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
數據科學入門(第2版) 版權信息
- ISBN：9787115552761
- 條形碼：9787115552761 ; 978-7-115-55276-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據科學入門(第2版) 本書特色
1.全能數據科學家成長指南，長居美亞機器學習熱銷榜； 2.新版基于Python 3.6，新引入了類型注釋等許多功能； 3.根據數據科學近幾年的發展，新增了關于深度學習、統計學和自然語言處理等主題，讓圖書內容與時俱進。- 學到一堂Python速成課。 - 學習線性代數、統計學和概率論的基礎知識，并能將其靈活地用于數據科學項目。 - 掌握如何獲取、探索、清洗、處理和調整數據。 - 深入理解機器學習概念，尤其是深度學習概念。 - 運用k*近鄰法、樸素貝葉斯、線性回歸、邏輯回歸、決策樹、神經網絡和聚類等算法實現數據模型。 - 探索自然語言處理、網絡分析、推薦系統、數據庫與SQL、MapReduce。無論你身處哪個行業，數據都能成為你的好幫手。善于從凌亂的數據中提取有用的信息，你就能在面對業務難題時游刃有余，用數據說話，為決策找到有力的支撐。歡迎進入數據科學世界！在本書中，你將化身為虛構公司DataSciencester的員工，從零開始數據科學工作，親手構建工具、實現算法，*終從數據科學新手蛻變為全能的數據科學家。在第1版的基礎上，本書升級了所有代碼示例，并新增了深度學習、統計學、自然語言處理等相關內容。
數據科學入門(第2版) 內容簡介
本書基于Python語言環境，從零開始講解數據科學工作，講述數據科學工作所需的技能與訣竅，并帶領讀者熟悉數據科學的核心知識：數學與統計學。作者借助大量具有現實意義的實例詳細展示了什么是數據科學，介紹了從事數據科學工作需要用到的庫，如NumPy、scikit-learn、pandas等，還在每章末尾推薦了很多學習資源，幫助你進一步鞏固本書所學。新版基于Python 3.6，重寫了所有示例和代碼，并根據數據科學近幾年的發展，新增了關于深度學習、統計學和自然語言處理等主題，讓圖書內容與時俱進。
數據科學入門(第2版) 目錄
第 2版前言 xiii
第 1版前言 xvii
第 1章 導論 1
1．1 數據的崛起 1
1．2 什么是數據科學 1
1．3 激勵假設：DataSciencester 2
1．3．1 尋找關鍵聯系人 3
1．3．2 你可能知道的數據科學家 5
1．3．3 工資和工作年限 8
1．3．4 付費賬戶 10
1．3．5 感興趣的主題 10
1．3．6 展望 12
第 2章 Python速成 13
2．1 Python之禪 13
2．2 獲取Python 14
2．3 虛擬環境 14
2．4 空白格式 15
2．5 模塊 16
2．6 函數 17
2．7 字符串 18
2．8 異常 19
2．9 列表 19
2．10 元組 21
2．11 字典 22
2．12 計數器 24
2．13 集 24
2．14 控制流 25
2．15 真和假 26
2．16 排序 27
2．17 列表解析 27
2．18 自動化測試和斷言 28
2．19 面向對象編程 29
2．20 迭代器和生成器 31
2．21 隨機性 ．．32
2．22 正則表達式 33
2．23 函數式編程 34
2．24 壓縮和參數拆分 34
2．25 args和kwargs 35
2．26 類型注釋 36
2．27 歡迎來到DataSciencester 39
2．28 進一步探索 39
第3章 數據可視化 40
3．1 matplotlib 40
3．2 條形圖 42
3．3 線圖 45
3．4 散點圖 46
3．5 延伸學習 48
第4章 線性代數 49
4．1 向量 49
4．2 矩陣 53
4．3 延伸學習 56
第5章 統計學 57
5．1 描述單個數據集 57
5．1．1 中心傾向 59
5．1．2 離散度 61
5．2 相關 62
5．3 辛普森悖論 64
5．4 相關系數的其他注意事項 65
5．5 相關與因果 66
5．6 延伸學習 66
第6章 概率 68
6．1 依賴和獨立 68
6．2 條件概率 69
6．3 貝葉斯定理 71
6．4 隨機變量 72
6．5 連續分布 72
6．6 正態分布 73
6．7 中心極限定理 76
6．8 延伸學習 78
第7章 假設和推論 79
7．1 統計假設檢驗 79
