数据科学入门 *二2版 利用python进行数据分析与可视化计算机大数据挖掘机器学习Google数据 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

本书基于Python语言环境，从零开始讲解数据科学工作，讲述数据科学工作所需的技能与诀窍，并带领读者熟悉数据科学的核心知识：数学与统计学。作者借助大量具有现实意义的实例详细展示了什么是数据科学，介绍了从事数据科学工作需要用到的库，如NumPy、scikit-learn、pandas等，还在每章末尾推荐了很多学习资源，帮助你进一步巩固本书所学。新版基于Python 3.6，重写了所有示例和代码，并根据数据科学近几年的发展，新增了关于深度学习、统计学和自然语言处理等主题，让图书内容与时俱进。

第 2版前言　xiii

第　1版前言 xvii

第　1章 导论　1

1.1　数据的崛起　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　工资和工作年限　8

1.3.4　付费账户　10

1.3.5　感兴趣的主题　10

1.3.6　展望　12

第　2章 Python速成　13

2.1　Python之禅　13

2.2　获取Python　14

2.3　虚拟环境　14

2.4　空白格式　15

2.5　模块　16

2.6　函数　17

2.7　字符串　18

2.8　异常　19

2.9　列表　19

2.10　元组　21

2.11　字典　22

2.12　计数器　24

2.13　集　24

2.14　控制流　25

2.15　真和假　26

2.16　排序　27

2.17　列表解析　27

2.18　自动化测试和断言　28

2.19　面向对象编程　29

2.20　迭代器和生成器　31

2.21　随机性 ..32

2.22　正则表达式　33

2.23　函数式编程　34

2.24　压缩和参数拆分　34

2.25　args和kwargs　35

2.26　类型注释　36

2.27　欢迎来到DataSciencester　39

2.28　进一步探索　39

第3章　数据可视化　40

3.1　matplotlib　40

3.2　条形图　42

3.3　线图　45

3.4　散点图　46

3.5　延伸学习　48

第4章　线性代数　49

4.1　向量　49

4.2　矩阵　53

4.3　延伸学习　56

第5章　统计学　57

5.1　描述单个数据集　57

5.1.1　中心倾向　59

5.1.2　离散度　61

5.2　相关　62

5.3　辛普森悖论　64

5.4　相关系数的其他注意事项　65

5.5　相关与因果　66

5.6　延伸学习　66

第6章　概率　68

6.1　依赖和独立　68

6.2　条件概率　69

6.3　贝叶斯定理　71

6.4　随机变量　72

6.5　连续分布　72

6.6　正态分布　73

6.7　中心极限定理　76

6.8　延伸学习　78

第7章　假设和推论　79

7.1　统计假设检验　79

7.2　实例：掷硬币　79

7.3　p值　82

7.4　置信区间　84

7.5　p-Hacking　84

7.6　实例：运行A/B 测试　85

7.7　贝叶斯推断　86

7.8　延伸学习　89

第8章　梯度下降　90

8.1　梯度下降的思想　90

8.2　估算梯度　91

8.3　使用梯度　94

8.4　选择正确步长　94

8.5　使用梯度下降拟合模型　95

8.6　小批次梯度下降和随机梯度下降　96

8.7　延伸学习　98

第9章　获取数据　99

9.1　stdin和stdout　99

9.2　读取文件　101

9.2.1　文本文件的基础　101

9.2.2　限制的文件　102

9.3　网络抓取　104

9.4　使用API　106

9.4.1　JSON和XML　106

9.4.2　使用无验证的API　107

9.4.3　寻找API　108

9.5　实例：使用Twitter API　109

9.6　延伸学习　112

第　10章 数据工作　113

10.1　探索数据　113

10.1.1　探索一维数据　113

10.1.2　两个维度　115

10.1.3　多维数据　116

10.2　使用NamedTuple　18

10.3　数据类　119

10.4　清洗和修改　120

10.5　数据处理　122

10.6　数据调整　25

10.7　题外话：tqdm　126

10.8　降维　127

10.9　延伸学习　133

第　11章 机器学习　134

11.1　建模　134

11.2　什么是机器学习　135

11.3　过拟合与欠拟合　135

11.4　正确性　138

11.5　偏差–方差权衡　140

11.6　特征提取与选择　141

11.7　延伸学习　142

第　12章 k最近邻法　143

12.1　模型　143

12.2　实例：鸢尾花数据集　145

12.3　维数灾难　148

12.4　进一步探索　152

第　13章 朴素贝叶斯算法　153

13.1　一个简易的垃圾邮件过滤器　153

13.2　一个复杂的垃圾邮件过滤器　154

13.3　算法实现　155

13.4　测试模型　157

13.5　使用模型　158

13.6　延伸学习　161

第　14章 简单线性回归　162

14.1　模型　162

14.2　使用梯度下降法　165

14.3　似然估计　166

14.4　延伸学习　166

第　15章 多元回归　167

15.1　模型　167

15.2　最小二乘模型的进一步假设　168

15.3　拟合模型　169

15.4　解释模型　171

15.5　拟合优度　171

15.6　题外话：Bootstrap　172

15.7　回归系数的标准误差　173

15.8　正则化　175

15.9　延伸学习　177

第　16章 逻辑回归　178

16.1　问题　178

16.2　logistic函数　180

16.3　应用模型　183

16.4　拟合优度　184

16.5　支持向量机　185

16.6　延伸学习　188

第　17章 决策树　89

17.1　什么是决策树　189

17.2　熵　191

17.3　分割的熵　193

17.4　创建决策树　194

17.5　综合运用　196

17.6　随机森林　199

17.7　延伸学习　199

