新書推薦：
《
甲骨文丛书·中华早期帝国：秦汉史的重估
》
售價：NT$
1367.0
《
欲望与家庭小说
》
售價：NT$
449.0
《
惜华年（全两册）
》
售價：NT$
320.0
《
甲骨文丛书·古代中国的军事文化
》
售價：NT$
454.0
《
中国王朝内争实录（套装全4册）：从未见过的王朝内争编著史
》
售價：NT$
1112.0
《
半导体纳米器件：物理、技术和应用
》
售價：NT$
806.0
《
创客精选项目设计与制作 第2版 刘笑笑 颜志勇 严国陶
》
售價：NT$
281.0
《
佛山华家班粤菜传承 华家班59位大厨 102道粤菜 图文并茂 菜式制作视频 粤菜故事技法 佛山传统文化 广东科技
》
售價：NT$
1010.0
|
| 編輯推薦： |
本书首先介绍如何设置基本的数据科学工具箱，然后带你进入数据改写和预处理阶段，这一部分主要是阐明所有与核心数据科学活动相关的数据分析过程，如数据加载、转换、修复以及数据探索和处理等。*后，通过主要的机器学习算法、图形分析技术，以及所有易于表现结果的可视化工具，实现对数据科学的概述。
本书行文过程以数据科学项目为主体，辅以整洁的代码和简化的示例，能帮助你理解与项目相关的潜在原理和实际数据集。
通过阅读本书，你将学到：
使用Windows、Mac和Linux系统上的Python科学环境设置数据科学工具箱
为数据科学项目准备数据
为了解决数据科学问题，进行数据操作、修复和探索
建立实验流程来检验数据科学假设
为数据科学任务选择*有效和可扩展的学习算法
优化机器学习模型，以获得*佳性能
进行图的探索和聚集分析，充分利用数据中的联系和连接
|
| 內容簡介： |
|
本书首先介绍如何设置基本的数据科学工具箱，然后带你进入数据改写和预处理阶段，这一部分主要是阐明所有与核心数据科学活动相关的数据分析过程，如数据加载、转换、修复以及数据探索和处理等。最后，通过主要的机器学习算法、图形分析技术，以及所有易于表现结果的可视化工具，实现对数据科学的概述。
|
| 關於作者： |
Alberto
Boschetti 数据科学家、信号处理和统计学方面的专家。他拥有通信工程专业博士学位，现在伦敦居住和工作。基于所从事的项目，他每天都要面对包括自然语言处理、机器学习和概率图模型等方面的挑战。他对工作充满激情，经常参加学术聚会、研讨会等学术活动，紧跟数据科学技术发展的前沿。
Luca
Massaron 数据科学家、市场研究总监，是多元统计分析、机器学习和客户洞察方面的专家，有十年以上解决实际问题的经验，使用推理、统计、数据挖掘和算法为利益相关者创造了巨大的价值。他是意大利网络受众分析的先锋，并在Kaggler上获得排名前十的佳绩，随后一直热心参与一切与数据分析相关的活动，积极给新手和专业人员讲解数据驱动知识发现的潜力。他崇尚大道至简，坚信理解数据科学的本质能带来巨大收获。
|
| 目錄：
|
|
译者序前言第1章 新手上路11.1 数据科学与Python简介11.2 Python的安装21.2.1 Python 2还是Python 331.2.2 分步安装31.2.3 Python核心工具包一瞥41.2.4 工具包的安装71.2.5 工具包升级91.3 科学计算发行版91.3.1 Anaconda101.3.2 Enthought Canopy101.3.3 PythonXY101.3.4 WinPython101.4 IPython简介101.4.1 IPython Notebook121.4.2 本书使用的数据集和代码181.5 小结25第2章 数据改写262.1 数据科学过程262.2 使用pandas进行数据加载与预处理272.2.1 数据快捷加载272.2.2 处理问题数据302.2.3 处理大数据集322.2.4 访问其他数据格式362.2.5 数据预处理372.2.6 数据选择392.3 使用分类数据和文本数据412.4 使用NumPy进行数据处理492.4.1 NumPy中的N维数组492.4.2 NumPy ndarray对象基础502.5 创建NumPy数组502.5.1 从列表到一维数组502.5.2 控制内存大小512.5.3 异构列表522.5.4 从列表到多维数组532.5.5 改变数组大小542.5.6 利用NumPy函数生成数组562.5.7 直接从文件中获得数组572.5.8 从pandas提取数据572.6 NumPy快速操作和计算582.6.1 矩阵运算602.6.2 NumPy数组切片和索引612.6.3 NumPy数组堆叠632.7 小结65第3章 数据科学流程663.1 EDA简介663.2 特征创建703.3 维数约简723.3.1 协方差矩阵723.3.2 主成分分析733.3.3 一种用于大数据的PCA变型—Randomized PCA763.3.4 潜在因素分析773.3.5 线性判别分析773.3.6 潜在语义分析783.3.7 独立成分分析783.3.8 核主成分分析783.3.9 受限玻耳兹曼机803.4 异常检测和处理813.4.1 单变量异常检测823.4.2 EllipticEnvelope833.4.3 OneClassSVM873.5 评分函数903.5.1 多标号分类903.5.2 二值分类923.5.3 回归933.6 测试和验证933.7 交叉验证973.7.1 使用交叉验证迭代器993.7.2 采样和自举方法1003.8 超参数优化1023.8.1 建立自定义评分函数1043.8.2 减少网格搜索时间1063.9 