| 失效链接处理 |
|
数据科学入门（第2版）PDF 下载
下载地址：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
https://product.dangdang.com/1842286770.html
相关截图：  资料简介： 本书基于Python语言环境，从零开始讲解数据科学工作，讲述数据科学工作所需的技能与诀窍，并带领读者熟悉数据科学的核心知识：数学与统计学。作者借助大量具有现实意义的实例详细展示了什么是数据科学，介绍了从事数据科学工作需要用到的库，如NumPy、scikit-learn、pandas等，还在每章末尾推荐了很多学习资源，帮助你进一步巩固本书所学。新版基于Python 3.6，重写了所有示例和代码，并根据数据科学近几年的发展，新增了关于深度学习、统计学和自然语言处理等主题，让图书内容与时俱进。 资料目录： 第 2版前言 xiii 第 1版前言 xvii 第 1章 导论 1 1.1 数据的崛起 1 1.2 什么是数据科学 1 1.3 激励假设：DataSciencester 2 1.3.1 寻找关键联系人 3 1.3.2 你可能知道的数据科学家 5 1.3.3 工资和工作年限 8 1.3.4 付费账户 10 1.3.5 感兴趣的主题 10 1.3.6 展望 12 第 2章 Python速成 13 2.1 Python之禅 13 2.2 获取Python 14 2.3 虚拟环境 14 2.4 空白格式 15 2.5 模块 16 2.6 函数 17 2.7 字符串 18 2.8 异常 19 2.9 列表 19 2.10 元组 21 2.11 字典 22 2.12 计数器 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 自动化测试和断言 28 2.19 面向对象编程 29 2.20 迭代器和生成器 31 2.21 随机性 ..32 2.22 正则表达式 33 2.23 函数式编程 34 2.24 压缩和参数拆分 34 2.25 args和kwargs 35 2.26 类型注释 36 2.27 欢迎来到DataSciencester 39 2.28 进一步探索 39 第3章 数据可视化 40 3.1 matplotlib 40 3.2 条形图 42 3.3 线图 45 3.4 散点图 46 3.5 延伸学习 48 第4章 线性代数 49 4.1 向量 49 4.2 矩阵 53 4.3 延伸学习 56 第5章 统计学 57 5.1 描述单个数据集 57 5.1.1 中心倾向 59 5.1.2 离散度 61 5.2 相关 62 5.3 辛普森悖论 64 5.4 相关系数的其他注意事项 65 5.5 相关与因果 66 5.6 延伸学习 66 第6章 概率 68 6.1 依赖和独立 68 6.2 条件概率 69 6.3 贝叶斯定理 71 6.4 随机变量 72 6.5 连续分布 72 6.6 正态分布 73 6.7 中心极限定理 76 6.8 延伸学习 78 第7章 假设和推论 79 7.1 统计假设检验 79 7.2 实例：掷硬币 79 7.3 p值 82 7.4 置信区间 84 7.5 p-Hacking 84 7.6 实例：运行AB 测试 85 7.7 贝叶斯推断 86 7.8 延伸学习 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 选择正确步长 94 8.5 使用梯度下降拟合模型 95 8.6 小批次梯度下降和随机梯度下降 96 8.7 延伸学习 98 第9章 获取数据 99 9.1 stdin和stdout 99 9.2 读取文件 101 9.2.1 文本文件的基础 101 9.2.2 限制的文件 102 9.3 网络抓取 104 9.4 使用API 106 9.4.1 JSON和XML 106 9.4.2 使用无验证的API 107 9.4.3 寻找API 108 9.5 实例：使用Twitter API 109 9.6 延伸学习 112 第 10章 数据工作 113 10.1 探索数据 113 10.1.1 探索一维数据 113 10.1.2 两个维度 115 10.1.3 多维数据 116 10.2 使用NamedTuple 18 10.3 数据类 119 10.4 清洗和修改 120 10.5 数据处理 122 10.6 数据调整 25 10.7 题外话：tqdm 126 10.8 降维 127 10.9 延伸学习 133 第 11章 机器学习 134 11.1 建模 134 11.2 什么是机器学习 135 11.3 过拟合与欠拟合 135 11.4 正确性 138 11.5 偏差–方差权衡 140 11.6 特征提取与选择 141 11.7 延伸学习 142 第 12章 k 近邻法 143 12.1 模型 143 12.2 实例：鸢尾花数据集 145 12.3 维数灾难 148 12.4 进一步探索 152 第 13章 朴素贝叶斯算法 153 13.1 一个简易的垃圾邮件过滤器 153 13.2 