-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

數據分析通識

( 簡體 字)
作者:途索類別:1. -> 程式設計 -> 綜合
譯者:
出版社:人民郵電出版社數據分析通識 3dWoo書號: 53338
詢問書籍請說出此書號!

有庫存
NT售價: 345

出版日:10/1/2020
頁數:293
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:9787115544452
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

內 容 提 要
本書務實的數據分析科學技術、精彩的實際業務案例,很好地滿足了從業者的實際需求;本書是作者結合近幾年的工作經驗,將在實際業務場景中的案例進行脫敏抽象,置于本書的每章之中,從而形成的一本把數據分析科學技術應用于實際業務的數據分析類圖書。主要內容包括數據處理的抽象流程、數據系統的有機組成、數據獲取、探索性數據分析、目的性數據分析、數據可視化、特征工程、模型、結果評價、數據應用等。
本書介紹了數據分析科學的許多方面,不但適合業務分析人員和數據分析與建模從業者學習,還可作為大專院校相關專業師生的學習用書,以及相關培訓學校的教材。
目錄:

第0章 技術與業務 1
0.1 一個場景 1
0.2 什么是業務 2
0.3 技術與業務的分工 3
0.4 數據分析工作者的定位 4
第 1章 數據處理的抽象流程與數據系統的
有機組成 6
1.1 數據與大數據 6
1.2 數據驅動的系統 7
1.3 數據處理的一般環節 8
1.4 數據的服務對象 9
1.5 與數據業務相關的技術分工 11
第 2章 數據獲取 15
2.1 獲取數據需要的成本 15
2.2 獲取數據的主要方式 15
2.2.1 設備采集 15
2.2.2 業務記錄與調查 16
2.2.3 日志與埋點 16
2.2.4 爬蟲抓取 17
2.2.5 合作、服務與購買 18
2.2.6 數據倉庫 19
2.3 采樣數據的陷阱 20
2.4 本章涉及的技術實現方案 22
2.4.1 爬蟲抓取(Python版) 22
2.4.2 前端埋點SDK 23
2.4.3 日志采集 23
2.4.4 數據倉庫 23
第3章 探索性數據分析與目的性數據
分析 24
3.1 探索性數據分析 24
3.2 一份數據集 24
3.3 數據字段分類 25
3.4 遍歷每個字段 26
3.4.1 了解離散屬性 27
3.4.2 了解連續屬性 28
3.4.3 分布與分箱 32
3.4.4 異常值與數據清洗 36
3.5 數據分析的本質 37
3.5.1 尋找用來比較的實體 39
3.5.2 拿什么進行比較 42
3.5.3 怎樣進行比較 42
3.6 目的性數據分析 89
3.6.1 目的性數據分析的一般方法 90
3.6.2 目的性數據分析的意義 92
3.7 本章涉及的技術實現方案 93
3.7.1 數據分析軟件 93
3.7.2 SQL 96
3.7.3 Python 97
3.7.4 大數據分析解決方案 98
第4章 展示信息的推薦方式——
可視化 100
4.1 數據可視化 100
4.2 常見的圖表類型與應用場景 101
4.2.1 趨勢型 101
4.2.2 比較型 104
4.2.3 比例型 106
4.2.4 分布型 107
4.2.5 區間型 109
4.2.6 關聯型 109
4.2.7 地理型 112
4.3 數據可視化與數據分析 112
4.3.1 數據可視化與假設檢驗、
分布擬合 112
4.3.2 數據可視化與多維分析、鉆取
分析、交叉分析 115
4.3.3 數據可視化與秩次分析 117
4.3.4 數據可視化與相關分析、
回歸分析 119
4.3.5 數據可視化與分組歸類 121
4.3.6 數據可視化與目的性數據
分析 122
4.4 可視化數據交互 122
4.4.1 交互式可視化的流程 124
4.4.2 常見的數據可視化交互
組件 124
4.5 可視化設計 125
4.5.1 可視化設計的美學原則 125
4.5.2 可視化設計的高效原則 126
4.5.3 可視化交互的一些準則 129
4.6 可視化工程 129
4.6.1 確定主題 130
4.6.2 提煉數據 130
4.6.3 選擇合適的圖表 131
4.6.4 可視化設計 131
