書馨卡幫你省薪 2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解

機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解

出版社：機(jī)械工業(yè)出版社出版時間：2017-05-01
開本： 16開 頁數(shù)： 422
中 圖 價:¥79.2(8.0折) 定價  ¥99.0 登錄后可看到會員價
暫時缺貨 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>
買過本商品的人還買了

機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解 版權(quán)信息

機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解 本書特色

本書共19章，第1章介紹數(shù)據(jù)科學(xué)中涉及的基本領(lǐng)域；第2～3章介紹與數(shù)據(jù)工作緊密相關(guān)的Python語言基礎(chǔ)；第4章講解描述性統(tǒng)計分析在宏觀業(yè)務(wù)領(lǐng)域的分析；第5章講解數(shù)據(jù)規(guī)整、清洗的重要技能；第6章介紹數(shù)據(jù)科學(xué)領(lǐng)域?qū)嵱玫乃拇蠼y(tǒng)計檢驗；第7章講解當(dāng)被解釋變量為連續(xù)變量時，如何使用線性回歸作預(yù)測；第8章講解使用邏輯回歸作評分卡模型；第9章講解另外一個可解釋模型——決策樹。第10～12章分別講解了BP神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、近鄰域、支持向量機(jī)的原理和在決策類模型中的運用；第13～14章作為一個整體講解商業(yè)分析場景下的信息壓縮；第15章以產(chǎn)品推薦作為案例，講解發(fā)現(xiàn)事件與事件伴生關(guān)系的關(guān)聯(lián)分析和序列分析算法；第16章使用欺詐識別案例講解當(dāng)被解釋變量分布極 端不平衡時的處理方法；第17章繼續(xù)使用欺詐識別案例講解集成學(xué)習(xí)算法；第18章講解了使用效應(yīng)分解和ARIMA方法實現(xiàn)宏觀業(yè)務(wù)指標(biāo)預(yù)測；第19章用案例展現(xiàn)了分類和聚類模型的CRISP-DM和SEMMA流程。

機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解 內(nèi)容簡介

本書共19章，靠前章介紹數(shù)據(jù)科學(xué)中涉及的基本領(lǐng)域；第2～3章介紹與數(shù)據(jù)工作緊密相關(guān)的Python語言基礎(chǔ)；第4章講解描述性統(tǒng)計分析在宏觀業(yè)務(wù)領(lǐng)域的分析；第5章講解數(shù)據(jù)規(guī)整、清洗的重要技能；第6章介紹數(shù)據(jù)科學(xué)領(lǐng)域?qū)嵱玫乃拇蠼y(tǒng)計檢驗；第7章講解當(dāng)被解釋變量為連續(xù)變量時，如何使用線性回歸作預(yù)測；第8章講解使用邏輯回歸作評分卡模型；第9章講解另外一個可解釋模型——決策樹？壳0～12章分別講解了BP神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、近鄰域、支持向量機(jī)的原理和在決策類模型中的運用；靠前3～14章作為一個整體講解商業(yè)分析場景下的信息壓縮；靠前5章以產(chǎn)品推薦作為案例，講解發(fā)現(xiàn)事件與事件伴生關(guān)系的關(guān)聯(lián)分析和序列分析算法；靠前6章使用欺詐識別案例講解當(dāng)被解釋變量分布極 端不平衡時的處理方法；靠前7章繼續(xù)使用欺詐識別案例講解集成學(xué)習(xí)算法；靠前8章講解了使用效應(yīng)分解和ARIMA方法實現(xiàn)宏觀業(yè)務(wù)指標(biāo)預(yù)測；靠前9章用案例展現(xiàn)了分類和聚類模型的CRISP-DM和SEMMA流程。

機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解 目錄

目錄
前言
第1章數(shù)據(jù)科學(xué)家的武器庫
1.1數(shù)據(jù)科學(xué)的基本概念
1.2數(shù)理統(tǒng)計技術(shù)
1.2.1描述性統(tǒng)計分析
1.2.2統(tǒng)計推斷與統(tǒng)計建模
1.3數(shù)據(jù)挖掘的技術(shù)與方法
1.4描述性數(shù)據(jù)挖掘算法示例
1.4.1聚類分析——客戶細(xì)分
1.4.2關(guān)聯(lián)規(guī)則分析
1.5預(yù)測性數(shù)據(jù)挖掘算法示例
1.5.1決策樹
1.5.2KNN算法
1.5.3Logistic回歸
1.5.4神經(jīng)網(wǎng)絡(luò)
1.5.5支持向量機(jī)
1.5.6集成學(xué)習(xí)
1.5.7預(yù)測類模型講解
1.5.8預(yù)測類模型評估概述
第2章Python概述
2.1Python概述
2.1.1Python簡介
2.1.2Python與數(shù)據(jù)科學(xué)
2.1.3Python2與Python3
2.2Anaconda Python的安裝、使用
2.2.1下載與安裝
2.2.2使用Jupyter Notebook
2.2.3使用Spyder
2.2.4使用conda或pip管理
第三方庫
第3章數(shù)據(jù)科學(xué)的Python編程基礎(chǔ)
3.1Python的基本數(shù)據(jù)類型
3.1.1字符串(str)
3.1.2浮點數(shù)和整數(shù)（float、int）
3.1.3布爾值（Bool：True/False）
3.1.4其他
3.2Python的基本數(shù)據(jù)結(jié)構(gòu)
3.2.1列表（list）
3.2.2元組（tuple）
3.2.3集合（set）
3.2.4字典（dict）
3.3Python的程序控制
3.3.1三種基本的編程結(jié)構(gòu)簡介
3.3.2順承結(jié)構(gòu)
3.3.3分支結(jié)構(gòu)
3.3.4循環(huán)結(jié)構(gòu)
3.4Python的函數(shù)與模塊
3.4.1Python的函數(shù)
3.4.2Python的模塊
3.5Pandas讀取結(jié)構(gòu)化數(shù)據(jù)
3.5.1讀取數(shù)據(jù)
3.5.2寫出數(shù)據(jù)
第4章描述性統(tǒng)計分析與繪圖
4.1描述性統(tǒng)計進(jìn)行數(shù)據(jù)探索
4.1.1變量度量類型與分布類型
4.1.2分類變量的統(tǒng)計量
4.1.3連續(xù)變量的分布與集中趨勢
4.1.4連續(xù)變量的離散程度
4.1.5數(shù)據(jù)分布的對稱與高矮
4.2制作報表與統(tǒng)計制圖
4.3制圖的步驟
第5章數(shù)據(jù)整合和數(shù)據(jù)清洗
5.1數(shù)據(jù)整合
5.1.1行列操作
5.1.2條件查詢
5.1.3橫向連接
5.1.4縱向合并
5.1.5排序
5.1.6分組匯總
5.1.7拆分、堆疊列
5.1.8賦值與條件賦值
5.2數(shù)據(jù)清洗
5.2.1重復(fù)值處理
5.2.2缺失值處理
5.2.3噪聲值處理
5.3RFM方法在客戶行為分析上的運用
5.3.1行為特征提取的RFM方法論
5.3.2使用RFM方法計算變量
5.3.3數(shù)據(jù)整理與匯報
第6章數(shù)據(jù)科學(xué)的統(tǒng)計推斷基礎(chǔ)
6.1基本的統(tǒng)計學(xué)概念
6.1.1總體與樣本
6.1.2統(tǒng)計量
6.1.3點估計、區(qū)間估計和中心極限定理
6.2假設(shè)檢驗與單樣本t檢驗
6.2.1假設(shè)檢驗
6.2.2單樣本t檢驗
6.3雙樣本t檢驗