7．2 實例：擲硬幣 79
7．3 p值 82
7．4 置信區間 84
7．5 p-Hacking 84
7．6 實例：運行A/B 測試 85
7．7 貝葉斯推斷 86
7．8 延伸學習 89
第8章 梯度下降 90
8．1 梯度下降的思想 90
8．2 估算梯度 91
8．3 使用梯度 94
8．4 選擇正確步長 94
8．5 使用梯度下降擬合模型 95
8．6 小批次梯度下降和隨機梯度下降 96
8．7 延伸學習 98
第9章 獲取數據 99
9．1 stdin和stdout 99
9．2 讀取文件 101
9．2．1 文本文件的基礎 101
9．2．2 限制的文件 102
9．3 網絡抓取 104
9．4 使用API 106
9．4．1 JSON和XML 106
9．4．2 使用無驗證的API 107
9．4．3 尋找API 108
9．5 實例：使用Twitter API 109
9．6 延伸學習 112
第 10章 數據工作 113
10．1 探索數據 113
10．1．1 探索一維數據 113
10．1．2 兩個維度 115
10．1．3 多維數據 116
10．2 使用NamedTuple 18
10．3 數據類 119
10．4 清洗和修改 120
10．5 數據處理 122
10．6 數據調整 25
10．7 題外話：tqdm 126
10．8 降維 127
10．9 延伸學習 133
第 11章 機器學習 134
11．1 建模 134
11．2 什么是機器學習 135
11．3 過擬合與欠擬合 135
11．4 正確性 138
11．5 偏差–方差權衡 140
11．6 特征提取與選擇 141
11．7 延伸學習 142
第 12章 k*近鄰法 143
12．1 模型 143
12．2 實例：鳶尾花數據集 145
12．3 維數災難 148
12．4 進一步探索 152
第 13章 樸素貝葉斯算法 153
13．1 一個簡易的垃圾郵件過濾器 153
13．2 一個復雜的垃圾郵件過濾器 154
13．3 算法實現 155
13．4 測試模型 157
13．5 使用模型 158
13．6 延伸學習 161
第 14章 簡單線性回歸 162
14．1 模型 162
14．2 使用梯度下降法 165
14．3 *大似然估計 166
14．4 延伸學習 166
第 15章 多元回歸 167
15．1 模型 167
15．2 *小二乘模型的進一步假設 168
15．3 擬合模型 169
15．4 解釋模型 171
15．5 擬合優度 171
15．6 題外話：Bootstrap 172
15．7 回歸系數的標準誤差 173
15．8 正則化 175
15．9 延伸學習 177
第 16章 邏輯回歸 178
16．1 問題 178
16．2 logistic函數 180
16．3 應用模型 183
16．4 擬合優度 184
16．5 支持向量機 185
16．6 延伸學習 188
第 17章 決策樹 89
17．1 什么是決策樹 189
17．2 熵 191
17．3 分割的熵 193
17．4 創建決策樹 194
17．5 綜合運用 196
17．6 隨機森林 199
17．7 延伸學習 199
第 18章 神經網絡 200
18．1 感知器 200
18．2 前饋神經網絡 202
18．3 反向傳播 205
18．4 實例：Fizz Buzz 207
18．5 延伸學習 210
第 19章 深度學習 211
19．1 張量 211
19．2 層抽象 213
19．3 線性層 215
19．4 把神經網絡作為層序列 218
19．5 損失函數與優化器 219
19．6 實例：重新設計異或網絡 221
19．7 其他激活函數 222
19．8 實例：重新解決Fizz Buzz問題 223
19．9 softmax函數和交叉熵 224
19．10 丟棄 227
19．11 實例：MNIST 227
19．12 保存和加載模型 231
19．13 延伸學習 232
第 20章 聚類分析 233
20．1 原理 233
20．2 模型 234
20．3 實例：聚會 236
20．4 選擇聚類數目k 238
20．5 實例：色彩聚類 239
20．6 自下而上的分層聚類 241
20．7 延伸學習 246
第 21章 自然語言處理 247
21．1 詞云 247
21．2 n-gram 語言模型 249
21．3 語法 252
21．4 題外話：吉布斯采樣 254
21．5 主題建模 255
