数据科学导论
全新正版现货
￥ 31.5 7.0折 ￥ 45 全新
仅1件
四川成都
认证卖家担保交易快速发货售后保障
作者黄晓林、刘斌、刘钦、陈颖、葛云
出版社清华大学出版社
ISBN9787302561699
出版时间2020-10
装帧平装
开本16开
纸张胶版纸
定价45元
货号29139483
上书时间2024-07-23
- 在售商品 暂无
- 平均发货时间 15小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 正版全新
- 商品描述
-
【编辑推荐】:
本书可作为大专院校数据科学的导论性教材或参考书，也适合所有对数据科学感兴趣的学生和社会读者自学。
（1） 体现工程教育专业认证的理念，注重对学生解决复杂工程问题能力的培养，突破常规学科划分局限，将基于项目的思维方式与系统性解决问题能力的培养常态化、课程化。
（2） 提供大量典型、实用的案例分析，深刻挖掘并精准阐述其中的科学原理，源自编者20多年科学研究和应用开发的深厚积累。
（3） 全新采用完整数据科学项目的规范化流程作为内容组织逻辑，确立数据科学项目规范步骤的同时，加强内容的可读性与可理解性，便于将书中理论移植到真实应用。
（4） 新形态教材，配套资源丰富，包括教学大纲、PPT课件、例程序代码，教学资源，可扫描书中二维码下载或观看。
（5） 配套中国大学MOOC网站在线课程“探索数据的奥秘”28个视频（时长300多分钟），便于翻转课堂、混合式教学和自主学习。
【内容简介】:
本书通过完整、规范的数据科学项目的流程来组织全书体系结构，涵盖数据科学项目的全过程，包括问题提出与目标制定、凝练前提假设和设计数据方案、探索性数据分析、建模与分析、性能评价、结果诠释与展示。佐以丰富的案例分析和模拟项目训练，启发学生主动思考，培养学生在实践中树立严谨的科学思维方式及数据科学流程。 本书除了可作为本科生数据科学基础课、理工通识课教材外，还面向所有对数据科学有浓厚兴趣的人群，以及各行各业中有大体量数据分析需求的人群。
【作者简介】:
黄晓林，南京大学电子科学与工程学院副教授，长期从事信号处理与数据分析工作，发表SCI学术论文30多篇，主持纵向科研项目4项，获国家授权方面专利5项，软件著作权1项。目前主讲南京大学电子科学与工程学院本科生课程《计算方法》、《数据科学导论》，曾经讲授《数据库应用》《生物医学电子学》等课程。
【目录】:
第1章 绪论
1.1 为什么要研究数据科学
1.2 基本概念
1.2.1 数据
1.2.2 大数据
1.2.3 数据科学
1.3 数据科学项目涉及的人员及其任务
1.4 数据科学项目流程
1.4.1 确定问题
1.4.2 制定目标
1.4.3 搜集数据
1.4.4 探索性数据分析
1.4.5 建立模型
1.4.6 性能评价
1.4.7 结果展示
1.4.8 部署模型
1.5 数据科学项目中的数据流
1.6 本书内容、采用工具和目标人群
思考题
第2章 问题与目标
2.1 用户层面的问题与目标
2.2 数据科学层面的问题与目标
思考题
第3章 数据获取
3.1 前提假设与数据方案设计
3.1.1 前提假设
3.1.2 数据方案设计
3.1.3 数据获取的可行性分析
3.1.4 确定数据构成
3.2 总体和抽样
3.2.1 总体和个体
3.2.2 样本
3.2.3 无偏抽样
3.2.4 抽样偏差
3.3 混杂因素和A/B Testing
3.3.1 混杂因素和辛普森悖论
3.3.2 双盲实验和A/B Testing
思考题
第4章 Python基础
4.1 Python的下载与安装
4.2 常用工具包的下载与安装
4.3 Jupyter Notebook
4.4 Python的常用数据结构
4.4.1 列表
4.4.2 元组
4.4.3 字典
4.4.4 集合
4.4.5 numpy.n darray
4.4.6 Pandas.D ataFrame
4.5 Python基本语法
4.5.1 基本命令
4.5.2 控制流和相关语法
4.6 Python数据导入
4.6.1 本地数据导入
4.6.2 在线数据导入
4.6.3 数据的连续流加载
第5章 探索性数据分析
5.1 数据检查
5.1.1 数据的意义及规模
5.1.2 特征的数据类型及意义
5.1.3 初步排除数据泄露
5.2 数据预处理
5.2.1 缺失处理
5.2.2 异常处理
5.2.3 冗余处理
5.3 描述性统计
5.3.1 位置性测度
5.3.2 离散性测度
5.3.3 图形化描述统计
思考题
第6章 建模与性能评价
6.1 统计建模
6.1.1 常见的概率密度函数
6.1.2 参数估计
6.1.3 假设检验
6.1.4 phacking
6.2 回归模型
6.2.1 线性回归模型
6.2.2 线性回归模型性能评价
6.2.3 线性回归与线性相关
6.2.4 逻辑回归
6.2.5 训练集测试集划分
6.2.6 应用非数值特征作为输入时的onehot编码
6.3 朴素贝叶斯模型
6.3.1 贝叶斯定理
6.3.2 高斯模型
6.3.3 多项式模型
6.3.4 伯努利模型
6.4 分类模型的性能评价
6.4.1 混淆矩阵
6.4.2 指标权衡
6.4.3 应用举例
6.4.4 参数区分性能评价
6.5 决策树
6.5.1 决策树工作原理
6.5.2 分类任务决策树的建模过程
6.5.3 分类决策树应用举例
6.6 有监督学习模型与无监督学习模型
6.7 Kmeans模型
6.7.1 两个基本概念
6.7.2 Kmeans迭代算法
6.8 偏差方差权衡
6.8.1 偏差方差困境
6.8.2 过拟合与欠拟合
6.8.3 K折交叉验证
6.9 参数的网格搜索
6.10 集成学习
6.10.1 孔多塞陪审团定理
6.10.2 决策树集成
思考题
第7章 结果展示
7.1 区分面向对象的结果展示
7.1.1 面向出资方的结果展示
7.1.2 面向用户的结果展示
7.1.3 面向数据科学家的结果展示
7.2 展示过程中的可视化
7.2.1 展示可视化的两个层面
7.2.2 展示可视化的三点基本原则
结语
参考文献
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价