6.4方差分析（分類變量和連續(xù)變量關(guān)系檢驗）
6.4.1單因素方差分析
6.4.2多因素方差分析
6.5相關(guān)分析（兩連續(xù)變量關(guān)系檢驗）
6.5.1相關(guān)系數(shù)
6.5.2散點矩陣圖
6.6卡方檢驗（二分類變量關(guān)系檢驗）
6.6.1列聯(lián)表
6.6.2卡方檢驗
第7章客戶價值預(yù)測：線性回歸模型與診斷
7.1線性回歸
7.1.1簡單線性回歸
7.1.2多元線性回歸
7.1.3多元線性回歸的變量篩選
7.2線性回歸診斷
7.2.1殘差分析
7.2.2強(qiáng)影響點分析
7.2.3多重共線性分析
7.2.4小結(jié)線性回歸診斷
7.3正則化方法
7.3.1嶺回歸
7.3.2LASSO回歸
第8章Logistic回歸構(gòu)建初始信用評級
8.1Logistic回歸的相關(guān)關(guān)系分析
8.2Logistic回歸模型及實現(xiàn)
8.2.1Logistic回歸與發(fā)生比
8.2.2Logistic回歸的基本原理
8.2.3在Python中實現(xiàn)Logistic回歸
8.3Logistic回歸的極大似然估計
8.3.1極大似然估計的概念
8.3.2Logistics回歸的極大似然估計
8.4模型評估
8.4.1模型評估方法
8.4.2ROC曲線的概念
8.4.3在Python中實現(xiàn)ROC曲線
第9章使用決策樹進(jìn)行初始信用評級
9.1決策樹概述
9.2決策樹算法
9.2.1ID3建樹算法原理
9.2.2C4.5建樹算法原理
9.2.3CART建樹算法原理
9.2.4決策樹的剪枝
9.3在Python中實現(xiàn)決策樹
9.3.1建模
9.3.2模型評估
9.3.3決策樹的可視化
9.3.4參數(shù)搜索調(diào)優(yōu)
第10章神經(jīng)網(wǎng)絡(luò)
10.1神經(jīng)元模型
10.2單層感知器
10.3BP神經(jīng)網(wǎng)絡(luò)
10.4多層感知器的scikitlearn代碼實現(xiàn)
第11章分類器入門：*近鄰域與樸素貝葉斯
11.1KNN算法
11.1.1KNN算法原理
11.1.2在Python中實現(xiàn)KNN算法
11.2樸素貝葉斯分類
11.2.1貝葉斯公式
11.2.2樸素貝葉斯分類原理
11.2.3樸素貝葉斯的參數(shù)估計
11.2.4在Python中實現(xiàn)樸素貝葉斯
第12章高級分類器：支持向量機(jī)
12.1線性可分與線性不可分
12.2線性可分支持向量機(jī)
12.2.1函數(shù)間隔和幾何間隔
12.2.2學(xué)習(xí)策略
12.2.3對偶方法求解
12.2.4線性可分支持向量機(jī)例題
12.3線性支持向量機(jī)與軟間隔*大化
12.4非線性支持向量機(jī)與核函數(shù)
12.4.1核函數(shù)
12.4.2非線性支持向量機(jī)的學(xué)習(xí)
12.4.3示例與Python實現(xiàn)
12.5使用支持向量機(jī)的案例
第13章連續(xù)變量的特征選擇與轉(zhuǎn)換
13.1方法概述
13.2主成分分析
13.2.1主成分分析簡介
13.2.2主成分分析原理
13.2.3主成分分析的運用
13.2.4在Python中實現(xiàn)主成分分析
13.3基于主成分的冗余變量篩選
13.4因子分析
13.4.1因子分析模型
13.4.2因子分析算法
13.4.3在Python中實現(xiàn)因子分析
第14章客戶分群與聚類
14.1聚類算法概述
14.2聚類算法基本概念
14.2.1變量標(biāo)準(zhǔn)化與分布形態(tài)轉(zhuǎn)換
14.2.2變量的維度分析
14.3聚類模型的評估
14.4層次聚類
14.4.1層次聚類原理
14.4.2層次聚類在Python中的實現(xiàn)
14.5基于劃分的聚類
14.5.1kmeans聚類原理
14.5.2kmeans聚類
展開全部