4.7 本章涉及的技術實現方案 131
4.7.1 Python 131
4.7.2 開源可視化API 132
4.7.3 商業化 132
第5章 特征工程 133
5.1 變量、字段、屬性、維度和特征 133
5.2 特征工程的內涵 135
5.3 特征獲取 136
5.3.1 獲取用于提取特征的數據 136
5.3.2 特征的可用性評估 137
5.3.3 從特征獲取的角度清洗數據 137
5.4 特征處理與提取 138
5.4.1 數據清洗 138
5.4.2 特征選擇 138
5.4.3 特征變換 143
5.4.4 特征抽取 153
5.4.5 特征衍生 156
5.5 特征監控 161
5.5.1 監控已有特征 161
5.5.2 尋找新的特征 162
5.6 一個例子 163
5.6.1 有哪些數據 163
5.6.2 提取業務特征 164
5.6.3 特征處理 165
5.6.4 二次特征衍生 165
5.6.5 二次特征處理 165
5.6.6 建模與迭代 165
5.7 頭腦風暴 166
5.8 本章涉及的技術實現方案 167
5.8.1 Python 167
5.8.2 大數據平臺的特征工程模塊 168
5.8.3 組件化的特征工程 168
第6章 模型 169
6.1 模型的概念 169
6.2 業務模型、數據模型、函數模型 170
6.2.1 業務模型 170
6.2.2 數據模型 171
6.2.3 函數模型 173
6.2.4 其他“模型”與上述3種模型的
關系 174
6.3 機器學習與統計建模的聯系與
區別 175
6.4 函數模型與業務 176
6.4.1 數據、特征工程與函數
模型 177
6.4.2 監督學習、無監督學習、
半監督學習與歸納偏置 177
6.4.3 交叉驗證與過擬合 182
6.5 常見的函數模型 185
6.5.1 數據的刻畫方式 185
6.5.2 分類與回歸 191
6.5.3 聚類 237
6.5.4 關聯 245
6.5.5 半監督學習 249
6.6 調參 253
6.6.1 調參調的是超參數 253
6.6.2 經驗調參 254
6.6.3 簡單模型 254
6.7 什么樣的模型是好模型 255
6.7.1 模型選擇 255
6.7.2 可解釋性 256
6.7.3 奧卡姆剃刀原理 257
6.8 遷移學習與強化學習 259
6.8.1 遷移學習 259
6.8.2 強化學習 261
6.9 本章涉及的技術實現方案 263
6.9.1 Python 263
6.9.2 大數據 264
第7章 結果評價 265
7.1 分類模型的結果評價 265
7.1.1 正樣本與負樣本 265
7.1.2 混淆矩陣及其衍生指標 266
7.1.3 ROC與AUC 268
7.1.4 提升圖 271
7.1.5 KS曲線 271
7.1.6 過采樣與欠采樣 272
7.2 回歸模型的結果評價 273
7.2.1 基于絕對數值的結果評價 273
7.2.2 基于比例數值的結果評價 274
7.2.3 決定系數與校正決定系數 274
7.3 聚類模型的結果評價 275
7.3.1 方差 275
7.3.2 輪廓系數 275
7.3.3 蘭德系數 276
7.4 關聯模型的結果評價 276
7.5 本章涉及的技術實現方案 276
第8章 數據應用與人工智能 278
8.1 業務數據化與數據業務化 278









8.2 數據應用的常見產出形式 279
8.2.1 指標 279
8.2.2 表格 280
8.2.3 可視化圖表與交互 273
8.2.4 報告 280
8.2.5 模型 280
8.3 幾種典型的數據應用系統 280
8.3.1 離線挖掘任務流 280
8.3.2 實時預測與挖掘任務 281
8.3.3 推薦系統 281
8.3.4 搜索引擎 282
8.3.5 Feed流 283
8.4 數據應用系統的優勢與限制 283
第9章 未來的數據與數據的未來 285
9.1 數據融合與未來數據驅動系統的
展望 285
9.1.1 數據化是一切的起點 285
9.1.2 融合是數據發揮能量的
關鍵 286
9.1.3 計算還是太慢了 287
9.1.4 為什么要數據化、融合、
計算? 287
9.2 人工智能 288
9.2.1 人與人工智能 288
9.2.2 智能是個系統 289
9.2.3 智能域 290
后記——擁抱不確定的美好 291
參考文獻 295
序: