预购商品
书目分类
特别推荐
第1章資料分析概述 1.1資料分析的基本類型 1.2資料分析與機器學習 1.2.1統計學與機器學習 1.2.2機器學習演算法的類型 1.2.3機器學習中的演算法、模型、參數和超參數 1.2.4資料分析中的基礎演算法 1.2.5資料分析中的 演算法 1.3資料分析的主要流程 1.4資料分析中的演算法選擇 1.5資料分析中常用的Python包 1.5.1NumPy 1.5.2Pandas 1.5.3Matplotlib 1.5.4Seaborn 1.5.5statsmodels 1.5.6scikit瞝earn 1.5.7jieba 1.5.8OpenCV 1.5.9TensorFlow和PyTorch 1.6資料分析的注意事項 1.7資料分析的現狀與趨勢 1.8習題 1.9主要參考文獻及 閱讀書目 第2章關聯規則分析 2.1應用場景 2.2演算法原理 2.2.1Apriori演算法的假設 2.2.2Apriori演算法的流程 2.3核心術語 2.3.1事務型資料 2.3.2項集 2.3.3支持度 2.3.4置信度 2.3.5提升度 2.3.6關聯規則 2.4Python程式設計實踐——購物車分析 2.4.1業務理解 2.4.2數據讀入 2.4.3資料理解 2.4.4數據預處理 2.4.5生成頻繁項集 2.4.6計算關聯度 2.4.7視覺化 2.5重點與難點解讀 2.6習題 2.7主要參考文獻及 閱讀書目 第3章回歸分析 3.1應用場景 3.2演算法原理 3.2.1基本思路 3.2.2評價方法 3.3核心術語 3.3.1回歸分析中常用的統計量 3.3.2特徵矩陣與目標向量 3.3.3過擬合與欠擬合 3.3.4高杠杆點、離群點和強影響點 3.4Python程式設計實踐 3.4.1線性回歸——女性身高與體重資料分析 3.4.2多元回歸——廣告收入資料分析 3.4.3泊松回歸——航班資料分析 3.5重點與難點解讀 3.5.1參數解讀——線性回歸演算法 3.5.2Z睸core標準化 3.5.3方差 3.5.4相關係數 3.5.5泊松分佈 3.5.6L1和L2正則化 3.5.7閔氏距離、歐氏距離、曼哈頓距離和切比雪夫距離 3.6習題 3.7主要參考文獻及 閱讀書目 第4章分類分析 4.1應用場景 4.2演算法原理 4.1.1KNN 4.1.2貝葉斯分類 4.1.3支持向量機 4.1.4邏輯回歸 4.3核心術語 4.3.1偏差和方差之間的權衡 4.3.2學習曲線 4.3.3混淆矩陣 4.3.4ROC曲線與AUC面積 4.3.5貝葉斯理論 4.3.6核函數及核技巧 4.4Python程式設計實踐——病例自動診斷分析 4.4.1使用KNN演算法實現 4.4.2使用貝葉斯分類演算法實現 4.4.3使用SVM演算法實現 4.4.4使用邏輯回歸演算法實現 4.5重點與難點解讀 4.5.1參數解讀——KNN、貝葉斯分類、 SVM和邏輯回歸演算法 4.5.2資料標準化處理 4.5.3混淆矩陣及分類演算法的評價指標 4.5.4 似然估計 4.5.5判別模型與生成模型 4.5.6類別不平衡問題 4.5.7KD Tree與Ball Tree 4.5.8GridSearchCV及其原理 4.5.9GaussianNB、MultinomialNB和 BernoulliNB的區別 4.5.10LabelEncoder及其原理 4.6習題 4.7主要參考文獻及 閱讀書目 第5章聚類分析 5.1應用場景 5.2演算法原理 5.2.1k瞞eans演算法 5.2.2聚類效果的評價 5.3核心術語 5.4Python程式設計實踐——蛋白質消費特徵分析 5.4.1業務理解 5.4.2數據讀入 5.4.3資料理解 5.4.4數據準備 5.4.5模型訓練 5.4.6模型評價 5.4.7模型調參 5.4.8模型預測 5.5重點與難點解讀 5.5.1參數解讀——k瞞eans演算法 5.5.2k瞞eans++方法 5.5.3elkan方法 5.6習題 5.7主要參考文獻及 閱讀書目 第6章集成學習 6.1應用場景 6.2演算法原理 6.2.1隨機森林 6.2.2XGBoost 6.3核心術語 6.4Python程式設計實踐——房屋價格預測分析 6.4.1使用隨機森林演算法實現 6.4.2使用XGBoost實現 6.5重點與難點解讀 6.5.1參數解讀——隨機森林和XGBoost 6.5.2純度 化 6.5.3數據標準化 6.5.4泰勒展開式 6.5.5集成學習中幾個注意事項 6.6習題 6.7主要參考文獻及 閱讀書目 第7章自然語言處理 7.1應用場景 7.2演算法原理 7.2.1中文分詞 7.2.2詞袋模型 7.2.3N瞘rams模型 7.2.4TF睮DF演算法 7.2.5文本規範化 7.2.6詞性標注 7.3核心術語 7.4Python程式設計實踐——2021年政府工作報告分析 7.4.1業務理解 7.4.2數據讀入 7.4.3分詞處理 7.4.4添加自訂詞彙 7.4.5詞性標注 7.4.6停用詞處理 7.4.7詞性分佈分析 7.4.8高頻詞分析 7.4.9關鍵字抽取 7.4.10繪製詞雲圖 7.5重點與難點解讀 7.5.1NLTK的詞性標注 7.5.2NLTK的功能模組 7.6習題 7.7主要參考文獻及 閱讀書目 第8章影像處理 8.1應用場景 8.2演算法原理 8.2.1建模階段 8.2.2檢測階段 8.3核心術語 8.4Python程式設計實踐——人臉檢測分析 8.4.1安裝並導入OpenCV瞤ython包 8.4.2讀取影像檔 8.4.3將RGB圖像轉換為灰度圖 8.4.4人臉檢測與矩陣標識 8.4.5圖像顯示 8.4.6圖像保存 8.5重點與難點解讀 8.5.1參數解讀——OpenCV 8.5.2AdaBoost演算法 8.5.3基於OpenCV和CNN的影像處理的對比 8.5.4Haar特徵和LBP特徵的對比分析 8.5.5AdaBoost演算法和XGboost演算法的主要區別 8.6習題 8.7主要參考文獻及 閱讀書目 第9章深度學習 9.1應用場景 9.2演算法原理 9.2.1全連接神經網路及其缺點 9.2.2全連接神經網路的改進及卷積神經網路的提出 9.2.3卷積神經網路的基本思路 9.2.4CNN的整體流程 9.3核心術語 9.4Python程式設計實踐——手寫數位識別分析 9.4.1業務理解 9.4.2資料讀入及理解 9.4.3數據準備 9.4.4資料理解 9.4.5定義CNN的學習框架 9.4.6執行CNN學習及模型訓練 9.4.7模型評價 9.4.8模型預測 9.5重點與難點解讀 9.5.1參數解讀——CNN演算法 9.5.2機器學習中的性能與可解釋性的矛盾 9.5.3隨機梯度下降及學習率 9.5.4One瞙ot encoding 9.5.5端到端的學習 9.5.6CNN與其他深度學習方法的區別及聯繫 9.5.7CNN演算法設置超參數的經驗法則 9.6習題 9.7主要參考文獻及 閱讀書目 附錄習題參考答案
客服公告
热门活动
订阅电子报
