Python数据科学应用从入门到精通
正版保障 假一赔十 可开发票
￥ 79.46 6.2折 ￥ 129 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者张甜，杨维忠编著
出版社清华大学出版社
ISBN9787302646853
出版时间2023-11
装帧平装
开本其他
定价129元
货号14037744
上书时间2024-10-22
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
阿什温·帕扬卡（AshwinPajankar）是一名技术类作家、讲师、内容创作者和YouTuber主播。他在南德的SGGSIE&T获得了工程学士学位，在印度理工学院海德拉巴校区获得了计算机科学与工程硕士学位。他在7岁的时候接触到电子技术和计算机编程。BASIC 是他学会的第一种编程语言。他还用过其他很多编程语言，比如汇编语言、C、C++、VisualBasic、Java、ShellScripting、Python、SQL和 JavaScript。他还非常喜欢使用单板计算机和微控制器，比如树莓派、BananaPro、Arduino、BBC Microbit 和 ESP32。 他目前正专注于发展 YouTube 频道，内容涉及计算机编程、电子技术和微控制器。 阿迪亚·乔希（AdityaJoshi）是一名机器学习工程师，他曾经在早中期创业公司的数据科学和机器学习团队工作。他在浦那大学获得了工程学士学位，在印度理工学院海德拉巴校区获得了计算机科学与工程硕士学位。他在硕士学习期间对机器学习产生了兴趣，并与印度理工学院海德拉巴校区的搜索和信息提取实验室有了联系。他喜欢教学，经常参加培训研讨会、聚会和短期课程。 欧拉在校期间多次入选“优等生名单”，奉行深思笃行的做事原则，擅长于问题引导和拆解，曾经运用数据模型和R语言帮助某企业在半年内实现了十倍的增长。美食爱好者。有多部译著，翻译风格活泼而准确，有志于通过文字、技术和思维来探寻商业价值与人文精神的平衡。目前感兴趣的方向有机器学习和人工智能。
目录
目??录 第Ⅰ部分?PYTHON机器学习 第1章?Python 3和Jupyter Notebook入门 3 1.1?Python概述 4 1.1.1?Python编程语言的历史 4 1.1.2?Python编程语言的哲学 4 1.1.3?Python的使用范围 5 1.2?安装Python 6 1.2.1?在Linux 发行版上安装 Python 7 1.2.2?在macOS 上安装Python 7 1.3?Python模式 7 1.3.1?交互模式 7 1.3.2?脚本模式 11 1.4?Pip3工具 13 1.5?科学Python生态系统 14 1.6?Python的实现和发行版 14 1.7?Anaconda发行版 15 1.8?小结 16 第2章?NumPy入门 17 2.1?开始使用NumPy 18 2.2?Ndarray的索引 20 2.3?Ndarray的属性 22 2.4?NumPy常量 23 2.5?小结 24 第3章?数据可视化入门 25 3.1?用于创建Ndarray的NumPy例程 26 3.2?Matplotlib数据可视化 28 3.3?小结 34 第4章?Pandas入门 35 4.1?Pandas基础知识 36 4.2?Pandas中的Series 36 4.3?Pandas中的数据框架 38 4.4?在数据框架中实现数据的可视化 40 4.5?小结 46 第Ⅱ部分?机器学习方法 第5章?Scikit-learn机器学习概述 49 5.1?从数据中学习 50 5.1.1?监督式学习 50 5.1.2?无监督学习 51 5.2?机器学习系统的结构 52 5.2.1?问题理解 53 5.2.2?数据收集 53 5.2.3?数据标注和数据准备 53 5.2.4?数据整理 53 5.2.5?模型的开发、训练和评估 54 5.2.6?模型的部署 54 5.3?Scikit-Learn 55 5.4?安装Scikit-Learn 55 5.5?了解API 56 5.6?第一个Scikit-learn实验 57 5.7?小结 60 第6章?为机器学习准备数据 61 6.1?数据变量的类型 62 6.1.1?名目数据 62 6.1.2?次序数据 62 6.1.3?等距数据 63 6.1.4?等比数据 63 6.2?转换 63 6.2.1?转换名目属性 64 6.2.2?转换有序属性 66 6.3?归一化 67 6.3.1?线性函数归一化 68 6.3.2?标准缩放 69 6.4?预处理文本 70 6.4.1?准备NLTK 70 6.4.2?NLP流水线的5个步骤 71 6.4.3?词干提取和词形还原 72 6.4.4?移除停用词 73 6.4.5?准备词向量 73 6.5?预处理图像 75 6.6?小结 77 第7章?初探监督式学习方法 79 7.1?线性回归 80 7.2?逻辑回归 86 7.2.1?表达式概率的线与曲线的比较 87 7.2.1?学习参数 87 7.2.2?可视化决策边界 90 7.3?决策树 91 7.3.1?构建决策树 92 7.3.2?Python中的决策树 93 7.4?小结 96 第8章?对监督式学习进行调试 97 8.1?训练和测试过程 98 8.2?性能的衡量标准 98 8.2.1?混淆矩阵 99 8.2.2?准确率 100 8.2.3?准确率 100 8.2.3?F值 100 8.2.4?Python中的性能指标 101 8.3?交叉验证 103 8.3.1?为什么要进行交叉验证 104 8.3.2?使用Python进行交叉验证 105 8.4?ROC曲线 106 8.5?过拟合和正则化 109 8.5.1?偏差和方差 112 8.5.2?正则化 113 8.6?超参数调优 116 8.7?小结 120 第9章?再谈监督学习方法 121 9.1?朴素贝叶斯 122 9.1.1?