数据科学入门 PDF 高清电子书 免费下载 完整版 在线阅读- 高飞网
数据科学入门

数据科学入门

格鲁斯
浏览人数:352
读者:                 ...
  本书基于易于理解且具有数据科学相关的丰富的库的Python语言环境,从零开始讲解数据科学工作。具体内容包括:Python速成,可视化数据,线性代数,统计,概率,假设与推断,梯度下降法,如何获取数据,k近邻法,朴素贝叶斯算法,等等。作者借助大量具体例子以及数据挖掘、统计学、机器学习等领域的重要概念,详细展示了什么是数据科学。

前言 xiii   
第1章 导论   
1.1 数据的威力   
1.2 什么是数据科学   
1.3 激励假设:DataSciencester   
1.4 展望   
第2章 Python速成   
2.1 基础内容   
2.2 进阶内容   
2.3 延伸学习   
第3章 可视化数据   
3.1 matplotlib   
3.2 条形图   
3.3 线图   
3.4 散点图   
3.5 延伸学习   
第4章 线性代数   
4.1 向量   
4.2 矩阵   
4.3 延伸学习   
第5章 统计学   
5.1 描述单个数据集   
5.2 相关   
5.3 辛普森悖论   
5.4 相关系数其他注意事项   
5.5 相关和因果   
5.6 延伸学习   
第6章 概率   
6.1 不独立和独立   
6.2 条件概率   
6.3 贝叶斯定理   
6.4 随机变量   
6.5 连续分布   
6.6 正态分布   
6.7 中心极限定理   
6.8 延伸学习   
第7章 假设与推断   
7.1 统计假设检验   
7.2 案例:掷硬币   
7.3 置信区间   
7.4 P-hacking   
7.5 案例:运行A/B 测试   
7.6 贝叶斯推断   
7.7 延伸学习   
第8章 梯度下降   
8.1 梯度下降的思想   
8.2 估算梯度   
8.3 使用梯度   
8.4 选择正确步长   
8.5 综合   
8.6 随机梯度下降法   
8.7 延伸学习   
第9章 获取数据   
9.1 stdin和stdout   
9.2 读取文件   
9.3 网络抓取   
9.4 使用API   
9.5 案例:使用Twitter API   
9.6 延伸学习   
第10章 数据工作   
10.1 探索你的数据   
10.2 清理与修改   
10.3 数据处理   
10.4 数据调整   
10.5 降维   
10.6 延伸学习   
第11章 机器学习   
11.1 建模   
11.2 什么是机器学习   
11.3 过拟合和欠拟合   
11.4 正确性   
11.5 偏倚-方差权衡   
11.6 特征提取和选择   
11.7 延伸学习   
第12章 k近邻法   
12.1 模型   
12.2 案例:最喜欢的编程语言   
12.3 维数灾难   
12.4 延伸学习   
第13章 朴素贝叶斯算法   
13.1 一个简易的垃圾邮件过滤器   
13.2 一个复杂的垃圾邮件过滤器   
13.3 算法的实现   
13.4 测试模型   
13.5 延伸学习   
第14章 简单线性回归   
14.1 模型   
14.2 利用梯度下降法   
14.3 最大似然估计   
14.4 延伸学习   
第15章 多重回归分析   
15.1 模型   
15.2 最小二乘模型的进一步假设   
15.3 拟合模型   
15.4 解释模型   
15.5 拟合优度   
15.6 题外话:Bootstrap    
15.7 回归系数的标准误差   
15.8 正则化   
15.9 延伸学习   
第16章 逻辑回归   
16.1 问题   
16.2 Logistic函数   
16.3 应用模型   
16.4 拟合优度   
16.5 支持向量机   
16.6 延伸学习   
第17章 决策树   
17.1 什么是决策树   
17.2 熵   
17.3 分割之熵   
17.4 创建决策树   
17.5 综合运用   
17.6 随机森林   
17.7 延伸学习   
第18章 神经网络   
18.1 感知器   
18.2 前馈神经网络   
18.3 反向传播   
18.4 实例:战胜CAPTCHA   
18.5 延伸学习   
第19章 聚类分析   
19.1 原理   
19.2 模型   
19.3 示例:聚会   
19.4 选择聚类数目k   
19.5 示例:对色彩进行聚类   
19.6 自下而上的分层聚类   
19.7 延伸学习   
第20章 自然语言处理   
20.1 词云   
20.2 n-grams 模型    
20.3 语法   
20.4 题外话:吉布斯采样   
20.5 主题建模   
20.6 延伸学习   
第21章 网络分析   
21.1 中介中心度   
21.2 特征向量中心度   
21.3 有向图与PageRank   
21.4 延伸学习   
第22章 推荐系统   
22.1 手工甄筛   
22.2 推荐流行事物   
22.3 基于用户的协同过滤方法   
22.4 基于物品的协同过滤算法   
22.5 延伸学习   
第23章 数据库与SQL   
23.1 CREATE TABLE与INSERT   
23.2 UPDATE   
23.3 DELETE   
23.4 SELECT   
23.5 GROUP BY   
23.6 ORDER BY   
23.7 JOIN   
23.8 子查询   
23.9 索引   
23.10 查询优化   
23.11 NoSQL   
23.12 延伸学习   
第24章 MapReduce   
24.1 案例:单词计数   
24.2 为什么是MapReduce   
24.3 更加一般化的MapReduce   
24.4 案例:分析状态更新   
24.5 案例:矩阵计算   
24.6 题外话:组合器   
24.7 延伸学习   
第25章 数据科学前瞻   
25.1 IPython   
25.2 数学   
25.3 不从零开始   
25.4 寻找数据   
25.5 从事数据科学   
作者简介   
关于封面   
看过本书的人还看过