Python數據科學導論：概念、技術與應用（數據科學入門書，提供了在真實數據上使用Python的有趣實例） ( 簡體 字) |
| 作者：[西]勞拉·伊瓜爾（Laura Igual）等 | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49670
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：8/10/2018 |
| 頁數：182 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111604648 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：《Python數據科學導論》通過理論與實踐相結合的方式來闡述數據科學的一系列重要概念及算法，以使讀者學會如何管理并利用數據。本書共有11章，第1章概要地介紹了數據科學的現狀并給出了一些使用本書的建議；第2章介紹了Python語言數據科學生態系統，涉及NumPy、SciPy和Pandas等熱門第三方庫；第3∼7章著重講解了統計學和機器學習的知識，涉及描述統計學、統計推斷、監督學習、回歸分析、無監督學習等主題；第8∼10章詳細介紹了數據科學的一些主要應用，如網絡分析、推薦系統和情感分析；第11章介紹了并行計算及性能優化方法。
|
目錄：譯者序
原書前言
作者和貢獻者簡介
第1章 數據科學概述 // 1
1.1 什么是數據科學 //1
1.2 關于本書 //2
第2章 數據專家的工具箱 //4
2.1 引言 // 4
2.2 為什么選擇Python // 4
2.3 數據專家的基本Python庫 // 5
2.3.1 數值和科學計算：NumPy和SciPy // 5
2.3.2 Scikit-learn：Python中的機器學習庫 // 5
2.3.3 Pandas：Python數據分析庫 // 5
2.4 數據科學生態系統的安裝 // 6
2.5 集成開發環境 // 6
2.5.1 網絡集成開發環境：Jupyter // 7
2.6 數據專家從Python開始 // 7
2.6.1 讀取 // 11
2.6.2 選擇數據 // 13
2.6.3 篩選數據 // 14
2.6.4 篩選缺失的數據 // 15
2.6.5 處理數據 // 15
2.6.6 排序 // 19
2.6.7 分組數據 // 20
2.6.8 重排數據 // 21
2.6.9 對數據進行排名 // 22
2.6.10 繪圖 // 23
2.7 小結 // 24
第3章 描述統計學 // 25
3.1 引言 // 25
3.2 數據準備 // 25
3.2.1 Adult數據集示例 // 26
3.3 探索性數據分析 // 28
3.3.1 匯總數據 // 28
3.3.2 數據分布 // 31
3.3.3 離群點的處理 // 33
3.3.4 測量不對稱性：偏度和皮爾遜中值偏度系數 // 36
3.3.5 連續分布 // 38
3.3.6 核密度 // 39
3.4 估計 // 41
3.4.1 樣本和估計均值、方差和標準記分 // 41
3.4.2 協方差、皮爾遜相關和斯皮爾曼秩相關 // 42
3.5 小結 // 44
參考文獻 // 45
第4章 統計推斷 // 46
4.1 引言 // 46
4.2 統計推斷：頻率論方法 // 46
4.3 測量估計的差異性 // 47
4.3.1 點估計 // 47
4.3.2 置信區間 // 50
4.4 假設檢驗 // 53
4.4.1 用置信區間檢驗假設 // 53
4.4.2 使用p值檢驗假設 // 55
4.5 效應E是真實的嗎 // 57
4.6 小結 // 57
參考文獻 // 58
第5章 監督學習 // 59
5.1 引言 // 59
5.2 問題 // 60
5.3 第一步 // 60
5.4 什么是學習？ // 69
5.5 學習曲線 // 70
5.6 訓練、驗證和測試 // 73
5.7 兩種學習模型 // 76
5.7.1 學習三要素 // 76
5.7.2 支持向量機 // 77
5.7.3 隨機森林 // 79
5.8 結束學習過程 // 80
5.9 商業案例 // 81
5.10 小結 // 83
參考文獻 // 83
第6章 回歸分析 // 84
6.1 引言 // 84
6.2 線性回歸 // 84
6.2.1 簡單線性回歸 // 85
6.2.2 多元線性回歸和多項式回歸 // 90
6.2.3 稀疏模型 // 90
6.3 邏輯斯蒂回歸 // 97
6.4 小結 // 99
參考文獻 // 99
第7章 無監督學習 // 100
7.1 引言 // 100
7.2 聚類 // 100
7.2.1 相似度和距離 // 101
7.2.2 什么是一個好的聚類？定義衡量聚類質量的度量 // 101
7.2.3 聚類技術的分類標準 // 104
7.3 案例學習 // 113
7.4 小結 // 118
參考文獻 // 119
第8章 網絡分析 // 120
8.1 引言 // 120
8.2 圖的基本定義 // 121
8.3 社交網絡分析 // 122
8.3.1 NetworkX基礎 // 122
8.3.2 實際案例：Facebook數據集 // 123
8.4 中心性 // 125
8.4.1 在圖中繪制中心性 // 130
8.4.2 PageRank // 132
8.5 自我網絡 // 134
8.6 社區發現 // 138
8.7 小結 // 139
參考文獻 // 139
第9章 推薦系統 // 140
9.1 引言 // 140
9.2 推薦系統如何工作？ // 140
9.2.1 基于內容的過濾 // 141
9.2.2 協作過濾 // 141
9.2.3 混合推薦系統 // 141
9.3 建模用戶偏好 // 142
9.4 評估推薦系統 // 142
9.5 實際案例 // 143
9.5.1 MovieLens數據集 // 143
9.5.2 基于用戶的協作過濾 // 145
9.6 小結 // 153
參考文獻 // 153
第10章 用于情感分析的統計自然語言處理 // 154
10.1 引言 // 154
10.2 數據清洗 // 155
10.3 文本表示 // 158
10.3.1 二元組和n元組 // 163
10.4 實際案例 // 163
10.5 小結 // 168
參考文獻 // 168
第11章 并行計算 // 169
11.1 引言 // 169
11.2 架構 // 170
11.2.1 入門指南 // 171
11.2.2 連接到集群（引擎）// 171
11.3 多核編程 // 172
11.3.1 引擎的直接視圖 // 172
11.3.2 引擎的負載均衡視圖 // 175
11.4 分布式計算 // 176
11.5 實際應用：紐約出租車旅行 // 177
11.5.1 直接視圖非阻塞方案 // 178
11.5.2 實驗結果 // 180
11.6 小結 // 182
參考文獻 // 182
|
| 序： |
