正版现货新书 巧用ChatGPT进行数据分析与挖掘 9787111761174 谢佳标|
全新正版现货，以书名为准，放心购买，购书咨询18931383650朱老师
￥ 60.07 6.1折 ￥ 99 全新
库存2件
北京丰台
认证卖家担保交易快速发货售后保障
作者谢佳标|
出版社机械工业
ISBN9787111761174
出版时间2024-08
装帧平装
开本其他
定价99元
货号32179671
上书时间2025-01-04
- 在售商品 暂无
- 平均发货时间 9小时
- 好评率 暂无
- 最新上架
![正版现货新书 停止胡思乱想3册套装：如何停止胡思乱想+所以你想大吵一架吗+停止内耗 9787518993161 ［美]卡罗尔·克肖、[英] 罗布·肯德尔、若杉 著](https://www0.kfzimg.com/sw/kfz-cos/kfzimg/dcdbbdee/30c2bc2df293dcd1_s.jpg)
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
谢佳标<br/>资深数据挖掘专家，拥有超过16年数据分析与挖掘经验，擅长使用ChatGPT等AI工具辅助数据分析与挖掘。<br/>曾就职于平安人寿，现就职于某国资寿险公司，负责数据化运营、数据挖掘及数据可视化相关工作的技术研发及团队管理工作。对如何利用R语言、Python等工具进行数据分析与挖掘有丰富的实战经验，在深度学习领域也有深厚的积累。<br/>社会荣誉：<br/>2017—2024年连续7年微软最具价值专家MVP；<br/>中国现场统计研究会大数据统计分会第一届理事；<br/>历届中国R语言大会演讲嘉宾；<br/>2015—2017年WOT“互联网+”大数据技术峰会演讲嘉宾；<br/>广深两地微软MVP-SQL技术沙龙专家。<br/>撰写书籍：<br/>《Keras深度学习：入门、实战与进阶》<br/>《深度学习从入门到精通：基于Keras》<br/>《R语言数据分析及挖掘（微课版）》<br/>《R语言游戏数据分析与挖掘》<br/>《R语言与数据挖掘》
目录
目 录?Contents<br />前 言<br />第1章 数据分析及ChatGPT概述 1<br />1.1 数据分析概述 1<br />1.1.1 用ChatGPT快速了解数据<br />分析 1<br />1.1.2 数据分析与数据挖掘 4<br />1.1.3 机器学习算法概述 5<br />1.2 常用AIGC工具的注册及使用 6<br />1.2.1 如何使用OpenAI的<br />GPT-3.5 6<br />1.2.2 如何使用百度的文心一言 10<br />1.2.3 如何使用科大讯飞的星火<br />认知大模型 14<br />1.3 使用ChatGPT辅助工具安装 16<br />1.3.1 Anaconda的安装 16<br />1.3.2 Jupyter Notebook的使用 17<br />1.4 使用ChatGPT辅助Python<br />入门 18<br />1.4.1 使用ChatGPT学习Python<br />数据对象 19<br />1.4.2 使用ChatGPT学习NumPy 23<br />1.4.3 使用ChatGPT学习Pandas 25<br />1.5 本章小结 28<br />第2章 使用ChatGPT学习数据<br />操作 29<br />2.1 使用ChatGPT学习数据的基本<br />管理 29<br />2.1.1 数据去重 29<br />2.1.2 数据排序 33<br />2.1.3 数据合并 35<br />2.1.4 数据分箱 38<br />2.2 使用ChatGPT学习描述统计<br />分析 40<br />2.2.1 描述统计分析概述 41<br />2.2.2 中心趋势分析 42<br />2.2.3 离散程度分析 45<br />2.2.4 分布形状分析 48<br />2.2.5 频数分布分析 50<br />2.3 使用ChatGPT学习中文文本<br />操作 52<br />2.3.1 Jieba分词 52<br />2.3.2 添加自定义词典 55<br />2.3.3 关键词提取 57<br />2.3.4 词性标注 60<br />2.4 使用ChatGPT学习图像数据<br />操作 62<br />2.4.1 图像的读取、显示及保存 62<br />2.4.2 图像像素的获取和编辑 64<br />2.4.3 图像的几何变换操作 65<br />2.5 本章小结 68<br />第3章 使用ChatGPT学习数据预<br />处理 69<br />3.1 使用ChatGPT学习数据抽样 69<br />3.1.1 常用的数据抽样方法 69<br />3.1.2 简单随机抽样 70<br />3.1.3 数据分区 73<br />3.1.4 分层随机抽样 76<br />3.1.5 数据类失衡处理 79<br />3.2 使用ChatGPT学习数据清洗 82<br />3.2.1 缺失值的识别及处理 82<br />3.2.2 异常值的识别及处理 89<br />3.3 使用ChatGPT学习数据变换 91<br />3.3.1 数据标准化处理 91<br />3.3.2 数据独热编码处理 94<br />3.4 本章小结 96<br />第4章 使用ChatGPT学习数据静态可视化 97<br />4.1 使用ChatGPT了解数据可视化<br />工具 97<br />4.2 使用ChatGPT学习Matplotlib<br />数据可视化 98<br />4.2.1 Matplotlib绘图基础 99<br />4.2.2 使用Matplotlib绘制图形 111<br />4.3 使用ChatGPT学习Pandas数据<br />可视化 130<br />4.3.1 Pandas绘图方法 130<br />4.3.2 使用Pandas绘制图形 132<br />4.4 使用ChatGPT学习Seaborn数据<br />可视化 138<br />4.4.1 Seaborn绘图方法 139<br />4.4.2 使用Seaborn绘制图形 140<br />4.5 使用ChatGPT学习plotnine数据<br />可视化 154<br />4.5.1 plotnine绘图方法 154<br />4.5.2 使用plotnine绘制图形 156<br />4.6 本章小结 158<br />第5章 使用ChatGPT学习交互数据<br />可视化 159<br />5.1 使用ChatGPT学习Plotly数据<br />可视化 159<br />5.1.1 Plotly交互可视化绘图<br />方法 160<br />5.1.2 使用graph_objs进行交互<br />可视化 161<br />5.1.3 使用express进行交互可<br />视化 174<br />5.2 使用ChatGPT学习Bokeh数据<br />可视化 180<br />5.2.1 Bokeh交互可视化绘图<br />方法 181<br />5.2.2 使用Bokeh进行交互可<br />视化 182<br />5.3 使用ChatGPT学习Pyecharts数据可视化 187<br />5.3.1 Pyecharts交互可视化绘图<br />方法 187<br />5.3.2 使用Pyecharts进行交互<br />可视化 188<br />5.4 本章小结 200<br />第6章 使用ChatGPT学习聚类<br />分析 201<br />6.1 使用ChatGPT了解无监督<br />学习 201<br />6.2 聚类分析方法概述 203<br />6.3 k均值聚类 205<br />6.3.1 k均值聚类的原理 205<br />6.3.2 k均值聚类的Python<br />实现 206<br />6.3.3 案例：对iris数据集进行k<br />均值聚类 208<br />6.3.4 使用统计方法寻找最佳聚类<br />簇数 210<br />6.4 层次聚类 215<br />6.4.1 层次聚类的原理 215<br />6.4.2 层次聚类的Python实现 217<br />6.4.3 案例：对USArrests数据集进行层次聚类 218<br />6.4.4 使用轮廓系数寻找最佳聚类<br />簇数 222<br />6.5 密度聚类 223<br />6.5.1 密度聚类的原理 223<br />6.5.2 密度聚类的Python实现 225<br />6.5.3 案例：对multishapes数据集进行密度聚类 226<br />6.6 本章小结 230<br />第7章 使用ChatGPT学习降维算法及关联规则分析 231<br />7.1 使用ChatGPT了解降维算法 231<br />7.2 主成分分析 233<br />7.2.1 主成分分析的原理 233<br />7.2.2 主成分分析的Python<br />实现 234<br />7.2.3 案例：对iris数据集进行主成<br />分分析 236<br />7.3 关联规则分析 239<br />7.3.1 关联规则分析的原理 239<br />7.3.2 关联规则分析的Python<br />实现 241<br />7.3.3 案例：对用户购买物品的行为<br />进行关联规则分析 242<br />7.4 本章小结 249<br />第8章 使用ChatGPT学习回归<br />分析 250<br />8.1 使用ChatGPT了解常用的有监督<br />学习算法 250<br />8.2 一元线性回归 252<br />8.2.1 一元线性回归的原理 252<br />8.2.2 使用scikit-learn实现一元线<br />性回归 254<br />8.2.3 案例：对women数据集进行<br />一元线性回归 255<br />8.3 多元线性回归 258<br />8.3.1 多元线性回归的原理 259<br />8.3.2 案例：对个人医疗费用进行<br />多元线性回归 259<br />8.4 对自变量中有定性变量的数据集进行线性回归 263<br />8.4.1 对自变量中有定性变量的数据<br />集建立线性回归模型 263<br />8.4.2 回归模型的效果评估 267<br />8.5 通过逐步回归寻找最优模型 270<br />8.6 逻辑回归 272<br />8.6.1 逻辑回归的原理 272<br />8.6.2 逻辑回归的Python实现 274<br />8.6.3 案例：对iris数据集进行逻辑<br />回归 275<br />8.7 本章小结 276<br />第9章 使用ChatGPT学习决策树算法及随机森林算法 277<br />9.1 决策树算法的原理 277<br />9.1.1 决策树算法概述 277<br />9.1.2 常用的决策树算法 280<br />9.2 决策树算法的Python实现 288<br />9.2.1 实现决策树算法的常用库 288<br />9.2.2 基于scikit-learn实现决策树<br />分类 289<br />9.3 案例：对iris数据集进行决策树<br />分类 290<br />9.3.1 构建决策树 290<br />9.3.2 查看生成的决策规则 291<br />9.3.3 决策树可视化 293<br />9.3.4 绘制决策边界 295<br />9.4 案例：对乳腺癌数据集进行决策树分类 299<br />9.4.1 构建决策树分类模型 299<br />9.4.2 对决策树分类模型进行<br />调优 304<br />9.5 随机森林算法的原理及实现 305<br />9.5.1 常用的集成学习算法 305<br />9.5.2 基于scikit-learn实现随机森林<br />分类 307<br />9.5.3 案例：对乳腺癌数据集进行<br />随机森林分类 309<br />9.6 本章小结 311<br />第10章 使用ChatGPT学习k近邻算法及支持向量机算法 312<br />10.1 k近邻算法的原理 312<br />10.1.1 k近邻算法的思想 312<br />10.1.2 k近邻算法的推导过程 313<br />10.1.3 距离的度量方法 315<br />10.2 k近邻算法的Python实现 316<br />10.2.1 基于scikit-learn实现k近邻<br />分类 316<br />10.2.2 案例：对乳腺癌数据集进行<br />k近邻分类 318<br />10.3 支持向量机算法的原理 322<br />10.3.1 了解支持向量机 323<br />10.3.2 常见的支持向量机模型 325<br />10.4 支持向量机算法的Python<br />实现 326<br />10.4.1 基于scikit-learn实现支持向<br />量机分类 326<br />10.4.2 案例：对乳腺癌数据集进行<br />支持向量机分类 328<br />10.5 本章小结 331<br />第11章 使用ChatGPT学习神经网络<br />算法 332<br />11.1 神经网络算法的理论基础 332<br />11.1.1 了解神经网络算法 332<br />11.1.2 神经网络的拓扑结构 333<br />11.1.3 常用的激活函数 335<br />11.1.4 常用的神经网络模型 338<br />11.2 前馈神经网络 339<br />11.2.1 了解前馈神经网络 339<br />11.2.2 前馈神经网络的scikit-learn<br />实现 341<br />11.2.3 案例：对乳腺癌数据集进行<br />前馈神经网络分类 342<br />11.3 卷积神经网络 346<br />11.3.1 卷积神经网络的原理 346<br />11.3.2 卷积层的原理 349<br />11.3.3 卷积层的TensorFlow<br />实现 352<br />11.3.4 池化层的原理 357<br />11.3.5 池化层的TensorFlow<br />实现 359<br />11.3.6 全连接层 361<br />11.3.7 案例：使用卷积神经网络<br />实现手写数字识别 362<br />11.4 本章小结 368<br />第12章 使用ChatGPT学习模型性能<br />评估及优化 369<br />12.1 模型性能评估 369<br />12.1.1 数值预测的评估方法及其scikit-learn实现 369<br />12.1.2 分类预测的评估方法及其scikit-learn实现 371<br />12.2 模型参数优化 375<br />12.2.1 正则化 375<br />12.2.2 数据分区 377<br />12.2.3 K折交叉验证 378<br />12.2.4 网格搜索 379<br />12.2.5 Dropout 381<br />12.2.6 梯度下降法 382<br />12.3 案例：对乳腺癌数据集寻找<br />最优模型 385<br />12.4 本章小结 389
内容摘要
内容简介这既是一本引导读者如何使用ChatGPT低门槛、高效率学习Python数据分析与挖掘方法的著作，又是一本指导读者如何使用ChatGPT精准、高效地进行Python数据分析与挖掘实操的著作。
从读者对象的角度看，本书既大大降低了没有编程经验的读者学习Python数据分析的门槛，又为有经验的Python数据分析师提供了大量实用的AI数据分析技巧，帮助他们快速转型为具备AI能力的数据分析师。
从核心内容的角度看，本书不仅讲解了如何在数据预处理、数据清洗、数据可视化等基础的数据分析环节使用AI工具，而且还讲解了如何在聚类分析、预测分析等高级的数据建模环节使用AI工具。
阅读完本书，你将掌握以下知识：（1）数据分析、数据挖掘以及机器学习算法的基础知识。
（2）ChatGPT等AI工具的注册及使用，以及如何使用这些AI工具学习Python。
（3）使用ChatGPT辅助各种常见的数据操作和数据预处理。
（4）使用ChatGPT辅助静态数据可视化和数据交互可视化。
（5）使用ChatGPT辅助聚类分析、关联规则分析、回归分析。
（6）使用ChatGPT辅助学习降维算法、决策树算法、随机森林、k近邻算法、支持向量机算法、神经网络算法。
（7）使用ChatGPT辅助数据建模以及对模型的性能进行评估和优化。
本书采用由浅入深的写作方式，既确保了内容的可理解性，又保持了足够的深度，配有详细的代码示例和实践指导，确保每位读者能够轻松上手并从中获益，提升自己的分析效率和洞察能力。
本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与实践结合，注重实用性和可操作性，帮助读者快速掌握核心知识。提供丰富的实际案例和操作指南，涵盖多种AI工具和交互技巧，确保读者能够学以致用。
主编推荐
（1）作者背景权威：R和Python数据分析与挖掘领域的社区领军人物，某大型国资寿险公司数据团队负责人。
（2）作者经验丰富：拥有超过16年的数据分析与挖掘经验，擅长使用ChatGPT等AI工具辅助数据分析与挖掘。
（3）零编程经验也能成为
— 没有更多了 —
以下为对购买帮助不大的评价