久久国产精品色AV免费看,91的麻豆精品国产自产在线

本書主要采用理論學(xué)習與實踐操作并重、上層應(yīng)用與底層原理相結(jié)合的方式講解數(shù)據(jù)分析師需要掌握的數(shù)據(jù)分析基礎(chǔ)知識，包括基礎(chǔ)理論、關(guān)聯(lián)規(guī)則分析、回歸分析、分類分析、聚類分析、集成學(xué)習、自然語言處理、圖像處理和深度學(xué)習。每章內(nèi)容從7個方面展開講解：包括應(yīng)用場景、算法原理、核心術(shù)語、Python編程實踐、重點與難點解讀、習題和主要參考文獻及推薦閱讀書目。
本書在編寫過程中不僅充分借鑒了國內(nèi)外著名大學(xué)設(shè)立的相關(guān)課程、專家學(xué)者的代表性成果，以及近幾年的熱門暢銷書，而且也考慮到了國內(nèi)相關(guān)課程的教學(xué)以及相關(guān)從業(yè)人員自學(xué)的需求。
本書可以滿足數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)、大數(shù)據(jù)管理與應(yīng)用、計算機科學(xué)與技術(shù)、管理工程、工商管理、數(shù)據(jù)統(tǒng)計、數(shù)據(jù)分析、信息管理與信息系統(tǒng)、商業(yè)分析等多個專業(yè)的教師、學(xué)生的教學(xué)和學(xué)習需要，也適合廣大從事數(shù)據(jù)分析工作的人員學(xué)習參考。

數(shù)據(jù)分析已成為現(xiàn)代人才必備的能力之一。然而，數(shù)據(jù)分析能力是一種綜合素質(zhì)，不僅需要扎實的理論功底，而且還需要豐富的實踐經(jīng)驗。在理論學(xué)習方面，數(shù)據(jù)分析師必須具備機器學(xué)習、統(tǒng)計學(xué)、數(shù)據(jù)分析、高等數(shù)學(xué)、線性代數(shù)、運籌學(xué)、離散數(shù)學(xué)、人工智能、數(shù)據(jù)庫、數(shù)據(jù)倉庫、數(shù)據(jù)挖掘等基礎(chǔ)知識；在實踐操作方面，數(shù)據(jù)分析師需要積累大量的實際動手操作經(jīng)驗，尤其是基于Python語言的開源工具的數(shù)據(jù)分析實戰(zhàn)經(jīng)驗。因此，如何有效學(xué)習數(shù)據(jù)分析理論和進行實踐已成為多數(shù)初學(xué)者所面臨的挑戰(zhàn)。
破解這一難題的關(guān)鍵在于師資和教材。遇到一位好老師或一本好書，對于初學(xué)者而言是機遇也是幸運。我認為，一本好的數(shù)據(jù)分析圖書需要同時滿足以下條件：不僅能讀懂，而且能讀下去；能激發(fā)深入學(xué)習的興趣，增強讀者繼續(xù)學(xué)習的信心；不僅有理論知識，而且有實踐操作；融會貫通數(shù)據(jù)分析的多種基礎(chǔ)理論，不受限于單一理論；探討更好的學(xué)習思路，提供更豐富的實踐技巧；有特色，有智慧。但是，很多同學(xué)和朋友曾多次跟我反映，很難找到這樣的好書。對此，我都會回答：那么，等我寫一本吧！這就是我寫本書的初心和使命。
本書的編寫過程是一個反復(fù)打磨的過程，融入了我和我的團隊長期從事數(shù)據(jù)科學(xué)與大數(shù)據(jù)分析相關(guān)的教學(xué)一線、科學(xué)研究和數(shù)據(jù)分析的實踐經(jīng)驗，以及我應(yīng)邀擔任多個企事業(yè)單位數(shù)據(jù)科學(xué)家或大數(shù)據(jù)顧問的經(jīng)驗。同時，本書不僅吸收了國際一流大學(xué)及國外相關(guān)領(lǐng)域的標志性成果及最新進展，而且充分體現(xiàn)了我國數(shù)據(jù)分析人才培養(yǎng)的需要及未來社會人才需求的基本要求。
本書由朝樂門主編，完成了頂層設(shè)計、內(nèi)容選擇、知識講解和注解點評，張晨（第2章和第7章）、余欣（第3章）、劉璇（第3章、第6章）、王銳（第3章、第4章）、孫智中（第4章）、尹顯龍（第4章）、斳慶文（第4章、第5章）、肖紀文（第6章）、熊雷（第9章）、任安興（第8章）參與部分內(nèi)容的編寫工作，鄧寧遠參與了校對工作，在此一并感謝。同時，本書出版得到了機械工業(yè)出版社的王斌編輯、中國人民大學(xué)、啟迪數(shù)字學(xué)院、阿里云計算有限公司產(chǎn)學(xué)合作協(xié)同育人項目以及本書編委會的指導(dǎo)與幫助，在此感謝他們的鼎力支持。
本書在編寫過程中參考和引用了大量國內(nèi)外文獻資料，雖盡可能地標注了出處，但也難免有遺漏。因此，也向有關(guān)作者表示衷心的感謝。由于我們的水平有限，疏漏、不足乃至錯誤之處在所難免，敬請各位專家批評指正。
朝樂門
2022年6月18日
于中國人民大學(xué)中關(guān)村校區(qū)