機(jī)械工業(yè)出版社PYTHON數(shù)據(jù)科學(xué):全棧技術(shù)詳解 作者簡介

作者簡介
常國珍
數(shù)據(jù)科學(xué)專家和金融技術(shù)專家。北京大學(xué)會計學(xué)博士，中國大數(shù)據(jù)產(chǎn)業(yè)生態(tài)聯(lián)盟專家委員會委員。
2005年進(jìn)入數(shù)據(jù)科學(xué)領(lǐng)域，先后在亞信、德勤等企業(yè)從事電信、金融行業(yè)數(shù)據(jù)挖掘工作，現(xiàn)就職于中銀消費金融有限公司數(shù)據(jù)管理部。專注于消費金融領(lǐng)域的數(shù)據(jù)治理、客戶智能與風(fēng)險智能。
趙仁乾
數(shù)據(jù)科學(xué)家，在電信大數(shù)據(jù)和機(jī)器學(xué)習(xí)領(lǐng)域有豐富的實踐經(jīng)驗。
現(xiàn)就職于北京電信規(guī)劃設(shè)計院任高級經(jīng)濟(jì)師，負(fù)責(zé)通信、ICT項目工程與業(yè)務(wù)咨詢，專注電信市場數(shù)據(jù)分析，重點研究方向包括離網(wǎng)用戶挖掘、市場細(xì)分與精準(zhǔn)營銷、移動網(wǎng)絡(luò)價值區(qū)域分析、大數(shù)據(jù)及人工智能運營規(guī)劃等。作者簡介
常國珍
數(shù)據(jù)科學(xué)專家和金融技術(shù)專家。北京大學(xué)會計學(xué)博士，中國大數(shù)據(jù)產(chǎn)業(yè)生態(tài)聯(lián)盟專家委員會委員。
2005年進(jìn)入數(shù)據(jù)科學(xué)領(lǐng)域，先后在亞信、德勤等企業(yè)從事電信、金融行業(yè)數(shù)據(jù)挖掘工作，現(xiàn)就職于中銀消費金融有限公司數(shù)據(jù)管理部。專注于消費金融領(lǐng)域的數(shù)據(jù)治理、客戶智能與風(fēng)險智能。
趙仁乾
數(shù)據(jù)科學(xué)家，在電信大數(shù)據(jù)和機(jī)器學(xué)習(xí)領(lǐng)域有豐富的實踐經(jīng)驗。
現(xiàn)就職于北京電信規(guī)劃設(shè)計院任高級經(jīng)濟(jì)師，負(fù)責(zé)通信、ICT項目工程與業(yè)務(wù)咨詢，專注電信市場數(shù)據(jù)分析，重點研究方向包括離網(wǎng)用戶挖掘、市場細(xì)分與精準(zhǔn)營銷、移動網(wǎng)絡(luò)價值區(qū)域分析、大數(shù)據(jù)及人工智能運營規(guī)劃等。
張秋劍
大數(shù)據(jù)專家和金融行業(yè)技術(shù)專家，上海師范大學(xué)計算機(jī)科學(xué)技術(shù)碩士。
現(xiàn)任星環(huán)科技金融事業(yè)部總監(jiān)，大數(shù)據(jù)技術(shù)架構(gòu)行業(yè)顧問專家，云析學(xué)院發(fā)起人，AICUG社區(qū)聯(lián)合發(fā)起人，曾在IEEE等期刊發(fā)表多篇論文。目前主要為銀行、證券和保險等行業(yè)客戶提供大數(shù)據(jù)平臺及人工智能平臺的整體規(guī)劃和項目建設(shè)等工作。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服