xx资源网(xxURLs.com)
发布资源

数据科学入门 PDF电子书下载

数据科学入门 内容简介  · · · · · · 数据科学是一个蓬勃发展、前途无限的行业,有人将数据科学家称为“21世纪头号性感职业”。本书从零开始讲解数据科学工作,教授数据科学工作所必需的黑客技能,并带领读者熟悉数据科学的核心知识——数学和统计学。 作者选择了功能强大、简单易学的Python语言环境,亲手搭建工具和实现算法,并精心挑选了注释良好、简洁易读的实现范例。书中涵盖的所有代码和数据都可以在GitHub上下载。 通过阅读本书,你可以: 学到一堂Python速成课; 学习线性代数、统计和概率论的基本方法,了解它们是怎样应用在数据科学中的; 掌握如何收集、探索、清理、转换和操作数据; 深入理解机器学习的基础; 运用k-近邻、朴素贝叶斯、线性回归和逻辑回归、决策树、神经网络和聚类等各种数据模型; 探索推荐系统、自然语言处理、网络分析、MapReduce和数据库。 作者简介  · · · · · · Joel Grus 是Google的一位软件工程师,曾于数家创业公司担任数据科学家。目前住在西雅图,专注于数据科学工作并乐此不疲。偶尔在joelgrus.com发表博客,长期活跃于Twitter @joelgrus。 目录  · · · · · · 前言  xiii 第1章 导论  1 1.1 数据的威力  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 工资与工作年限  8 1.3.4 付费账户  10 1.3.5 兴趣主题  11 1.4 展望  12 第2章 Python速成  13 2.1 基础内容  13 2.1.1 Python获取  13 2.1.2 Python之禅  14 2.1.3 空白形式  14 2.1.4 模块  15 2.1.5 算法  16 2.1.6 函数  16 2.1.7 字符串  17 2.1.8 异常  18 2.1.9 列表  18 2.1.10 元组  19 2.1.11 字典  20 2.1.12 集合  22 2.1.13 控制流  23 2.1.14 真和假  24 2.2 进阶内容  25 2.2.1 排序  25 2.2.2 列表解析  25 2.2.3 生成器和迭代器  26 2.2.4 随机性  27 2.2.5 正则表达式  28 2.2.6 面向对象的编程  28 2.2.7 函数式工具  29 2.2.8 枚举  31 2.2.9 压缩和参数拆分  31 2.2.10 args 和kwargs  32 2.2.11 欢迎来到DataSciencester  33 2.3 延伸学习  33 第3章 可视化数据  34 3.1 matplotlib  34 3.2 条形图  36 3.3 线图  40 3.4 散点图  41 3.5 延伸学习  44 第4章 线性代数  45 4.1 向量  45 4.2 矩阵  49 4.3 延伸学习  51 第5章 统计学  53 5.1 描述单个数据集  53 5.1.1 中心倾向  55 5.1.2 离散度  56 5.2 相关  58 5.3 辛普森悖论  60 5.4 相关系数其他注意事项  61 5.5 相关和因果  62 5.6 延伸学习  63 第6章 概率  64 6.1 不独立和独立  64 6.2 条件概率  65 6.3 贝叶斯定理  66 6.4 随机变量  68 6.5 连续分布  68 6.6 正态分布  69 6.7 中心极限定理  72 6.8 延伸学习  74 第7章 假设与推断  75 7.1 统计假设检验  75 7.2 案例:掷硬币  75 7.3 置信区间  79 7.4 P-hacking  80 7.5 案例:运行A/B测试  81 7.6 贝叶斯推断  82 7.7 延伸学习  85 第8章 梯度下降  86 8.1 梯度下降的思想  86 8.2 估算梯度  87 8.3 使用梯度  90 8.4 选择正确步长  90 8.5 综合  91 8.6 随机梯度下降法  92 8.7 延伸学习  93 第9章 获取数据  94 9.1 stdin和stdout  94 9.2 读取文件  96 9.2.1 文本文件基础  96 9.2.2 限制的文件  97 9.3 网络抓取  99 9.3.1 HTML 和解析方法  99 9.3.2 案例:关于数据的O'Reilly图书  101 9.4 使用API  105 9.4.1 JSON(和XML)  105 9.4.2 使用无验证的API  106 9.4.3 寻找API  107 9.5 案例:使用Twitter API  108 9.6 延伸学习  111 第10章 数据工作  112 10.1 探索你的数据  112 10.1.1 探索一维数据  112 10.1.2 二维数据  114 10.1.3 多维数据  116 10.2 清理与修改  117 10.3 数据处理  119 10.4 数据调整  122 10.5 降维  123 10.6 延伸学习  129 第11章 机器学习  130 11.1 建模  130 