第1章數(shù)據(jù)分析概述
1.1數(shù)據(jù)分析的基本類型
1.2數(shù)據(jù)分析與機器學(xué)習
1.2.1統(tǒng)計學(xué)與機器學(xué)習
1.2.2機器學(xué)習算法的類型
1.2.3機器學(xué)習中的算法、模型、
參數(shù)和超參數(shù)
1.2.4數(shù)據(jù)分析中的基礎(chǔ)算法
1.2.5數(shù)據(jù)分析中的高級算法
1.3數(shù)據(jù)分析的主要流程
1.4數(shù)據(jù)分析中的算法選擇
1.5數(shù)據(jù)分析中常用的Python包
1.5.1NumPy
1.5.2Pandas
1.5.3Matplotlib
1.5.4Seaborn
1.5.5statsmodels
1.5.6scikitlearn
1.5.7jieba
1.5.8OpenCV
1.5.9TensorFlow和PyTorch
1.6數(shù)據(jù)分析的注意事項
1.7數(shù)據(jù)分析的現(xiàn)狀與趨勢
1.8習題
1.9主要參考文獻及推薦閱讀書目
第2章關(guān)聯(lián)規(guī)則分析
2.1應(yīng)用場景
2.2算法原理
2.2.1Apriori算法的假設(shè)
2.2.2Apriori算法的流程
2.3核心術(shù)語
2.3.1事務(wù)型數(shù)據(jù)
2.3.2項集
2.3.3支持度
2.3.4置信度
2.3.5提升度
2.3.6關(guān)聯(lián)規(guī)則
2.4Python編程實踐購物車分析
2.4.1業(yè)務(wù)理解
2.4.2數(shù)據(jù)讀入
2.4.3數(shù)據(jù)理解
2.4.4數(shù)據(jù)預(yù)處理
2.4.5生成頻繁項集
2.4.6計算關(guān)聯(lián)度
2.4.7可視化
2.5重點與難點解讀
2.6習題
2.7主要參考文獻及推薦閱讀書目
第3章回歸分析
3.1應(yīng)用場景
3.2算法原理
3.2.1基本思路
3.2.2評價方法
3.3核心術(shù)語
3.3.1回歸分析中常用的統(tǒng)計量
3.3.2特征矩陣與目標向量
3.3.3過擬合與欠擬合
3.3.4高杠桿點、離群點和強影響點
3.4Python編程實踐
3.4.1線性回歸女性身高與體重
數(shù)據(jù)分析
3.4.2多元回歸廣告收入數(shù)據(jù)分析
3.4.3泊松回歸航班數(shù)據(jù)分析
3.5重點與難點解讀
3.5.1參數(shù)解讀線性回歸算法
3.5.2ZScore標準化
3.5.3方差
3.5.4相關(guān)系數(shù)
3.5.5泊松分布
3.5.6L1和L2正則化
3.5.7閔氏距離、歐氏距離、曼哈頓距離
和切比雪夫距離
3.6習題
3.7主要參考文獻及推薦閱讀書目
第4章分類分析
4.1應(yīng)用場景
4.2算法原理
4.1.1KNN
4.1.2貝葉斯分類
4.1.3支持向量機
4.1.4邏輯回歸
4.3核心術(shù)語
4.3.1偏差和方差之間的權(quán)衡
4.3.2學(xué)習曲線
4.3.3混淆矩陣
4.3.4ROC曲線與AUC面積
4.3.5貝葉斯理論
4.3.6核函數(shù)及核技巧
4.4Python編程實踐病例自動診斷
分析
4.4.1使用KNN算法實現(xiàn)
4.4.2使用貝葉斯分類算法實現(xiàn)
4.4.3使用SVM算法實現(xiàn)
4.4.4使用邏輯回歸算法實現(xiàn)
4.5重點與難點解讀
4.5.1參數(shù)解讀KNN、貝葉斯分類、
SVM和邏輯回歸算法
4.5.2數(shù)據(jù)標準化處理
4.5.3混淆矩陣及分類算法的評價指標
4.5.4最大似然估計
4.5.5判別模型與生成模型
4.5.6類別不平衡問題
4.5.7KD Tree與Ball Tree
4.5.8GridSearchCV及其原理
4.5.9GaussianNB、MultinomialNB和
BernoulliNB的區(qū)別
4.5.10LabelEncoder及其原理
4.6習題
4.7主要參考文獻及推薦閱讀書目
第5章聚類分析
5.1應(yīng)用場景
5.2算法原理
5.2.1kmeans算法