21．6 詞向量 260
21．7 遞歸神經網絡 268
21．8 實例：使用字符級RNN 271
21．9 延伸學習 274
第 22章 網絡分析 275
22．1 中介中心性 275
22．2 特征向量中心性 280
22．2．1 矩陣乘法 280
22．2．2 中心性 282
22．3 有向圖與PageRank 283
22．4 延伸學習 286
第 23章 推薦系統 287
23．1 人工管理 288
23．2 推薦流行事務 288
23．3 基于用戶的協同過濾 289
23．4 基于項目的協同過濾 292
23．5 矩陣分解 294
23．6 延伸學習 298
第 24章 數據庫與SQL 299
24．1 CREATE TABLE與INSERT 299
24．2 UPDATE 302
24．3 DELETE 303
24．4 SELECT 304
24．5 GROUP BY 306
24．6 ORDER BY 308
24．7 JOIN 309
24．8 子查詢 311
24．9 索引 312
24．10 查詢優化 312
24．11 NoSQL 313
24．12 延伸學習 313
第 25章 MapReduce 314
25．1 實例：單詞計數 315
25．2 為什么是MapReduce 316
25．3 更一般化的MapReduce 317
25．4 實例：狀態分析更新 318
25．5 實例：矩陣乘法 320
25．6 題外話：組合器 321
25．7 延伸學習 322
第 26章 數據倫理 323
26．1 什么是數據倫理 323
26．2 講真的，什么是數據倫理 324
26．3 是否應該關注數據倫理 324
26．4 建立不良數據產品 325
26．5 精確與公平之間的較量 325
26．6 合作 327
26．7 可解釋性 327
26．8 推薦 327
26．9 異常數據 328
26．10 數據保護 329
26．11 小結 329
26．12 延伸學習 329
第 27章 數據科學前瞻 330
27．1 IPython 330
27．2 數學 331
27．3 不從零開始 331
27．3．1 NumPy 331
27．3．2 pandas 331
27．3．3 scikit-learn 331
27．3．4 可視化 332
27．3．5 R 332
27．3．6 深度學習 332
27．4 尋找數據 333
27．5 從事數據科學工作 333
27．5．1 Hacker News 333
27．5．2 消防車 333
27．5．3 T恤 334
27．5．4 地球儀上的推文 334
27．5．5 你的發現 335
關于作者 336
關于封面 336
第 1版前言 xvii
第 1章 導論 1
1．1 數據的崛起 1
1．2 什么是數據科學 1
1．3 激勵假設：DataSciencester 2
1．3．1 尋找關鍵聯系人 3
1．3．2 你可能知道的數據科學家 5
1．3．3 工資和工作年限 8
1．3．4 付費賬戶 10
1．3．5 感興趣的主題 10
1．3．6 展望 12
第 2章 Python速成 13
2．1 Python之禪 13
2．2 獲取Python 14
2．3 虛擬環境 14
2．4 空白格式 15
2．5 模塊 16
2．6 函數 17
2．7 字符串 18
2．8 異常 19
2．9 列表 19
2．10 元組 21
2．11 字典 22
2．12 計數器 24
2．13 集 24
2．14 控制流 25
2．15 真和假 26
2．16 排序 27
2．17 列表解析 27
2．18 自動化測試和斷言 28
2．19 面向對象編程 29
2．20 迭代器和生成器 31
2．21 隨機性 ．．32
2．22 正則表達式 33
2．23 函數式編程 34
2．24 壓縮和參數拆分 34
2．25 args和kwargs 35
2．26 類型注釋 36
2．27 歡迎來到DataSciencester 39
2．28 進一步探索 39
第3章 數據可視化 40
3．1 matplotlib 40
3．2 條形圖 42
3．3 線圖 45
3．4 散點圖 46
3．5 延伸學習 48
第4章 線性代數 49
4．1 向量 49
4．2 矩陣 53
4．3 延伸學習 56
第5章 統計學 57
5．1 描述單個數據集 57
5．1．1 中心傾向 59
5．1．2 離散度 61
5．2 相關 62
5．3 辛普森悖論 64
5．4 相關系數的其他注意事項 65
