細介紹數(shù)據(jù)科學和分析中使用的主要概念、技術(shù)、方法及一些實用技巧，為立志成為數(shù)據(jù)科學家的讀者提供可行的實踐指南。
本書各個章節(jié)彼此獨立，以便讀者可以輕松地查閱所需內(nèi)容。 全書從處理過程和獲取結(jié)果的角度討論了數(shù)據(jù)科學和數(shù)學分析的相關(guān)內(nèi)容， 還介紹了Python的重要功能，包括Python入門知識。本書涵蓋機器學習、模式識別和人工智能的基本要素，它們是本書其余部分所使用的算法和實現(xiàn)的基礎；還介紹了使用聚類技術(shù)和分類算法進行回歸分析，探索了分層聚類、決策樹、集合技術(shù)、降維技術(shù)和推薦系統(tǒng)；*后討論了支持向量機算法以及回歸和分類等應用程序中重要的核心技巧。
本書各個章節(jié)彼此獨立，以便讀者可以輕松地查閱所需內(nèi)容。 全書從處理過程和獲取結(jié)果的角度討論了數(shù)據(jù)科學和數(shù)學分析的相關(guān)內(nèi)容， 還介紹了Python的重要功能，包括Python入門知識。本書涵蓋機器學習、模式識別和人工智能的基本要素，它們是本書其余部分所使用的算法和實現(xiàn)的基礎；還介紹了使用聚類技術(shù)和分類算法進行回歸分析，探索了分層聚類、決策樹、集合技術(shù)、降維技術(shù)和推薦系統(tǒng)；*后討論了支持向量機算法以及回歸和分類等應用程序中重要的核心技巧。
內(nèi)容簡介:本書由前IBM首席數(shù)據(jù)科學家撰寫，旨在為勵志成為數(shù)據(jù)科學家的讀者給出一個可行的實踐指南。從Python入門開始，逐步實現(xiàn)數(shù)據(jù)分析、機器學習等通用算法，進而討論數(shù)據(jù)科學家的典型工作流程，*后從實踐入手，由淺入深，精選決策樹、降維技術(shù)、支持向量機等數(shù)據(jù)分析案例，讓讀者能逐步理解晦澀的公式理論并上手操作，可以滿足不同層次的讀者需求。
作者簡介:Jesús Rogel-Salazar 博士作為首席數(shù)據(jù)科學家，曾在AKQA、IBM數(shù)據(jù)科學工作室、Dow Jones等大型公司工作，在該領域有豐富的工作經(jīng)驗。 他是英國倫敦帝國理工學院物理系的訪問研究員，也是英國赫特福德大學物理學、天文學和數(shù)學學院的成員。 他在帝國理工學院獲得物理學博士學位，從事量子原子光學和超冷物質(zhì)方面的研究。
自2006年以來，他一直擔任數(shù)學高級講師以及金融行業(yè)的顧問和數(shù)據(jù)科學家，是《Essential Matlaband Octave》一書的作者。 他的興趣包括數(shù)學建模、數(shù)據(jù)科學以及光學、量子力學、數(shù)據(jù)新聞與金融等應用領域的優(yōu)化問題。
自2006年以來，他一直擔任數(shù)學高級講師以及金融行業(yè)的顧問和數(shù)據(jù)科學家，是《Essential Matlaband Octave》一書的作者。 他的興趣包括數(shù)學建模、數(shù)據(jù)科學以及光學、量子力學、數(shù)據(jù)新聞與金融等應用領域的優(yōu)化問題。
目錄:譯者序
前言
讀者指南
第1章 數(shù)據(jù)科學家的試驗與磨難 1
1.1 數(shù)據(jù)？科學？數(shù)據(jù)科學！ 1
1.2 數(shù)據(jù)科學家：現(xiàn)代鹿角兔 4
1.3 數(shù)據(jù)科學工具 9
1.4 從數(shù)據(jù)到洞察力：數(shù)據(jù)科學工作流 11
1.4.1 識別問題 13
1.4.2 獲取數(shù)據(jù) 13
1.4.3 數(shù)據(jù)挖掘 13
1.4.4 建模與評價 13
1.4.5 表征與互動 14
1.4.6 數(shù)據(jù)科學：一個迭代過程 14
1.5 總結(jié) 15
第2章 Python：完全不同的編程語言 16
2.1 為何是Python？為何不是？ 17
2.1.1 使用Shell或不使用Shell 19
2.1.2 使用iPython/Jupyter Notebook 20
2.2 初探Python 21
2.2.1 基本類型 21
2.2.2 數(shù)字 21
2.2.3 字符串 22
2.2.4 復數(shù) 23
