新書推薦：
《
引导的秘诀：通过团队合作获得结果的SMART指南（最新修订版）（白金版）
》
售價：NT$
554.0
《
文史星历：秦汉史丛稿
》
售價：NT$
661.0
《
神灵衰落：祈雨与乾隆朝的信仰危机
》
售價：NT$
498.0
《
深度营销：成就营销领导力的12大原则（麦肯锡年度经管好书，12大原则揭秘营销本质，带好团队就是从领导力到影响力！）
》
售價：NT$
325.0
《
新质生产力：发展新动能
》
售價：NT$
493.0
《
状态比能力更重要：108个状态调整法
》
售價：NT$
308.0
《
中国上市公司担保行为的影响因素及其效应研究
》
售價：NT$
202.0
《
企业级数据架构：核心要素、架构模型、数据管理与平台搭建 李杨
》
售價：NT$
554.0
|
| 編輯推薦： |
（1）机器学习等AI技术驱动的智能数据分析是数据分析行业的未来发展方向，所有数据分析师都应该关注。
（2）作者从事数据分析与挖掘10余年，对Python等各种数据分析技术和工具都非常熟悉，在智能数据分析领域也积累了大量的经验。
（3）本书面向零Python基础和零AI基础的读者，精选了*精华的知识点，包含大量示例代码，指导读者快速入门。
|
| 內容簡介： |
内容简介
本书以Python相关技术为工具，讲解了如何基于机器学习等AI技术进行智能数据分析。
作者在Python数据挖掘与分析领域有10余年的工作经验，对AI技术驱动的智能数据分析有非常深入的研究。本书面向没有Python编程基础和AI技术基础的读者，由浅入深地提供了系统的Python智能数据分析的技术和方法。
全书共9章，从逻辑上可分为两个部分：
第壹部分：Python编程基础（1~4章）
这部分详细介绍了从事Python编程需要掌握的各种基础知识，包括开发环境的搭建与配置，以及各种语法和常见Python库的原理和使用方法。
第二部分：智能数据分析（第5~9章）
这部分对Python的数值分析库NumPy、数据处理库pandas、绘图库MatplotlibSeabornBokeh、机器学习与数据分析建模库scikit-lear等进行了详细地讲解，包含数据读取、数据预处理、模型构建、模型评价、结果可视化等整个数据分析的过程，能指导读者快速入门Python智能数据分析。
|
| 關於作者： |
作者介绍
李明江
大数据专家，贵州省计算机学会常务理事，黔南州大数据专家委员会委员，黔南州计算机学会会长，黔南州教育信息化建设专家库专家，黔南民族师范学院计算机与信息学院院长，全国高校大数据教育联盟理事。
主持过多项省厅级科研项目，并在《计算机应用研究》《科技通报》上发表多篇大数据分析与数据挖掘相关技术的研究论文，著有《数据挖掘的应用与实践：案例与探析》《计算机网络技术与应用》等著作。
张良均
大数据挖掘与分析专家、模式识别专家、AI技术专家。有10余年大数据挖掘与分析经验，擅长Python、R语言、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入的研究。作者介绍
李明江
大数据专家，贵州省计算机学会常务理事，黔南州大数据专家委员会委员，黔南州计算机学会会长，黔南州教育信息化建设专家库专家，黔南民族师范学院计算机与信息学院院长，全国高校大数据教育联盟理事。
主持过多项省厅级科研项目，并在《计算机应用研究》《科技通报》上发表多篇大数据分析与数据挖掘相关技术的研究论文，著有《数据挖掘的应用与实践：案例与探析》《计算机网络技术与应用》等著作。
张良均
大数据挖掘与分析专家、模式识别专家、AI技术专家。有10余年大数据挖掘与分析经验，擅长Python、R语言、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入的研究。
为电信、电力、政府、互联网、生产制造、零售、银行、生物、化工、医药等多个行业上百家大型企业提供过数据挖掘应用与咨询服务，实践经验非常丰富。是华南师范大学、中南财经政法大学、广东工业大学、西安理工大学、广西科技大学、重庆交通大学、桂林电子科技大学等校外硕导。
撰写了《Python数据分析与挖掘实战》《R语言数据分析与挖掘实战》《数据挖掘：实用案例分析》《Hadoop大数据分析与挖掘实战》等多部畅销书，累计销量近20万册。
|
| 目錄：
|
前言
第1章 Python概述1
1.1 Python语言介绍1
1.1.1 Python的发展史1
1.1.2 Python特性2
1.1.3 Python应用领域3
1.1.4 Python机器学习优势6
1.2 Python环境配置8
1.2.1 Python 2还是Python 38
1.2.2 Anaconda简介8
1.2.3 安装Anaconda 39
1.3 Python的解释器与IDE12
1.3.1 Python的解释器13
1.3.2 Python各IDE比较13
1.3.3 PyCharm的安装与使用16
1.3.4 Jupyter Notebook的使用26
小结32
课后习题33
第2章 Python基础知识34
2.1 固定语法34
2.1.1 声明与注释34
2.1.2 缩进与多行语句36
2.1.3 保留字符与赋值38
2.2 运算符40
2.2.1 算术运算符40
