| | | | 數據科學手冊 [美]菲爾德·卡迪 大數據 人工智能 python 機器學 | | 該商品所屬分類：圖書 -> 機械工業出版社 | | 【市場價】 | 761-1104元 | | 【優惠價】 | 476-690元 | | 【作者】 | 菲爾德·卡迪程國建 | | 【出版社】 | 機械工業出版社 | | 【ISBN】 | 9787111619116 | | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品
一次購物滿2000元台幣95折+免運費+贈品
一次購物滿3000元台幣92折+免運費+贈品
一次購物滿4000元台幣88折+免運費+贈品
| | 【本期贈品】 | ①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾
|
|
| 版本 | 正版全新電子版PDF檔 | | 您已选择： | 正版全新 | 溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。
*. 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。
*. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。 | | | |
| | 內容介紹 | |
店鋪：機械工業出版社官方旗艦店 出版社：機械工業出版社 ISBN：9787111619116 商品編碼：10026483195751 品牌：機械工業出版社（CMP） 出版時間：2019-04-01 頁數：200 字數：412000 審圖號：9787111619116 作者：菲爾德·卡迪,程國建
" 
商品參數
| 商品基本信息 | | 商品名稱： | 數據科學手冊 大數據 人工智能 python 機器學習 | | 作者： | [美]菲爾德·卡迪（Field Cady）著 程國建 強新建 趙川 | | 市場價： | 99.00 | | ISBN號： | 9787111619116 | | 版次： | 1-1 | | 出版日期： | 2019-03 | | 頁數： | 313 | | 字數： | 412 | | 出版社： | 機械工業出版社 |
內容介紹
本書對數據科學進行了整體性介紹，涵蓋了掌握該學科所需的分析、編程和業務技能等方方面面。找到一個的數據科學家就像是尋找一隻獨角獸：因為其所需要的技術及技能組合很難在一個人身上兼備。另外，良好的數據科學素養不僅僅是對所訓練技能的綜合應用，還需要能夠靈活考慮所有這些領域，並理解它們之間的聯繫。本書提供了數據科學的速成課程，將所有必要的技能結合到一個統一的學科體繫中。與許多數據分析的書籍不同，本書涵蓋了關鍵的計算機科學和軟件工程相關內容，因為它們在數據科學家的日常工作中發揮了極其重要的作用。本書還介紹了經典的機器學習算法，從這些算法的數學基礎到實際應用均有描述。本書對可視強調其在數據科學中的核心位置。引入古典統計學的目的是幫助讀者用批判性思維對數據進行解釋，並指出常見的陷阱。對分析結果的清化工具進行了綜述，並晰交流（這也許是數據科學技術中*為薄弱的一個環節）有專門的章節進行講解，本書對所有涉及的主題均是在解決實際問題的背景下加以解釋。
目錄
譯者序 原書前言 *1章引言：成為獨角獸 1 1.1數據科學家不僅僅是高薪統計人員 2 1.2本書的內容是怎樣組織的 2 1.3如何使用本書 3 1.4無論如何，為什麼一切都在Python中 3 1.5示例代碼及數據集 3 1.6*後的話 4 第Ⅰ部分必須掌握的基礎素材 *2章數據科學路線圖 6 2.1解決問題 7譯者序
原書前言
*1章引言：成為獨角獸 1
1.1數據科學家不僅僅是高薪統計人員 2
1.2本書的內容是怎樣組織的 2
1.3如何使用本書 3
1.4無論如何，為什麼一切都在Python中 3
1.5示例代碼及數據集 3
1.6*後的話 4
第Ⅰ部分必須掌握的基礎素材
*2章數據科學路線圖 6
2.1解決問題 7
2.2理解數據：基本問題 8
2.3理解數據：數據整理 9
2.4理解數據：探索性分析 9
2.5提取特征 10
2.6模型 10
2.7呈現結果 11
2.8部署代碼 11
2.9迭代 12
2.10術語 12
第3章編程語言 13
3.1為什麼使用編程語言，有無其他選項 13
3.2數據科學編程語言綜述 14
3.2.1Python語言 14
3.2.2R語言 14
3.2.3MATLAB和Octave 14
3.2.4SAS 15
3.2.5Scala 15
3.3Python語言速成班 15
3.3.1版本注解 15