2.2.5 列表 24
2.2.6 元組 27
2.2.7 字典 29
2.3 控制流 31
2.3.1 if ... elif ... else 31
2.3.2 while 32
2.3.3 for 33
2.3.4 try... except 34
2.3.5 函數(shù) 36
2.3.6 腳本和模塊 39
2.4 計算和數(shù)據(jù)處理 41
2.4.1 矩陣操作和線性代數(shù) 41
2.4.2 NumPy數(shù)組和矩陣 42
2.4.3 索引和切片 45
2.5 “熊貓”前來救駕 46
2.6 繪圖和可視化庫：Matplotlib 50
2.7 總結(jié) 52
第3章 能夠探知的機器：機器學習和模式識別 53
3.1 認知模式 53
3.2 人工智能和機器學習 54
3.3 數(shù)據(jù)很好，但也需要其他支持 56
3.4 學習、預測和分類 57
3.5 機器學習和數(shù)據(jù)科學 58
3.6 特征選擇 59
3.7 偏差、差異和正規(guī)化：平衡法 60
3.8 一些有用的措施：距離和相似性 61
3.9 注意“維度的詛咒” 64
3.10 Scikit-learn是我們的朋友 67
3.11 訓練和測試 70
3.12 交叉驗證 72
3.13 總結(jié) 75
第4章 關(guān)系難題：回歸 76
4.1 變量之間的關(guān)系：回歸 76
4.2 多元線性回歸 78
4.3 普通最小二乘法 80
4.4 大腦與身體：單變量回歸 83
4.5 對數(shù)變換 90
4.6 使任務更容易：標準化和擴展 93
4.6.1 正則化或單位縮放 94
4.6.2 z-Score縮放 95
4.7 多項式回歸 96
4.8 方差–偏差權(quán)衡 99
4.9 收縮：選擇運算符和Ridge 101
4.10 總結(jié) 105
第5章 鹿角兔和野兔：聚類 107
5.1 聚類 107
5.2 k–均值聚類 108
5.2.1 聚類驗證 110
5.2.2 k–均值實際操作 112
5.3 總結(jié) 115
第6章 獨角獸和馬：分類 116
6.1 分類 116
6.1.1 混淆矩陣 117
6.1.2 ROC和AUC 119
6.2 使用KNN算法分類 121
6.3 邏輯回歸分類器 126
6.3.1 邏輯回歸的解釋 129
6.3.2 邏輯回歸的應用 130
6.4 使用樸素貝葉斯算法進行分類 136
6.4.1 樸素貝葉斯分類器 139
6.4.2 樸素貝葉斯分類的應用 140
6.5 總結(jié) 144
第7章 決策：分層聚類、決策樹和集成技術(shù) 145
7.1 分層聚類 145
7.2 決策樹 150
7.3 集成技術(shù) 160
7.3.1 套袋 164
7.3.2 助推 164
7.3.3 隨機森林 165
7.3.4 層疊和混合 166
7.4 集成技術(shù)實踐 167
7.5 總結(jié) 171
第8章 少即多：降維 172
8.1 降維 172
8.2 主成分分析 175
8.2.1 PCA實踐 177
8.2.2 PCA在鳶尾花數(shù)據(jù)集中的應用 180
8.3 奇異值分解 183
8.4 推薦系統(tǒng) 187
8.4.1 基于內(nèi)容的過濾實踐 188
8.4.2 協(xié)同過濾實踐 191
8.5 總結(jié) 195
第9章 內(nèi)核秘訣：支持向量機 197
9.1 支持向量機和內(nèi)核方法 197
9.1.1 支持向量機 199
9.1.2 內(nèi)核的技巧 204
9.1.3 SVM實踐：回歸 205
9.1.4 SVM實踐：分類 208
9.2 總結(jié) 212
附錄 Scikit-learn中的管道 213
參考文獻 217
前言
讀者指南
第1章 數(shù)據(jù)科學家的試驗與磨難 1
1.1 數(shù)據(jù)？科學？數(shù)據(jù)科學！ 1
1.2 數(shù)據(jù)科學家：現(xiàn)代鹿角兔 4
1.3 數(shù)據(jù)科學工具 9
1.4 從數(shù)據(jù)到洞察力：數(shù)據(jù)科學工作流 11
1.4.1 識別問題 13
1.4.2 獲取數(shù)據(jù) 13
1.4.3 數(shù)據(jù)挖掘 13
1.4.4 建模與評價 13
1.4.5 表征與互動 14