一个复杂的垃圾邮件过滤器 154 13.3 算法实现 155 13.4 测试模型 157 13.5 使用模型 158 13.6 延伸学习 161 第 14章 简单线性回归 162 14.1 模型 162 14.2 使用梯度下降法 165 14.3 似然估计 166 14.4 延伸学习 166 第 15章 多元回归 167 15.1 模型 167 15.2 小二乘模型的进一步假设 168 15.3 拟合模型 169 15.4 解释模型 171 15.5 拟合优度 171 15.6 题外话：Bootstrap 172 15.7 回归系数的标准误差 173 15.8 正则化 175 15.9 延伸学习 177 第 16章 逻辑回归 178 16.1 问题 178 16.2 logistic函数 180 16.3 应用模型 183 16.4 拟合优度 184 16.5 支持向量机 185 16.6 延伸学习 188 第 17章 决策树 89 17.1 什么是决策树 189 17.2 熵 191 17.3 分割的熵 193 17.4 创建决策树 194 17.5 综合运用 196 17.6 随机森林 199 17.7 延伸学习 199 第 18章 神经网络 200 18.1 感知器 200 18.2 前馈神经网络 202 18.3 反向传播 205 18.4 实例：Fizz Buzz 207 18.5 延伸学习 210 第 19章 深度学习 211 19.1 张量 211 19.2 层抽象 213 19.3 线性层 215 19.4 把神经网络作为层序列 218 19.5 损失函数与优化器 219 19.6 实例：重新设计异或网络 221 19.7 其他激活函数 222 19.8 实例：重新解决Fizz Buzz问题 223 19.9 softmax函数和交叉熵 224 19.10 丢弃 227 19.11 实例：MNIST 227 19.12 保存和加载模型 231 19.13 延伸学习 232 第 20章 聚类分析 233 20.1 原理 233 20.2 模型 234 20.3 实例：聚会 236 20.4 选择聚类数目k 238 20.5 实例：色彩聚类 239 20.6 自下而上的分层聚类 241 20.7 延伸学习 246 第 21章 自然语言处理 247 21.1 词云 247 21.2 n-gram 语言模型 249 21.3 语法 252 21.4 题外话：吉布斯采样 254 21.5 主题建模 255 21.6 词向量 260 21.7 递归神经网络 268 21.8 实例：使用字符级RNN 271 21.9 延伸学习 274 第 22章 网络分析 275 22.1 中介中心性 275 22.2 特征向量中心性 280 22.2.1 矩阵乘法 280 22.2.2 中心性 282 22.3 有向图与PageRank 283 22.4 延伸学习 286 第 23章 系统 287 23.1 人工管理 288 23.2 流行事务 288 23.3 基于用户的协同过滤 289 23.4 基于项目的协同过滤 292 23.5 矩阵分解 294 23.6 延伸学习 298 第 24章 数据库与SQL 299 24.1 CREATE TABLE与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 子查询 311 24.9 索引 312 24.10 查询优化 312 24.11 NoSQL 313 24.12 延伸学习 313 第 25章 MapReduce 314 25.1 实例：单词计数 315 25.2 为什么是MapReduce 316 25.3 一般化的MapReduce 317 25.4 实例：状态分析 新 318 25.5 实例：矩阵乘法 320 25.6 题外话：组合器 321 25.7 延伸学习 322 第 26章 数据伦理 323 26.1 什么是数据伦理 323 26.2 讲真的，什么是数据伦理 324 26.3 是否应该关注数据伦理 324 26.4 建立不良数据产品 325 26.5 与公平之间的较量 325 26.6 合作 327 26.7 可解释性 327 26.8 327 26.9 异常数据 328 26.10 数据保护 329 26.11 小结 329 26.12 延伸学习 329 第 27章 数据科学前瞻 330 27.1 IPython 330 27.2 数学 331 27.3 不从零开始 331 27.3.1 NumPy 331 27.3.2 pandas 331 27.3.3 scikit-learn 331 27.3.4 可视化 332 27.3.5 R 332 27.3.6 深度学习 332 27.4 寻找数据 333 27.5 从事数据科学工作 333 27.5.1 Hacker News 333 27.5.2 消防车 333 27.5.3 T恤 334 27.5.4 地球仪上的推文 334 27.5.5 你的发现 335 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