5．5 相關與因果 66
5．6 延伸學習 66
第6章 概率 68
6．1 依賴和獨立 68
6．2 條件概率 69
6．3 貝葉斯定理 71
6．4 隨機變量 72
6．5 連續分布 72
6．6 正態分布 73
6．7 中心極限定理 76
6．8 延伸學習 78
第7章 假設和推論 79
7．1 統計假設檢驗 79
7．2 實例：擲硬幣 79
7．3 p值 82
7．4 置信區間 84
7．5 p-Hacking 84
7．6 實例：運行A/B 測試 85
7．7 貝葉斯推斷 86
7．8 延伸學習 89
第8章 梯度下降 90
8．1 梯度下降的思想 90
8．2 估算梯度 91
8．3 使用梯度 94
8．4 選擇正確步長 94
8．5 使用梯度下降擬合模型 95
8．6 小批次梯度下降和隨機梯度下降 96
8．7 延伸學習 98
第9章 獲取數據 99
9．1 stdin和stdout 99
9．2 讀取文件 101
9．2．1 文本文件的基礎 101
9．2．2 限制的文件 102
9．3 網絡抓取 104
9．4 使用API 106
9．4．1 JSON和XML 106
9．4．2 使用無驗證的API 107
9．4．3 尋找API 108
9．5 實例：使用Twitter API 109
9．6 延伸學習 112
第 10章 數據工作 113
10．1 探索數據 113
10．1．1 探索一維數據 113
10．1．2 兩個維度 115
10．1．3 多維數據 116
10．2 使用NamedTuple 18
10．3 數據類 119
10．4 清洗和修改 120
10．5 數據處理 122
10．6 數據調整 25
10．7 題外話：tqdm 126
10．8 降維 127
10．9 延伸學習 133
第 11章 機器學習 134
11．1 建模 134
11．2 什么是機器學習 135
11．3 過擬合與欠擬合 135
11．4 正確性 138
11．5 偏差–方差權衡 140
11．6 特征提取與選擇 141
11．7 延伸學習 142
第 12章 k*近鄰法 143
12．1 模型 143
12．2 實例：鳶尾花數據集 145
12．3 維數災難 148
12．4 進一步探索 152
第 13章 樸素貝葉斯算法 153
13．1 一個簡易的垃圾郵件過濾器 153
13．2 一個復雜的垃圾郵件過濾器 154
13．3 算法實現 155
13．4 測試模型 157
13．5 使用模型 158
13．6 延伸學習 161
第 14章 簡單線性回歸 162
14．1 模型 162
14．2 使用梯度下降法 165
14．3 *大似然估計 166
14．4 延伸學習 166
第 15章 多元回歸 167
15．1 模型 167
15．2 *小二乘模型的進一步假設 168
15．3 擬合模型 169
15．4 解釋模型 171
15．5 擬合優度 171
15．6 題外話：Bootstrap 172
15．7 回歸系數的標準誤差 173
15．8 正則化 175
15．9 延伸學習 177
第 16章 邏輯回歸 178
16．1 問題 178
16．2 logistic函數 180
16．3 應用模型 183
16．4 擬合優度 184
16．5 支持向量機 185
16．6 延伸學習 188
第 17章 決策樹 89
17．1 什么是決策樹 189
17．2 熵 191
17．3 分割的熵 193
17．4 創建決策樹 194
17．5 綜合運用 196
17．6 隨機森林 199
17．7 延伸學習 199
第 18章 神經網絡 200
18．1 感知器 200
18．2 前饋神經網絡 202
18．3 反向傳播 205
18．4 實例：Fizz Buzz 207
18．5 延伸學習 210
第 19章 深度學習 211
19．1 張量 211
19．2 層抽象 213
19．3 線性層 215
19．4 把神經網絡作為層序列 218
19．5 損失函數與優化器 219
19．6 實例：重新設計異或網絡 221
19．7 其他激活函數 222
19．8 實例：重新解決Fizz Buzz問題 223
19．9 softmax函數和交叉熵 224
19．10 丟棄 227
19．11 實例：MNIST 227
19．12 保存和加載模型 231
19．13 延伸學習 232
第 20章 聚類分析 233
20．1 原理 233
20．2 模型 234
20．3 實例：聚會 236