5.2.2聚類效果的評價
5.3核心術(shù)語
5.4Python編程實踐蛋白質(zhì)消費特征
分析
5.4.1業(yè)務(wù)理解
5.4.2數(shù)據(jù)讀入
5.4.3數(shù)據(jù)理解
5.4.4數(shù)據(jù)準備
5.4.5模型訓(xùn)練
5.4.6模型評價
5.4.7模型調(diào)參
5.4.8模型預(yù)測
5.5重點與難點解讀
5.5.1參數(shù)解讀kmeans算法
5.5.2kmeans 方法
5.5.3elkan方法
5.6習題
5.7主要參考文獻及推薦閱讀書目
第6章集成學(xué)習
6.1應(yīng)用場景
6.2算法原理
6.2.1隨機森林
6.2.2XGBoost
6.3核心術(shù)語
6.4Python編程實踐房屋價格預(yù)測
分析
6.4.1使用隨機森林算法實現(xiàn)
6.4.2使用XGBoost實現(xiàn)
6.5重點與難點解讀
6.5.1參數(shù)解讀隨機森林和
XGBoost
6.5.2純度最大化
6.5.3數(shù)據(jù)標準化
6.5.4泰勒展開式
6.5.5集成學(xué)習中幾個注意事項
6.6習題
6.7主要參考文獻及推薦閱讀書目
第7章自然語言處理
7.1應(yīng)用場景
7.2算法原理
7.2.1中文分詞
7.2.2詞袋模型
7.2.3Ngrams模型
7.2.4TFIDF算法
7.2.5文本規(guī)范化
7.2.6詞性標注
7.3核心術(shù)語
7.4Python編程實踐2021年政府工作
報告分析
7.4.1業(yè)務(wù)理解
7.4.2數(shù)據(jù)讀入
7.4.3分詞處理
7.4.4添加自定義詞匯
7.4.5詞性標注
7.4.6停用詞處理
7.4.7詞性分布分析
7.4.8高頻詞分析
7.4.9關(guān)鍵詞抽取
7.4.10繪制詞云圖
7.5重點與難點解讀
7.5.1NLTK的詞性標注
7.5.2NLTK的功能模塊
7.6習題
7.7主要參考文獻及推薦閱讀書目
第8章圖像處理
8.1應(yīng)用場景
8.2算法原理
8.2.1建模階段
8.2.2檢測階段
8.3核心術(shù)語
8.4Python編程實踐人臉檢測分析
8.4.1安裝并導(dǎo)入OpenCVpython包
8.4.2讀取圖像文件
8.4.3將RGB圖像轉(zhuǎn)換為灰度圖
8.4.4人臉檢測與矩陣標識
8.4.5圖像顯示
8.4.6圖像保存
8.5重點與難點解讀
8.5.1參數(shù)解讀OpenCV
8.5.2AdaBoost算法
8.5.3基于OpenCV和CNN的圖像處理
的對比
8.5.4Haar特征和LBP特征的
對比分析
8.5.5AdaBoost算法和XGboost算法的
主要區(qū)別
8.6習題
8.7主要參考文獻及推薦閱讀書目
第9章深度學(xué)習
9.1應(yīng)用場景
9.2算法原理
9.2.1全連接神經(jīng)網(wǎng)絡(luò)及其缺點
9.2.2全連接神經(jīng)網(wǎng)絡(luò)的改進及卷積
神經(jīng)網(wǎng)絡(luò)的提出
9.2.3卷積神經(jīng)網(wǎng)絡(luò)的基本思路
9.2.4CNN的整體流程
9.3核心術(shù)語
9.4Python編程實踐手寫數(shù)字識別
分析
9.4.1業(yè)務(wù)理解
9.4.2數(shù)據(jù)讀入及理解
9.4.3數(shù)據(jù)準備
9.4.4數(shù)據(jù)理解
9.4.5定義CNN的學(xué)習框架
9.4.6執(zhí)行CNN學(xué)習及模型訓(xùn)練
9.4.7模型評價
9.4.8模型預(yù)測
9.5重點與難點解讀
9.5.1參數(shù)解讀CNN算法
9.5.2機器學(xué)習中的性能與可解釋性
的矛盾
9.5.3隨機梯度下降及學(xué)習率
9.5.4Onehot encoding
9.5.5端到端的學(xué)習
9.5.6CNN與其他深度學(xué)習方法的區(qū)別
及聯(lián)系
9.5.7CNN算法設(shè)置超參數(shù)的
經(jīng)驗法則
9.6習題
9.7主要參考文獻及推薦閱讀書目
附錄習題參考答案

你還可能感興趣

我要評論