2.2.2 赋值运算符41
2.2.3 比较运算符43
2.2.4 逻辑运算符44
2.2.5 按位运算符44
2.2.6 身份运算符45
2.2.7 成员运算符46
2.2.8 运算符优先级47
2.3 数据类型48
2.3.1 基础数据类型48
2.3.2 复合数据类型55
2.4 Python IO63
2.4.1 input与print64
2.4.2 文件IO67
小结70
课后习题70
第3章 控制语句72
3.1 条件语句72
3.1.1 if、elif与else73
3.1.2 try、except与else76
3.2 循环语句80
3.2.1 for81
3.2.2 while83
3.2.3 break、continue与pass85
3.2.4 列表推导式89
小结91
课后习题91
第4章 函数与对象94
4.1 函数94
4.1.1 内置函数94
4.1.2 自定义函数101
4.1.3 匿名函数107
4.2 对象109
4.2.1 面向对象简介109
4.2.2 属性与方法110
4.2.3 装饰器116
4.2.4 继承和多态119
4.3 Python常用库安装126
4.3.1 第三方库安装126
4.3.2 第三方库导入130
4.3.3 第三方库创建131
小结132
课后习题133
第5章 NumPy数值计算135
5.1 ndarray创建与索引135
5.1.1 创建ndarray对象135
5.1.2 ndarray的索引与切片142
5.2 ndarray的基础操作145
5.2.1 变换ndarray的形态145
5.2.2 排序与搜索151
5.2.3 字符串操作156
5.3 ufunc159
5.3.1 ufunc的广播机制159
5.3.2 常用ufunc160
5.4 matrix与线性代数169
5.4.1 创建NumPy矩阵169
5.4.2 矩阵的属性和基本运算170
5.4.3 线性代数运算172
5.5 NumPy文件读写175
5.5.1 二进制文件读写175
5.5.2 文件列表形式数据读写178
小结180
课后习题180
第6章 pandas基础182
6.1 pandas常用类182
6.1.1 Series182
6.1.2 DataFrame187
6.1.3 Index191
6.2 DataFrame基础操作193
6.2.1 索引193
6.2.2 排序201
6.2.3 合并204
6.3 其他数据类型操作210
6.3.1 时间操作210
6.3.2 文本操作220
6.3.3 category操作223
小结227
课后习题227
第7章 pandas进阶229
7.1 数据读取与写入229
7.1.1 CSV229
7.1.2 Excel231
7.1.3 数据库233
7.2 DataFrame进阶235
7.2.1 统计分析235
7.2.2 分组运算242
7.2.3 透视表和交叉表248
7.3 数据准备250
7.3.1 缺失值处理251
7.3.2 重复数据处理255
7.3.3 连续特征离散化处理256
7.3.4 哑变量处理259
小结260
课后习题260
第8章 绘图263
8.1 Matplotlib绘图基础263
8.1.1 编码风格263
8.1.2 动态rc参数267
8.1.3 散点图273
8.1.4 折线图276
8.1.5 饼图278
8.1.6 直方图与条形图280
8.1.7 箱线图282
8.2 Seaborn进阶绘图285
8.2.1 Seaborn基础285
8.2.2 关系图301
8.2.3 分类图311
8.2.4 分布图329
8.2.5 回归图334
8.2.6 矩阵图341
8.2.7 网格图345
8.3 Bokeh交互式绘图356
8.3.1 基本构成与语法356
8.3.2 常见图形绘制370
8.3.3 导出与嵌入375
8.3.4 运行Bokeh应用程序379
小结381
习题381
第9章 scikit-learn383
9.1 数据准备383
9.1.1 标准化383
9.1.2 归一化387
9.1.3 二值化388
9.1.4 独热编码389
9.2 降维391
9.2.1 PCA392
9.2.2 随机投影396
9.2.3 字典学习402
9.2.4 独立成分分析408
9.2.5 非负矩阵分解412
9.2.6 线性判别分析416
9.3 聚类420
9.3.1 K-Means421
9.3.2 层次聚类424
9.3.3 DBSCAN427
9.3.4 高斯混合模型430
9.4 分类434
9.4.1 Logistic回归435
9.4.2 支持向量机439
9.4.3 决策树443
9.4.4 最近邻447
9.4.5 朴素贝叶斯450
9.4.6 随机森林452
9.4.7 多层感知机456
9.5 回归460
9.5.1 最小二乘回归461
9.5.2 岭回归464
9.5.3 Lasso回归466
9.5.4 决策树回归468
9.5.5 随机森林回归471
9.5.6 多层感知机回归473
9.6 模型选择476
9.6.1 数据集划分476
9.6.2 交叉验证478
9.6.3 自动调参479
9.6.4 模型评估481
