掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
數據科學實用算法 版權信息
- ISBN：9787302531104
- 條形碼：9787302531104 ; 978-7-302-53110-4
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據科學實用算法 本書特色
《數據科學實用算法》分為三部分。第I部分“數據約簡”首先討論數據約簡和數據映射等概念，然后講述關聯統計、可擴展算法和分布式計算等基礎知識。第II部分“從數據中提取信息”呈現線性回歸、數據可視化和聚類分析等主題，用一章的篇幅介紹醫療分析的關鍵領域。第III部分“預測分析”通過開發兩個基本且廣泛使用的預測函數(k近鄰和樸素貝葉斯)向讀者介紹預測分析技術，用一章的篇幅專門論述預報，*后一章重點介紹數據流。
數據科學實用算法 內容簡介
《數據科學實用算法》將重點講述數據分析的基石——算法。要成為一名數據分析專家，你必須了解算法原理，否則會產生挫敗感、進入死胡同、浪費時間以及失敗。本書將基本原理、算法和數據融為一體，提供大量Python和R代碼，執行真實的數據分析，幫助你熟練編寫程序，處理富有挑戰性的數據。在學習過程中，你將沉浸在Python中，深入了解數據科學的基本算法和方法，獲得根據新問題改編算法和進行創新分析的能力。
《數據科學實用算法》面向數學、統計學和計算機科學專業的高年級本科生和研究生，可用作一學期或兩學期的數據分析課本。先修科目要求不高，學過一兩門概率論或統計學課程、接觸過向量和矩陣、學過編程課程的學生不會遇到任何困難。每章結尾處通常進行擴展，介紹數據科學從業者感興趣的創新內容，提供不同難度的練習。本書也非常適合自學，可作為從業人員的參考書籍。
數據科學實用算法 目錄
第I部分 數據約簡
第1 章 數據科學概述 3
1.1 什么是數據科學？ 3
1.2 美國的糖尿病數據 5
1.3 《聯邦黨人文集》的作者數據 6
1.4 預測納斯達克股價 8
1.5 述評 9
1.6 關于本書 10
1.7 算法 12
1.8 Python語言 13
1.9 R語言 13
1.10 術語和符號 14
1.11 本書網站 16
第2 章 數據映射和數據字典 17
2.1 數據約簡 17
2.2 政治捐款 18
2.3 字典 19
2.4 教程：大金主 20
2.5 數據約簡 24
2.5.1 符號和術語 24
2.5.2 政治捐款示例 25
2.5.3 映射 26
2.6 教程：選舉周期捐款 27
2.7 相似度度量 33
2.8 教程：計算相似度 37
2.9 關于字典的總結性述評 41
2.10 練習 41
2.10.1 概念練習 41
2.10.2 計算練習 42
第3 章 可擴展算法和聯合統計 45
3.1 引言 45
3.2 示例：美國的肥胖癥數據 46
3.3 關聯統計數據 47
3.4 單變量觀測 48
3.4.1 直方圖 50
3.4.2 直方圖的構建 51
3.5 函數 52
3.6 教程：直方圖的構建 53
3.7 多變量數據 65
3.7.1 符號和術語 65
3.7.2 估計量 66
3.7.3 增廣“矩”矩陣 69
3.7.4 述評 70
3.8 教程：計算相關矩陣 70
3.9 線性回歸簡介 77
3.9.1 線性回歸模型 77
3.9.2 β的估計值 78
3.9.3 準確性評估 81
3.9.4 計算 82
3.10 教程：計算 83
3.11 練習 89
3.11.1 概念練習 89
3.12.2 計算練習 90
第4 章 Hadoop和MapReduce 93
4.1 引言 93
4.2 Hadoop生態系統 94
4.2.1 Hadoop分布式文件系統 94
4.2.2 MapReduce 95
4.2.3 映射 96
4.2.4 約簡 97
4.3 開發Hadoop應用程序 98
4.4 醫療保險支付 98
4.5 命令行環境 99
4.6 教程：編程實現MapReduce算法 100
4.6.1 映射器 102
4.6.2 約簡器 105
4.6.3 概要 108
4.7 教程：使用亞馬遜網絡服務 109
4.8 練習 113
4.8.1 概念練習 113
4.8.2 計算練習 113
第II部分 從數據中提取信息
第5 章 數據可視化 117
5.1 引言 117
5.2 數據可視化的原則 118
5.3 做出正確選擇 121
5.3.1 單變量數據 122
5.3.2 雙變量和多變量數據 125
5.4 利用好這臺機器 132
5.4.1 繪制圖5.2 134
5.4.2 繪制圖5.3 135
5.4.3 繪制圖5.4 136
5.4.4 繪制圖5.5 136
5.4.5 繪制圖5.8 138
5.4.6 繪制圖5.10 139
5.4.7 繪制圖5.11 140
5.5 練習 141 第6 章 線性回歸方法 143
6.1 引言 143
6.2 線性回歸模型 144
6.2.1 示例：抑郁癥、宿命論和簡單化 145
6.2.2 *小二乘法 147
6.2.3 置信區間 149
6.2.4 分布條件 150
6.2.5 假設檢驗 151
6.2.6 警示語 154
6.3 R語言簡介 155
6.4 教程：R語言 156
6.5 教程：大數據集和R語言 159
6.6 因子 164
6.6.1 交互 166
6.6.2 擴展平方和F檢驗 168
6.7 教程：共享單車 171
6.8 殘差分析 175
6.8.1 線性 176
6.8.2 示例：共享單車問題 177
6.8.3 獨立性 179
6.9 教程：殘差分析 182
6.10 練習 185
6.10.1 概念練習 185
6.10.2 計算練習 185
第7 章 醫療分析 189
7.1 引言 189
7.2 行為風險因素監測系統 190
7.2.1 患病率的估計 192
7.2.2 發病率的估計 193
7.3 教程：糖尿病的患病率和發病率 194
7.4 預測具有患病風險的個人 203
7.5 教程：確認具有患病風險的個體 208
7.6 非尋常的人口特征 213
7.7 教程：構建近鄰集合 215
7.8 練習 219
7.8.1 概念練習 219
7.8.2 計算練習 220
第8 章 聚類分析 223
8.1 引言 223
8.2 凝聚層次聚類 224
8.3 各州間的對比 225
8.4 教程：各州的層次聚類 228
8.5 k均值算法 235
8.6 教程：k均值算法 236
8.7 練習 242
8.7.1 概念練習 242
8.7.2 計算練習 242
第III部分 預測分析
第9 章 k近鄰預測函數 247
9.1 引言 247
9.2 符號和術語 249
9.3 距離度量 251
9.4 k近鄰預測函數 252
9.5 指數加權k近鄰 253
9.6 教程：數字識別 255
9.7 準確性估計 262
9.8 k近鄰回歸 264
9.9 預測標準普爾500指數 265
9.10 教程：利用模式回歸進行預測 266
9.11 交叉驗證 273
9.12 練習 275
9.12.1 概念練習 275
9.12.2 計算練習 275 第10 章 多項式樸素貝葉斯預測函數 279
10.1 引言 279
10.2 聯邦黨人文集 280
10.3 多項式樸素貝葉斯預測函數 281
10.4 教程：約簡《聯邦黨人文集》 285
10.5 教程：預測有爭議的《聯邦黨人文集》的作者 291
10.6 教程：客戶細分 294
10.6.1 加法平滑 295
10.6.2 數據 296
10.6.3 述評 303
10.7 練習 303
10.7.1 概念練習 303
10.7.2 計算練習 304
第11 章 預報 307
11.1 引言 307
11.2 教程：處理時間 309
11.3 分析方法 313
11.3.1 符號 313
11.3.2 均值和方差的估計 313
11.3.3 指數預報 315
11.3.4 自相關 316
11.4 教程：計算 318
11.5 漂移和預報 322
11.6 Holt-Winters指數型預報 323
11.7 教程：Holt-Winters預報 326
11.8 基于回歸的股價預報 330
11.9 教程：基于回歸的預報 331
11.10 時變回歸預報器 336
11.11 教程：時變回歸預報器 337
11.12 練習 339
11.12.1 概念練習 339
11.12.2 計算練習 339 第12 章 實時分析 343
12.1 引言 343
12.2 用納斯達克報價數據流進行預報 344
12.3 教程：預報Apple公司信息流 346
12.4 Twitter信息流API 351
12.5 教程：訪問Twitter數據流 352
12.6 情感分析 357
12.7 教程：主題標簽分組的情感分析 358
12.8 練習 360
附錄 A 練習答案 363
附錄 B 使用Twitter API 377
參考文獻 379
第1 章 數據科學概述 3
1.1 什么是數據科學？ 3
1.2 美國的糖尿病數據 5
1.3 《聯邦黨人文集》的作者數據 6
1.4 預測納斯達克股價 8
1.5 述評 9
1.6 關于本書 10
1.7 算法 12
1.8 Python語言 13
1.9 R語言 13
1.10 術語和符號 14
1.11 本書網站 16
第2 章 數據映射和數據字典 17
2.1 數據約簡 17
2.2 政治捐款 18
2.3 字典 19
2.4 教程：大金主 20
2.5 數據約簡 24
2.5.1 符號和術語 24
2.5.2 政治捐款示例 25
2.5.3 映射 26
2.6 教程：選舉周期捐款 27
2.7 相似度度量 33
2.8 教程：計算相似度 37
2.9 關于字典的總結性述評 41
2.10 練習 41
2.10.1 概念練習 41
2.10.2 計算練習 42
第3 章 可擴展算法和聯合統計 45
3.1 引言 45
3.2 示例：美國的肥胖癥數據 46
3.3 關聯統計數據 47
3.4 單變量觀測 48
3.4.1 直方圖 50
3.4.2 直方圖的構建 51
3.5 函數 52
3.6 教程：直方圖的構建 53
3.7 多變量數據 65
3.7.1 符號和術語 65
3.7.2 估計量 66
3.7.3 增廣“矩”矩陣 69
3.7.4 述評 70
3.8 教程：計算相關矩陣 70
3.9 線性回歸簡介 77
3.9.1 線性回歸模型 77
3.9.2 β的估計值 78
3.9.3 準確性評估 81
3.9.4 計算 82
3.10 教程：計算 83
3.11 練習 89
3.11.1 概念練習 89
3.12.2 計算練習 90
第4 章 Hadoop和MapReduce 93
4.1 引言 93
4.2 Hadoop生態系統 94
4.2.1 Hadoop分布式文件系統 94
4.2.2 MapReduce 95
4.2.3 映射 96
4.2.4 約簡 97
4.3 開發Hadoop應用程序 98
4.4 醫療保險支付 98
4.5 命令行環境 99
4.6 教程：編程實現MapReduce算法 100
4.6.1 映射器 102
4.6.2 約簡器 105
4.6.3 概要 108
4.7 教程：使用亞馬遜網絡服務 109
4.8 練習 113
4.8.1 概念練習 113
4.8.2 計算練習 113
第II部分 從數據中提取信息
第5 章 數據可視化 117
5.1 引言 117
5.2 數據可視化的原則 118
5.3 做出正確選擇 121
5.3.1 單變量數據 122
5.3.2 雙變量和多變量數據 125
5.4 利用好這臺機器 132
5.4.1 繪制圖5.2 134
5.4.2 繪制圖5.3 135
5.4.3 繪制圖5.4 136
5.4.4 繪制圖5.5 136
5.4.5 繪制圖5.8 138
5.4.6 繪制圖5.10 139
5.4.7 繪制圖5.11 140
5.5 練習 141 第6 章 線性回歸方法 143
6.1 引言 143
6.2 線性回歸模型 144
6.2.1 示例：抑郁癥、宿命論和簡單化 145
6.2.2 *小二乘法 147
6.2.3 置信區間 149
6.2.4 分布條件 150
6.2.5 假設檢驗 151
6.2.6 警示語 154
6.3 R語言簡介 155
6.4 教程：R語言 156
6.5 教程：大數據集和R語言 159
6.6 因子 164
6.6.1 交互 166
6.6.2 擴展平方和F檢驗 168
6.7 教程：共享單車 171
6.8 殘差分析 175
6.8.1 線性 176
6.8.2 示例：共享單車問題 177
6.8.3 獨立性 179
6.9 教程：殘差分析 182
6.10 練習 185
6.10.1 概念練習 185
6.10.2 計算練習 185
第7 章 醫療分析 189
7.1 引言 189
7.2 行為風險因素監測系統 190
7.2.1 患病率的估計 192