第　18章 神经网络　200

18.1　感知器　200

18.2　前馈神经网络　202

18.3　反向传播　205

18.4　实例：Fizz Buzz　207

18.5　延伸学习　210

第　19章 深度学习　211

19.1　张量　211

19.2　层抽象　213

19.3　线性层　215

19.4　把神经网络作为层序列　218

19.5　损失函数与优化器　219

19.6　实例：重新设计异或网络　221

19.7　其他激活函数　222

19.8　实例：重新解决Fizz Buzz问题　223

19.9　softmax函数和交叉熵　224

19.10　丢弃　227

19.11　实例：MNIST　227

19.12　保存和加载模型　231

19.13　延伸学习　232

第　20章 聚类分析　233

20.1　原理　233

20.2　模型　234

20.3　实例：聚会　236

20.4　选择聚类数目k　238

20.5　实例：色彩聚类　239

20.6　自下而上的分层聚类　241

20.7　延伸学习　246

第　21章 自然语言处理　247

21.1　词云　247

21.2　n-gram 语言模型　249

21.3　语法　252

21.4　题外话：吉布斯采样　254

21.5　主题建模　255

21.6　词向量　260

21.7　递归神经网络　268

21.8　实例：使用字符级RNN　271

21.9　延伸学习　274

第　22章 网络分析　275

22.1　中介中心性　275

22.2　特征向量中心性　280

22.2.1　矩阵乘法　280

22.2.2　中心性　282

22.3　有向图与PageRank　283

22.4　延伸学习　286

第　23章 推荐系统　287

23.1　人工管理　288

23.2　推荐流行事务　288

23.3　基于用户的协同过滤　289

23.4　基于项目的协同过滤　292

23.5　矩阵分解　294

23.6　延伸学习　298

第　24章 数据库与SQL　299

24.1　CREATE TABLE与INSERT　299

24.2　UPDATE　302

24.3　DELETE　303

24.4　SELECT　304

24.5　GROUP BY　306

24.6　ORDER BY　308

24.7　JOIN　309

24.8　子查询　311

24.9　索引　312

24.10　查询优化　312

24.11　NoSQL　313

24.12　延伸学习　313

第　25章 MapReduce　314

25.1　实例：单词计数　315

25.2　为什么是MapReduce　316

25.3　更一般化的MapReduce　317

25.4　实例：状态分析更新　318

25.5　实例：矩阵乘法　320

25.6　题外话：组合器　321

25.7　延伸学习　322

第　26章 数据伦理　323

26.1　什么是数据伦理　323

26.2　讲真的，什么是数据伦理　324

26.3　是否应该关注数据伦理　324

26.4　建立不良数据产品　325

26.5　精确与公平之间的较量　325

26.6　合作　327

26.7　可解释性　327

26.8　推荐　327

26.9　异常数据　328

26.10　数据保护　329

26.11　小结　329

26.12　延伸学习　329

第　27章 数据科学前瞻　330

27.1　IPython　330

27.2　数学　331

27.3　不从零开始　331

27.3.1　NumPy　331

27.3.2　pandas　331

27.3.3　scikit-learn　331

27.3.4　可视化　332

27.3.5　R　332

27.3.6　深度学习　332

27.4　寻找数据　333

27.5　从事数据科学工作　333

27.5.1　Hacker News　333

27.5.2　消防车　333

27.5.3　T恤　334

27.5.4　地球仪上的推文　334

27.5.5　你的发现　335

关于作者　336

关于封面　336

乔尔·格鲁斯（Joel Grus） Capital Group公司的首席机器学习工程师，担任过艾伦研究所的人工智能研发工程师以及谷歌公司的软件工程师，还曾在多家创业公司担任数据科学家。 【译者简介】 岳冰 美国西北大学数学硕士，知乎专栏“X-Lab”编辑，参与编撰了《知识图谱标准化白皮书（2019版）》。深耕图神经网络、推荐算法、复杂关系网络风险挖掘、机器学习等领域。运用人工智能算法与工具，长期支持有关部门用高精尖技术手段打击违法犯罪。 高蓉 讲师，任教于杭州电子科技大学经济学院金融系。博士和硕士毕业于南开大学经济学院金融系，本科毕业于南开大学数学学院计算数学专业。研究领域包括数据科学应用、资产定价、金融工程、计量经济应用等。 韩波 自由译者、撰稿人，从事信息技术工作二十余年，主要兴趣领域为机器学习、Python等。曾为多家信息技术媒体撰稿，另译有《Python数据分析》。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：数据科学入门 *二2版 利用python进行数据分析与可视化计算机大数据挖掘机器学习Google数据在线阅读

在线听书地址：数据科学入门 *二2版 利用python进行数据分析与可视化计算机大数据挖掘机器学习Google数据在线收听

在线购买地址：数据科学入门 *二2版 利用python进行数据分析与可视化计算机大数据挖掘机器学习Google数据在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

全能数据科学家成长指南//长居亚马逊机器学习热销榜//代码全新升级，新增深度学习、自然语言处理等内容

书籍介绍

本书基于Python语言环境，从零开始讲解数据科学工作，讲述数据科学工作所需的技能与诀窍，并带领读者熟悉数据科学的核心知识：数学与统计学。作者借助大量具有现实意义的实例详细展示了什么是数据科学，介绍了从事数据科学工作需要用到的库，如NumPy、scikit-learn、pandas等，还在每章末尾推荐了很多学习资源，帮助你进一步巩固本书所学。新版基于Python 3.6，重写了所有示例和代码，并根据数据科学近几年的发展，新增了关于深度学习、统计学和自然语言处理等主题，让图书内容与时俱进。