從數據思維到數據分析及挖掘算法

每個算法均有Python代碼實現

可加入讀者交流群，與作者互動

《數據分析與挖掘算法：Python實戰》是一本介紹數據分析相關算法的學習指南，主要包括數據分析及數據挖掘相關概念介紹、數據思維及各種數據分析算法的原理及實現方法。

《數據分析與挖掘算法：Python實戰》的每個數據分析算法都介紹了數學原理、Python代碼實現以及實戰案例，內容豐富、容易理解。

本書共9章，第1章介紹了數據挖掘與數據分析、機器學習之間的關繫；第2 章介紹了數據分析人員應該具備的數據思維，包括數據思維認知、數據挖掘“定律”；第3~9章介紹了各種數據分析算法的原理、實現方法及實戰案例，其中包括邏輯回歸、決策樹、樸素貝葉斯、聚類分析、關聯規劃、人工神經網絡、集成學習。

《數據分析與挖掘算法：Python實戰》適合從事數據分析工作的讀者自學，也可作為產品經理、運營人員、市場人員和對數據分析感興趣的讀者的參考用書。

張曉東，碩士研究生，深耕數據分析領域近十年；曾任商業分析師、大數據分析師、算法工程師等職位；主導及參與近20個項目；曾受聘於呼和浩特市大數據管理局專家庫專家，現就職於騰訊無線大連研發中心（世紀鯤鵬）。

第1章 數據分析概述 1
1．1 什麼是數據挖掘 2
1．2 數據挖掘與數據分析的關繫 6
1．3 數據挖掘與機器學習的關繫 8
1．4 機器學習算法簡介 13

第2章 數據思維 19
2．1 數據思維認知 21
2．2 數據思維認知的主觀性與客觀性 26
2．3 數據挖掘“定律” 29

第3章 邏輯回歸 37
3．1 邏輯回歸基礎：從線性回歸到邏輯回歸 38
3．2 邏輯回歸函數構建 41
3．3 邏輯回歸問題求解 46
3．4 邏輯回歸模型評估 49
3．5 Python代碼實現 55

第4章 決策樹 65
4．1 決策樹基礎 66
4．2 決策樹算法 70
4．3 Python代碼實現 86

第5章 樸素貝葉斯 95
5．1 概率論基礎 96
5．2 從貝葉斯公式到樸素貝葉斯分類 100
5．3 Python代碼實現 106

第6章 聚類分析 113
6．1 聚類分析基礎 115
6．2 聚類算法 121
6．3 Python代碼實現 128

第7章 關聯規則 137
7．1 關聯規則基礎 140
7．2 關聯規則算法 143
7．3 Python代碼實現 147

第8章 人工神經網絡 151
8．1 人工神經網絡基礎 153
8．2 BP（誤差逆傳播前饋）神經網絡 158
8．3 Python代碼實現 164

第9章 集成學習 169
9．1 集成學習基礎 170
9．2 集成學習算法 174
參考資料 181

對機器學習進行研究能使我們成為更好的數據科學家和問題解決者。本書從數據分析理論出發，以編程實現為落腳點，最後從哲學層面對數據思維進行探討，進而將思維“定律”與業務相結合。具體到編程層面，本書選擇的工具是Python，因為它足夠簡單且實用，甚至在整個數據科學領域，Python基本都可以說是穩坐工具中的“頭把交椅”。

筆者擁有多年大數據從業經驗，穿梭於業務與“數據工作”之間，見證了業務與數據的“相愛相殺”。業務訴求是通過數據分析和數據挖掘技術實現的，由此，筆者將相對零散的技術進行了歸納與提煉。寫書的過程也是知識沉澱與梳理及重新認識的過程，筆者心存感恩。

本書共9章，第1章對數據分析相關概念、概念間的關繫及數據分析流程進行了總覽和概述，並對後面章節所論述的機器學習算法的作用和應用領域進行了簡單介紹。第2章對業務和數據的“相愛相殺”進行了闡述，包括數據思維認知以及數據挖掘“定律”。第3章是對邏輯回歸從理論到實踐的論述與講解，包括模型的評估（此模型的評估原理的代碼也適合本書後面介紹的決策樹、樸素貝葉斯等有監督學習模型）。第4章是對決策樹從理論到實踐的論述與講解，包括ID3、C4.5以及CART。第5章是對樸素貝葉斯從理論到實踐的論述與講解，包括多項式模型（MultinomialNB）、高斯模型（GaussianNB）和伯努利模型（BernoulliNB）。第6章是對聚類分析從理論到實踐的論述與講解，包括基於劃分的K-means算法、K-mediods算法和基於密度的DBSCAN算法。第7章是對關聯規則從理論到實踐的論述與講解，包括Apriori等算法。第8章是對人工神經網絡從理論到實踐的論述與講解，包括BP（誤差逆傳播）等算法。第9章對集成學習進行了理論論述與講解，包括Bagging、隨機森林等算法。