1.4.6 數(shù)據(jù)科學：一個迭代過程 14
1.5 總結(jié) 15
第2章 Python：完全不同的編程語言 16
2.1 為何是Python？為何不是？ 17
2.1.1 使用Shell或不使用Shell 19
2.1.2 使用iPython/Jupyter Notebook 20
2.2 初探Python 21
2.2.1 基本類型 21
2.2.2 數(shù)字 21
2.2.3 字符串 22
2.2.4 復數(shù) 23
2.2.5 列表 24
2.2.6 元組 27
2.2.7 字典 29
2.3 控制流 31
2.3.1 if ... elif ... else 31
2.3.2 while 32
2.3.3 for 33
2.3.4 try... except 34
2.3.5 函數(shù) 36
2.3.6 腳本和模塊 39
2.4 計算和數(shù)據(jù)處理 41
2.4.1 矩陣操作和線性代數(shù) 41
2.4.2 NumPy數(shù)組和矩陣 42
2.4.3 索引和切片 45
2.5 “熊貓”前來救駕 46
2.6 繪圖和可視化庫：Matplotlib 50
2.7 總結(jié) 52
第3章 能夠探知的機器：機器學習和模式識別 53
3.1 認知模式 53
3.2 人工智能和機器學習 54
3.3 數(shù)據(jù)很好，但也需要其他支持 56
3.4 學習、預測和分類 57
3.5 機器學習和數(shù)據(jù)科學 58
3.6 特征選擇 59
3.7 偏差、差異和正規(guī)化：平衡法 60
3.8 一些有用的措施：距離和相似性 61
3.9 注意“維度的詛咒” 64
3.10 Scikit-learn是我們的朋友 67
3.11 訓練和測試 70
3.12 交叉驗證 72
3.13 總結(jié) 75
第4章 關(guān)系難題：回歸 76
4.1 變量之間的關(guān)系：回歸 76
4.2 多元線性回歸 78
4.3 普通最小二乘法 80
4.4 大腦與身體：單變量回歸 83
4.5 對數(shù)變換 90
4.6 使任務更容易：標準化和擴展 93
4.6.1 正則化或單位縮放 94
4.6.2 z-Score縮放 95
4.7 多項式回歸 96
4.8 方差–偏差權(quán)衡 99
4.9 收縮：選擇運算符和Ridge 101
4.10 總結(jié) 105
第5章 鹿角兔和野兔：聚類 107
5.1 聚類 107
5.2 k–均值聚類 108
5.2.1 聚類驗證 110
5.2.2 k–均值實際操作 112
5.3 總結(jié) 115
第6章 獨角獸和馬：分類 116
6.1 分類 116
6.1.1 混淆矩陣 117
6.1.2 ROC和AUC 119
6.2 使用KNN算法分類 121
6.3 邏輯回歸分類器 126
6.3.1 邏輯回歸的解釋 129
6.3.2 邏輯回歸的應用 130
6.4 使用樸素貝葉斯算法進行分類 136
6.4.1 樸素貝葉斯分類器 139
6.4.2 樸素貝葉斯分類的應用 140
6.5 總結(jié) 144
第7章 決策：分層聚類、決策樹和集成技術(shù) 145
7.1 分層聚類 145
7.2 決策樹 150
7.3 集成技術(shù) 160
7.3.1 套袋 164
7.3.2 助推 164
7.3.3 隨機森林 165
7.3.4 層疊和混合 166
7.4 集成技術(shù)實踐 167
7.5 總結(jié) 171
第8章 少即多：降維 172
8.1 降維 172
8.2 主成分分析 175
8.2.1 PCA實踐 177
8.2.2 PCA在鳶尾花數(shù)據(jù)集中的應用 180
8.3 奇異值分解 183
8.4 推薦系統(tǒng) 187
8.4.1 基于內(nèi)容的過濾實踐 188
8.4.2 協(xié)同過濾實踐 191
8.5 總結(jié) 195
第9章 內(nèi)核秘訣：支持向量機 197
9.1 支持向量機和內(nèi)核方法 197
9.1.1 支持向量機 199
9.1.2 內(nèi)核的技巧 204
9.1.3 SVM實踐：回歸 205
9.1.4 SVM實踐：分類 208
9.2 總結(jié) 212
附錄 Scikit-learn中的管道 213
參考文獻 217
相關(guān)商品
京公網(wǎng)安備 11000002000088號