小结486
课后习题487
|
| 內容試閱：
|
为什么要写这本书
2017年7月，国务院下达了关于印发《新一代人工智能发展规划》的通知。通知明确指出要加快培养聚集人工智能高端人才，把高端人才队伍建设作为人工智能发展的重中之重。而后，2018年12月，普华永道发布了《人工智能和相关技术对中国就业的净影响》，报告预测，人工智能及相关技术在未来20年将取代中国现有约26%的工作岗位，高于对英国20%的预估，但也能通过提升生产率和实际收入水平在中国创造出大量的新的工作机会。根据普华永道估计，人工智能对中国就业的净影响可能将创造约12%的净增岗位，相当于未来20年内增加约9000万个就业岗位。那么如何才能够赶上人工智能的浪潮呢？
人工智能是一门综合了计算机科学、生理学、哲学的交叉学科。凡是使用机器替代人类实现认知、识别、分析、决策等功能，均可认为使用了人工智能技术。按照技术分支，可以将人工智能分为问题求解，知识、推理与规划，学习，通信、感知与行动四个大方向。其中学习即机器学习，与智能数据分析紧密相关。
跟国外相比，我国智能数据分析在零售、银行、保险、证券等行业中的应用并不太理想。但随着市场竞争的加剧，各行业对智能数据分析技术的意愿越来越强烈，可以预计，未来几年各行业的数据分析应用一定会从传统的统计分析发展到智能数据分析应用。在大数据时代，数据过剩、人才短缺，智能数据分析专业人才的培养又需要专业知识和职业经验积累。所以，本书在编程知识的基础之上，大篇幅地描写了智能分析常备知识，希望能为智能数据分析人才的培养提供参考。
总的来说，随着云时代的来临，智能数据分析技术将具有越来越重要的战略意义。大数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产要素，人们对于海量数据的运用将预示着新一轮生产率增长和消费者盈余浪潮的到来。智能数据分析技术将帮助企业用户在合理时间内攫取、管理、处理、整理海量数据，为企业经营决策提供积极的帮助。智能数据分析作为数据存储和挖掘分析的前沿技术，已广泛应用于物联网、云计算、移动互联网等战略性新兴产业。虽然智能数据分析目前在国内还处于初级阶段，但是其商业价值已经显现出来，特别是有实践经验的智能数据分析人才更是成为各企业争夺的热门。为了满足日益增长的智能数据分析人才需求，很多大学开始尝试开设不同程度的智能数据分析课程。“智能数据分析”作为大数据时代的核心技术，必将成为高校数学与统计学专业的重要课程之一。
本书特色
本书作者从实践出发，总结了智能数据分析常用的方法，深入浅出地介绍了智能数据分析编程过程中的相关知识。书中涵盖Python环境搭建、Python基础语法、控制语句、函数、面向对象编程、数值计算、数据处理、绘图、模型构建等内容，还配套提供了程序代码及数据。此外，每章的最后均提供课后习题，帮助读者快速掌握Python的使用方法。
为了帮助读者更好地使用本书，泰迪云课堂（https：edu.tipdm.org）提供了配套的教学视频。对于本书配套的原始数据文件、Python程序代码，均可以通过关注泰迪学社微信公众号（TipDataMining），回复“图书资源”进行获取。为方便教师授课，本书还提供了PPT课件、教学大纲、教学进度表和教案等教学资源，教师可在泰迪学社微信公众号回复“教学资源”进行获取。
本书适用对象
开设有数据分析课程的高校的教师和学生。
目前国内不少高校将数据分析引入本科教学中，在数学、计算机、自动化、电子信息、金融等专业开设了数据分析技术相关的课程，但目前这一课程使用的教学工具仍然为SPSS、SAS等传统统计工具，并没有使用Python作为教学工具。本书提供了Python语言相关的从安装到使用的一系列知识，将有效指导高校教师和学生使用Python作为数据分析的工具之一。
数据分析开发人员。
数据分析开发人员的主要工作是将数据分析相关的算法应用于实际业务系统。本书提供了详细的机器学习与数据分析算法接口的用法与说明，能够帮助此类人员快速且有效地建立起数据分析应用的算法框架，帮助其迅速完成开发。
进行数据分析应用研究的科研人员。
许多科研院所为了更好地对科研工作进行管理，纷纷开发了适应自身特点的科研业务管理系统，并在使用过程中积累了大量的科研信息数据。但是，这些科研业务管理系统一般没有对这些数据进行深入分析，对数据所隐藏的价值并没有充分分析利用。科研人员需要数据分析工具及有关方法论来深挖科研信息的价值，从而提高科研水平。
关注高级数据分析的人员。
Python作为广泛应用于数据分析领域的编程语言，能为数据分析人员提供快速的、可靠的分析依据。本书提供全面的Python智能数据分析知识，能够指导这类人员快速入门数据分析，完成指定的数据分析任务。
如何阅读本书
本书从逻辑上可分为两大部分。
第一部分是Python编程基础（第1~4章），介绍了Python环境搭建、Python基础语法、控制语句、函数、面向对象编程等。第1章旨在让读者从全局把握Python，了解利用Python进行智能数据分析的优势，并详细介绍了Python环境搭建与配置，同时还对两个常用集成开发环境做了详细介绍。第2章先对Python固定语法做了介绍，
|
|
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