3.3.2“hello world”腳本 16
3.3.3更為復雜的腳本 17
3.3.4數據類型 19
3.4字符串 19
3.4.1注釋與文檔注釋 21
3.4.2復雜數據類型 21
3.4.3列表 22
3.4.4字符串與列表 22
3.4組 23
3.4.6字典 24
3.4.7集合 24
3.5定義函數 24
3.5.1循環與控制結構 25
3.5.2一些關鍵函數 26
3.5.3異常處理 27
3.5.4導入庫 27
3.5.5類及對像 27
3.5.6可哈希與不可哈希類型 28
3.6Python語言技術庫 29
3.6.1數據幀 29
3.6.2序列 30
3.6.3連接與分組 32
3.7其他Python語言資源 33
3.8延伸閱讀 33
3.9術語 34
第4章數據預處理：字符串操作、正則表達式和數據清理 36
4.1世界上*糟糕的數據集 36
4.2如何識別問題 37
4.3數據內容問題 37
4.3.1重復條目 37
4.3.2單實體的多個條目 37
4.3.3丟失缺失值 38
4.3.4NULL 38
4.3.5巨大異常值 38
4.3.6過期數據 39
4.3.7人造數據 39
4.3.8非正規空格 39
4.4格式化問題 39
4.4.1不同行列之間的不規則格式化 39
4.4.2額外的空白 39
4.4.3不規則大小寫 40
4.4.4不一致分隔符 40
4.4.5不規則NULL格式 40
4.4.6非法字符 40
4.4.7奇怪或不兼容的時間類型 40
4.4.8操作繫統不兼容 41
4.4.9錯誤的軟件版本 41
4.5格式化腳本實例 42
4.6正則表達式 43
4.6.1正則表達式語法 43
4.7數據科學戰壕中的生活 46
4.8術語 47
第5章可視化與簡單度量 48
5.1關於Python語言可視化工具的說明 48
5.2示例代碼 49
5.3餅圖 49
5.4柱狀圖 51
5.5直方圖 53
5.6均值、標準差、中位數和分位數 55
5.7箱式圖 56
5.8散點圖 57
5.9對數軸線散點圖 59
5.10散點陣列圖 61
5.11熱力圖 62
5.12相關性 63
5.13Anscombe四重奏與數字極限 64
5.14時間序列 65
5.15延伸閱讀 68
5.16術語 69
第6章機器學習概要 70
6.1歷史背景 71
6.2監督與無監督學習 71
6.3訓練數據、測試數據和過擬合 72
6.4延伸閱讀 72
6.5術語 73
第7章插曲：特征提取思路 74
7.1標準特征 74
7.2有關分組的特征 75
7.3預覽更復雜的特征 75
7.4定義待預測功能 75
第8章機器學習分類 77
8.1什麼是分類器，用它可以做什麼 77
8.2一些實用的關注點 78
8.3二分類與多分類 78
8.4實例腳本 79
8.5特定分類器 80
8.5.1決策樹 80
8.5.2隨機森林 82
8.5.3集成分類器 83
8.5.4支持向量機 83
8.5.5邏輯回歸 85
8.5.6回歸 87
8.5.7樸素貝葉斯分類器 88
8.5.8神經網絡 89
8.6評價分類器 90
8.6.1混淆矩陣 91
8.6.2ROC曲線 91
8.6.3ROC曲線之下的面積 93
8.7選擇分類閾值 93
8.7.1其他性能測量 94
8.7.2升力曲線 94
8.8延伸閱讀 94
8.9術語 95
第9章技術交流與文檔化 96
9.1指導原則 96
9.1.1了解觀眾 96
9.1.2說明其重要性 97
9.1.3使其具體化 97
9.1.4一張圖片勝過千言萬語 98
9.1.5不要對自己的技術知識感到驕傲 98
9.1.6使其看起來美觀 98
9.2幻燈片 99
9.2.1C.R.A.P設計原則 99
9.2.2一些提示和經驗法則 101
9.3書面報告 102
9.4演示：有用的技巧 103
9.5代碼文檔 104
9.6延伸閱讀 105
9.7術語 105
第Ⅱ部分仍需要知道的事情
*10章無監督學習：聚類與降維 108
10.1維數災難 108
10.2實例：“特征臉”降維 110
10.3主成分分析與因子分析 112
10.4Skree圖與維度的理解 113
10.5因子分析 114
10.6PCA的局限性 114
10.7聚類 115
10.7.1聚類簇的實際評估 115
10.7.2k均值聚類 116
10.7.3高斯混合模型 117
10.7.4合成聚類 118
10.7.5聚類質量評價 118
10.7.6輪廓分數 118
10.7.7蘭德指數與調整蘭德指數 120
10.7.8互信息 120
10.8延伸閱讀 121
10.9術語 121
*11章回歸 1 顯示全部信息
" | | |
| | | | |
|