贝叶斯定理 122 9.1.2?条件概率 123 9.1.3?朴素贝叶斯的运作方式 123 9.1.4?多项朴素贝叶斯 124 9.1.5?Python中的朴素贝叶斯 124 9.2?支持向量机 126 9.2.1?SVM的运作方式 127 9.2.2?非线性分类 128 9.2.3?SVM中的核技巧 129 9.2.4?Python中的支持向量机 130 9.3?小结 134 第10章?集成学习方法 135 10.1?Bagging算法和随机森林 136 10.2?Boosting算法 140 10.3?Stacking集成 146 10.4?小结 150 第11章?无监督学习方法 151 11.1?降维 152 11.1.1?了解维数灾难 152 11.1.2?主成分分析 153 11.1.3?Python中的主成分分析 154 11.2?聚类 157 11.2.1?使用k-均值进行聚类 158 11.2.2?Python中的k-均值 158 11.2.3?什么是正确的k 161 11.2.4?聚类之图像分割 162 11.2.5?使用DBSCAN进行聚类 165 11.3?频繁模式挖掘 168 11.3.1?购物篮分析 168 11.3.2?Python中的频繁模式挖掘 169 11.4?小结 172 第Ⅲ部分?神经网络和深度学习 第12章?神经网络和PyTorch基础 175 12.1?安装PyTorch 177 12.2? PyTorch的基础知识 177 12.2.1?创建张量 177 12.2.2?张量操作 179 12.3?感知器 181 12.4?人工神经网络 185 12.5?小结 186 第13章?前馈神经网络 187 13.1?前馈神经网络 188 13.1.1?训练神经网络 189 13.1.2?损失函数 193 13.2?使用人工神经网络进行回归 195 13.3?激活函数 198 13.3.1?ReLU 激活函数 198 13.3.2?Sigmoid 激活函数 199 13.3.3?tanh激活函数 200 13.4?多层人工神经网络 200 13.4.1?PyTorch中的神经网络（NN）类 206 13.4.2?过拟合和Dropout 208 13.5?分类手写数字 209 13.6?小结 214 第14章?卷积神经网络 215 14.1?卷积运算 216 14.2?CNN的结构 219 14.3?在PyTorch中使用卷积神经网络 221 14.4?使用CNN进行图像分类 223 14.5?卷积神经网络的深度网络 233 14.5?小结 234 第15章?循环神经网络 235 15.1?循环单元 236 15.2?RNN的类型 238 15.2.1?一对一 238 15.2.2?一对多 238 15.2.3?多对一 238 15.2.4?多对多 239 15.3?Python中的RNN 239 15.4?长短期记忆 240 15.4.1?LSTM单元 241 15.4.2?时间序列预测 242 15.5?门控循环单元 252 15.6?小结 252 第16章?项目实战 253 16.1?数据科学生命周期 254 16.2?如何提供ML应用 257 16.3?通过实践学习 258 16.3.1?定义问题 258 16.3.2?数据 259 16.3.3?准备模型 263 16.3.4?序列化模型，以便未来用于预测 268 16.3.5?托管模型 270 16.4?未来可期 271
主编推荐
NumPy、Pandas、Matplotlib、Scikit-learn以及Pytorch，一应俱全 涵括常见应用场景，可作为初学者入门指南以及从业者中长期参考手册 深度阐述机器学习环境搭建、数据加载、数值处理、数据分析和可视化 结合理论和实践来解释监督学习、无监督学习、回归算法以及集成学习 通过一个端到端解决方案来解释复杂的卷积神经网络架构、原理和实现 本书分为三个部分。第一部分向您介绍使用 Python 的数字运算和数据分析工具，并深入解释环境配置、数据加载、数值处理、数据分析和可视化。第二部分涵盖机器学习基础知识和 Scikit-learn 库。它还通过理论和实践课程以简单的方式解释了监督学习、无监督学习、回归算法的实现和分类以及集成学习方法。第三部分解释了复杂的神经网络架构，并详细介绍了卷积神经网络的内部工作和实现。最后一章包含 Pytorch 中神经网络的详细端到端解决方案。本书可以帮助读者实现机器学习和神经网络解决方案。 特色主题如下： 复习NumPy和Pandas中的数据结构 展示机器学习技术和算法 了解监督学习和非监督学习 重点讨论卷积神经网络和递归神经网络 全面介绍熟悉scikit-learn和 PyTorch 预测递归神经网络和长短期记忆中的序列
精彩内容
随着数据存储、数据处理等大数据技术的快速发展，数据科学在各行各业得到广泛的应用。数据清洗、特征工程、数据可视化、数据挖掘与建模等已成为高校师生和职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“数据科学应用”有机结合，为数字化人才的培养助力。 全书共分13章，内容包括：第1章数据科学应用概述；第2章Python的入门基础知识；第3章数据清洗；第4~6章特征工程介绍，包括特征选择、特征处理和特征提取；第7章数据可视化应用；第8~13章介绍6种数据挖掘与建模的方法，分别为线性回归、Logistic回归、决策树、随机森林、神经网络、RFM分析。 《Python数据科学应用从入门到精通》既适合作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python数据科学应用的专业教材或参考书，也适合作为企事业单位数字化人才培养的教科书与工具书。此外，还可以作为职场人士提升数据处理与分析挖掘能力，提高工作效能和绩效水平的自学Python数据科学应用的工具书。
— 没有更多了 —
以下为对购买帮助不大的评价