特征选择1083.9.1 单变量选择1083.9.2 递归消除1103.9.3 稳定性选择与基于L1的选择1113.10 小结112第4章 机器学习1134.1 线性和逻辑回归1134.2 朴素贝叶斯1164.3 K近邻1184.4 高级非线性算法1194.4.1 基于SVM的分类算法1204.4.2 基于SVM的回归算法1224.4.3 调整SVM1234.5 组合策略1244.5.1 基于随机样本的粘合策略1254.5.2 基于弱组合的分袋策略1254.5.3 随机子空间和随机分片1264.5.4 模型序列—AdaBoost1274.5.5 梯度树提升1284.5.6 处理大数据1294.6 自然语言处理一瞥1364.6.1 词语分词1364.6.2 词干提取1374.6.3 词性标注1374.6.4 命名实体识别1384.6.5 停止词1394.6.6 一个完整的数据科学示例—文本分类1404.7 无监督学习概述1414.8 小结146第5章 社会网络分析1475.1 图论简介1475.2 图的算法1525.3 图的加载、输出和采样1575.4 小结160第6章 可视化1616.1 matplotlib基础介绍1616.1.1 曲线绘图1626.1.2 绘制分块图1636.1.3 散点图1646.1.4 直方图1656.1.5 柱状图1666.1.6 图像可视化1676.2 pandas的几个图形示例1696.2.1 箱线图与直方图1706.2.2 散点图1716.2.3 平行坐标1736.3 高级数据学习表示1746.3.1 学习曲线1746.3.2 验证曲线1766.3.3 特征重要性1776.3.4 GBT部分依赖关系图1796.4 小结180
|
| 內容試閱：
|
千里之行，始于足下。
老子（公元前604531年）数据科学属于相对较新的知识领域，它需要成功融合线性代数、统计建模、可视化、计算语言学、图形分析、机器学习、商业智能、数据存储和检索等众多学科。
Python编程语言在过去十年已经征服了科学界，它现在是数据科学实践者不可或缺的工具，也是每一个有抱负的数据科学家的必备工具。Python为数据分析、机器学习和算法问题求解提供了快速、可靠、跨平台、成熟的开发环境。无论之前数据科学应用中阻止你掌握Python的原因是什么，这些都将通过我们简单的分步化解和示例导向的方法来解决，我们将帮助你在演示数据集和实际数据集上使用最直接有效的Python工具。
借助你现有的Python语法和结构知识（不要担心，如果你需要获取更多的Python知识，我们有一些Python教程），本书将从介绍建立基本的数据科学工具箱开始。接着，它将引导你进入完整的数据改写和预处理阶段。我们还需要花一定量的时间来解释数据类型的转换、修复、探索和处理等核心活动。然后，我们将演示高级数据科学操作，建立变量和假设选择的实验流程，优化超参数，有效地使用交叉验证和测试。最后，我们将完成数据科学精要的概述，介绍主要的机器学习算法、图的分析技术和所有用于呈现结果的可视化方法。
在数据科学项目的具体演示过程中，永远都伴有清晰的代码和简化的例子，以帮助你理解项目背后的机制和实际数据集。本书也会给你一些经验提示，帮助你立即上手当前的项目。准备好了吗？相信你已经准备踏上这个漫长而又值得期待的旅程了。
本书内容第1章介绍所有必需的基础工具（用于交互计算的shell命令、库和数据集），使用Python可以立即开始数据科学分析。
第2章阐明如何加载要处理的数据，当数据太大计算机不能处理时要采用替代技术。本章介绍了所有主要的数据操作和转换技术。
第3章提供了高级数据探索和操作技术，使用复杂的数据操作进行特征创建和精简、数据异常检测、验证技术应用等。
第4章带你学习Scikit-learn库中最重要的学习算法，演示了实际应用以及为了获得每种机器学习技术的最佳结果，指出了应该重点检查的关键数值和要调试的参数。
第5章详细介绍了一些实用又有效的数据处理技术，用于处理表示社会实体之间的关系或相互作用的数据。
第6章利用图形化表示完善数据科学概述。如果你想形象地表示复杂的数据结构、机器学习过程和结果，这些可视化技术是不可或缺的。
阅读准备本书提到的Python及其他数据科学工具，从IPython到Scikit-learn都能在网上免费下载。要运行本书附带的源代码，需要一台带有Windows、Linux或Mac
OS操作系统的计算机。本书将分步介绍Python解释器以及运行示例所需要的其他工具和数据的安装过程。
读者对象本书基于你已经具备的一些核心技能，能使你变成高效的数据科学从业者。因此，我们假定你具有编程和统计学方面的基础知识。
本书提供的示例代码不需要你精通Python语言，但是假设你至少了解一些基础知识，如Python脚本编写、列表和字典数据结构、类对象的工作原理等。在阅读本书之前，花几个小时学习一下第1章推荐的网络课程，就可以快速获得这些知识，当然也可以学习其他相关教程。
本书并不需要高级数据科学的概念，我们提供的信息足够帮助你理解本书示例用到的核心概念。
总的来说，本书适合以下人员：
.有较少的Python编程经验和数据分析知识，但还没有数据科学算法等专业知识，有志于成为数据科学家的新手。
能熟练运用R和Matlab等工具进行统计建模、愿意利用Python进行数据科学处理的数据分析师。
有意学习数据操作和机器学习、不断拓展知识面的开发者和程序员。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