11.2 什么是机器学习  131 11.3 过拟合和欠拟合  131 11.4 正确性  134 11.5 偏倚- 方差权衡  136 11.6 特征提取和选择  137 11.7 延伸学习  138 第12章 k近邻法  139 12.1 模型  139 12.2 案例:最喜欢的编程语言  141 12.3 维数灾难  146 12.4 延伸学习  151 第13章 朴素贝叶斯算法  152 13.1 一个简易的垃圾邮件过滤器  152 13.2 一个复杂的垃圾邮件过滤器  153 13.3 算法的实现  154 13.4 测试模型  156 13.5 延伸学习  158 第14章 简单线性回归  159 14.1 模型  159 14.2 利用梯度下降法  162 14.3 最大似然估计  162 14.4 延伸学习  163 第15章 多重回归分析  164 15.1 模型  164 15.2 最小二乘模型的进一步假设  165 15.3 拟合模型  166 15.4 解释模型  167 15.5 拟合优度  167 15.6 题外话:Bootstrap  168 15.7 回归系数的标准误差  169 15.8 正则化  170 15.9 延伸学习  172 第16章 逻辑回归  173 16.1 问题  173 16.2 Logistic函数  176 16.3 应用模型  178 16.4 拟合优度  179 16.5 支持向量机  180 16.6 延伸学习  184 第17章 决策树  185 17.1 什么是决策树  185 17.2 熵  187 17.3 分割之熵  189 17.4 创建决策树  190 17.5 综合运用  192 17.6 随机森林  194 17.7 延伸学习  195 第18章 神经网络  196 18.1 感知器  196 18.2 前馈神经网络  198 18.3 反向传播  201 18.4 实例:战胜CAPTCHA  202 18.5 延伸学习  206 第19章 聚类分析  208 19.1 原理  208 19.2 模型  209 19.3 示例:聚会  210 19.4 选择聚类数目k  213 19.5 示例:对色彩进行聚类  214 19.6 自下而上的分层聚类  216 19.7 延伸学习  221 第20章 自然语言处理  222 20.1 词云  222 20.2 n-grams模型   224 20.3 语法  227 20.4 题外话:吉布斯采样  229 20.5 主题建模  231 20.6 延伸学习  236 第21章 网络分析  237 21.1 中介中心度  237 21.2 特征向量中心度  242 21.2.1 矩阵乘法  242 21.2.2 中心度  244 21.3 有向图与PageRank  246 21.4 延伸学习  248 第22章 推荐系统  249 22.1 手工甄筛  250 22.2 推荐流行事物  250 22.3 基于用户的协同过滤方法  251 22.4 基于物品的协同过滤算法  254 22.5 延伸学习  256 第23章 数据库与SQL  257 23.1 CREATE TABLE与INSERT  257 23.2 UPDATE  259 23.3 DELETE  260 23.4 SELECT  260 23.5 GROUP BY  262 23.6 ORDER BY  264 23.7 JOIN  264 23.8 子查询  267 23.9 索引  267 23.10 查询优化  268 23.11 NoSQL  268 23.12 延伸学习  269 第24章 MapReduce  270 24.1 案例:单词计数  270 24.2 为什么是MapReduce  272 24.3 更加一般化的MapReduce  272 24.4 案例:分析状态更新  273 24.5 案例:矩阵计算  275 24.6 题外话:组合器  276 24.7 延伸学习  277 第25章 数据科学前瞻  278 25.1 IPython  278 25.2 数学  279 25.3 不从零开始  279 25.3.1 NumPy  279 25.3.2 pandas  280 25.3.3 scikit-learn  280 25.3.4 可视化  280 25.3.5 R  281 25.4 寻找数据  281 25.5 从事数据科学  281 25.5.1 Hacker News  282 25.5.2 消防车  282 25.5.3 T 恤  282 25.5.4 你呢?  283 作者简介  284 关于封面  284
资源链接
数据科学入门 PDF电子书下载: http://pan.ishare1.cn/file/2973105-445739183
标签

爱分享电子书PDF机器学习Python算法数据科学

发布日期

2020-07-03

擦亮日期

2021-03-23

扫一扫分享下载
资源网址导航
综合

图书酷 全索引 361图书馆

手机

电脑

影音

专业

游戏

体育

儿童

教育

资源分享站

其他