7.2.2 發病率的估計 193
7.3 教程：糖尿病的患病率和發病率 194
7.4 預測具有患病風險的個人 203
7.5 教程：確認具有患病風險的個體 208
7.6 非尋常的人口特征 213
7.7 教程：構建近鄰集合 215
7.8 練習 219
7.8.1 概念練習 219
7.8.2 計算練習 220
第8 章 聚類分析 223
8.1 引言 223
8.2 凝聚層次聚類 224
8.3 各州間的對比 225
8.4 教程：各州的層次聚類 228
8.5 k均值算法 235
8.6 教程：k均值算法 236
8.7 練習 242
8.7.1 概念練習 242
8.7.2 計算練習 242
第III部分 預測分析
第9 章 k近鄰預測函數 247
9.1 引言 247
9.2 符號和術語 249
9.3 距離度量 251
9.4 k近鄰預測函數 252
9.5 指數加權k近鄰 253
9.6 教程：數字識別 255
9.7 準確性估計 262
9.8 k近鄰回歸 264
9.9 預測標準普爾500指數 265
9.10 教程：利用模式回歸進行預測 266
9.11 交叉驗證 273
9.12 練習 275
9.12.1 概念練習 275
9.12.2 計算練習 275 第10 章 多項式樸素貝葉斯預測函數 279
10.1 引言 279
10.2 聯邦黨人文集 280
10.3 多項式樸素貝葉斯預測函數 281
10.4 教程：約簡《聯邦黨人文集》 285
10.5 教程：預測有爭議的《聯邦黨人文集》的作者 291
10.6 教程：客戶細分 294
10.6.1 加法平滑 295
10.6.2 數據 296
10.6.3 述評 303
10.7 練習 303
10.7.1 概念練習 303
10.7.2 計算練習 304
第11 章 預報 307
11.1 引言 307
11.2 教程：處理時間 309
11.3 分析方法 313
11.3.1 符號 313
11.3.2 均值和方差的估計 313
11.3.3 指數預報 315
11.3.4 自相關 316
11.4 教程：計算 318
11.5 漂移和預報 322
11.6 Holt-Winters指數型預報 323
11.7 教程：Holt-Winters預報 326
11.8 基于回歸的股價預報 330
11.9 教程：基于回歸的預報 331
11.10 時變回歸預報器 336
11.11 教程：時變回歸預報器 337
11.12 練習 339
11.12.1 概念練習 339
11.12.2 計算練習 339 第12 章 實時分析 343
12.1 引言 343
12.2 用納斯達克報價數據流進行預報 344
12.3 教程：預報Apple公司信息流 346
12.4 Twitter信息流API 351
12.5 教程：訪問Twitter數據流 352
12.6 情感分析 357
12.7 教程：主題標簽分組的情感分析 358
12.8 練習 360
附錄 A 練習答案 363
附錄 B 使用Twitter API 377
參考文獻 379
展開全部
數據科學實用算法 作者簡介
Brian Steele是蒙大拿州立大學的數學教授，是SoftMath咨詢公司的資深數據科學家。 Steele博士發表過多篇關于EM算法、精確bagging、bootstrap和諸多統計應用的技術文章。Steele主要講授數據分析和統計課程，并為客戶提供與數據科學和統計有關的咨詢。
John Chandler自1999年以來一直從事最前沿的營銷和數據分析工作，曾幫助多家《財富》100強公司評價廣告效果，改善績效。Chandler博士從2015年開始在蒙大拿州立大學商學院擔任市場營銷教授，講授高級營銷分析和數據科學課程。Chandler也是Ars Quanta咨詢公司的創始人和首席數據科學家。
Swarna Reddy是蒙大拿州立大學數學系教授，也是SoftMath咨詢公司的創始人、首席執行官和資深數據科學家。Reddy專門研究計算數學和運籌學，曾發表過多篇論文，已開發出多個重大的生物信息學、網絡安全和商業分析方案。
書友推薦
- >
月亮虎
- >
隨園食單
- >
龍榆生：詞曲概論/大家小書
- >
我與地壇
- >
朝聞道
- >
姑媽的寶刀
- >
我從未如此眷戀人間
- >
上帝之肋:男人的真實旅程
本類暢銷