20．4 選擇聚類數目k 238
20．5 實例：色彩聚類 239
20．6 自下而上的分層聚類 241
20．7 延伸學習 246
第 21章 自然語言處理 247
21．1 詞云 247
21．2 n-gram 語言模型 249
21．3 語法 252
21．4 題外話：吉布斯采樣 254
21．5 主題建模 255
21．6 詞向量 260
21．7 遞歸神經網絡 268
21．8 實例：使用字符級RNN 271
21．9 延伸學習 274
第 22章 網絡分析 275
22．1 中介中心性 275
22．2 特征向量中心性 280
22．2．1 矩陣乘法 280
22．2．2 中心性 282
22．3 有向圖與PageRank 283
22．4 延伸學習 286
第 23章 推薦系統 287
23．1 人工管理 288
23．2 推薦流行事務 288
23．3 基于用戶的協同過濾 289
23．4 基于項目的協同過濾 292
23．5 矩陣分解 294
23．6 延伸學習 298
第 24章 數據庫與SQL 299
24．1 CREATE TABLE與INSERT 299
24．2 UPDATE 302
24．3 DELETE 303
24．4 SELECT 304
24．5 GROUP BY 306
24．6 ORDER BY 308
24．7 JOIN 309
24．8 子查詢 311
24．9 索引 312
24．10 查詢優化 312
24．11 NoSQL 313
24．12 延伸學習 313
第 25章 MapReduce 314
25．1 實例：單詞計數 315
25．2 為什么是MapReduce 316
25．3 更一般化的MapReduce 317
25．4 實例：狀態分析更新 318
25．5 實例：矩陣乘法 320
25．6 題外話：組合器 321
25．7 延伸學習 322
第 26章 數據倫理 323
26．1 什么是數據倫理 323
26．2 講真的，什么是數據倫理 324
26．3 是否應該關注數據倫理 324
26．4 建立不良數據產品 325
26．5 精確與公平之間的較量 325
26．6 合作 327
26．7 可解釋性 327
26．8 推薦 327
26．9 異常數據 328
26．10 數據保護 329
26．11 小結 329
26．12 延伸學習 329
第 27章 數據科學前瞻 330
27．1 IPython 330
27．2 數學 331
27．3 不從零開始 331
27．3．1 NumPy 331
27．3．2 pandas 331
27．3．3 scikit-learn 331
27．3．4 可視化 332
27．3．5 R 332
27．3．6 深度學習 332
27．4 尋找數據 333
27．5 從事數據科學工作 333
27．5．1 Hacker News 333
27．5．2 消防車 333
27．5．3 T恤 334
27．5．4 地球儀上的推文 334
27．5．5 你的發現 335
關于作者 336
關于封面 336
展開全部
數據科學入門(第2版) 作者簡介
喬爾·格魯斯（Joel Grus） Capital Group公司的首席機器學習工程師，擔任過艾倫研究所的人工智能研發工程師以及谷歌公司的軟件工程師，還曾在多家創業公司擔任數據科學家。【譯者簡介】 岳冰 美國西北大學數學碩士，知乎專欄“X-Lab”編輯，參與編撰了《知識圖譜標準化白皮書（2019版）》。深耕圖神經網絡、推薦算法、復雜關系網絡風險挖掘、機器學習等領域。運用人工智能算法與工具，長期支持有關部門用高精尖技術手段打擊違法犯罪。高蓉 講師，任教于杭州電子科技大學經濟學院金融系。博士和碩士畢業于南開大學經濟學院金融系，本科畢業于南開大學數學學院計算數學專業。研究領域包括數據科學應用、資產定價、金融工程、計量經濟應用等。韓波 自由譯者、撰稿人，從事信息技術工作二十余年，主要興趣領域為機器學習、Python等。曾為多家信息技術媒體撰稿，另譯有《Python數據分析》。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
月亮虎
- >
苦雨齋序跋文-周作人自編集
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
伊索寓言-世界文學名著典藏-全譯本
- >
名家帶你讀魯迅:故事新編
- >
名家帶你讀魯迅:朝花夕拾
- >
月亮與六便士
本類暢銷
