数据科学概念与实践维贾伊·库图,巴 pdf下载

基本信息

书名:数据科学概念与实践（原书第2版）

定价：119元

作者:[美]维贾伊·库图（VijayKotu）,巴拉·德斯潘德（Ba

出版社：机械工业出版社

出版日期：2020-09-01

ISBN：9787111663041

字数：

页码：372

版次：2

装帧：平装

开本：16开

商品重量：

编辑推荐

内容提要

数据科学已经成为从数据中提取价值的基本工具，任何企业都可以将数据收集、存储和处理作为其业务的一部分。本书搭建了一个易于理解的概念框架，帮助读者掌握数据科学的基础知识，并在学习理论的过程中同步使用RapidMiner平台进行实践。书中将分享实用的数据分析方法，讨论如何揭示隐藏的模式和关系，无论你是新手还是专家，都能借助这些方法做出更好的决策和预测。本书非常适合商务用户、数据分析师、商务分析师、工程师和分析专家以及任何与数据打交道的人。

目录

赞誉 n
译者序 n
序言 n
前言 n
致谢 n
作者简介 n
章　简介 1 n
1.1　AI、机器学习和数据科学 2 n
1.2　什么是数据科学 3 n
1.2.1　提取有意义的模式 3 n
1.2.2　构建表示模型 3 n
1.2.3　统计、机器学习和计算的结合 4 n
1.2.4　学习算法 4 n
1.2.5　相关领域 4 n
1.3　数据科学的案例 5 n
1.3.1　体量 5 n
1.3.2　维度 5 n
1.3.3　复杂问题 6 n
1.4　数据科学的分类 6 n
1.5　数据科学的算法 7 n
1.6　本书路线图 8 n
1.6.1　数据科学入门 8 n
1.6.2　练习使用RapidMiner 8 n
1.6.3　核心算法 9 n
参考文献 11 n
第2章　数据科学过程 12 n
2.1　先验知识 13 n
2.1.1　目标 13 n
2.1.2　主题范围 14 n
2.1.3　数据 14 n
2.1.4　因果关系与相关性 15 n
2.2　数据准备 15 n
2.2.1　数据探索 15 n
2.2.2　数据质量 16 n
2.2.3　缺失值 16 n
2.2.4　数据类型和转换 16 n
2.2.5　转换 17 n
2.2.6　异常值 17 n
2.2.7　特征选择 17 n
2.2.8　数据采样 17 n
2.3　建模 18 n
2.3.1　训练数据集和测试数据集 18 n
2.3.2　学习算法 19 n
2.3.3　模型评估 20 n
2.3.4　集成模型 20 n
2.4　应用 21 n
2.4.1　生产准备 21 n
2.4.2　技术整合 21 n
2.4.3　响应时间 21 n
2.4.4　模型刷新 22 n
2.4.5　同化 22 n
2.5　知识 22 n
参考文献 23 n
第3章　数据探索 24 n
3.1　数据探索的目标 24 n
3.2　数据集 25 n
3.3　描述性统计 26 n
3.3.1　单变量探索 27 n
3.3.2　多变量探索 28 n
3.4　数据可视化 30 n
3.4.1　单变量的可视化 31 n
3.4.2　多变量的可视化 34 n
3.4.3　可视化高维数据 38 n
3.5　数据探索的路线图 40 n
参考文献 41 n
第4章　分类 42 n
4.1　决策树 42 n
4.1.1　工作原理 42 n
4.1.2　实现过程 47 n
4.1.3　小结 55 n
4.2　规则归纳 56 n
4.2.1　工作原理 58 n
4.2.2　实现过程 60 n
4.2.3　小结 63 n
4.3　k-NN（k-近邻） 63 n
4.3.1　工作原理 64 n
4.3.2　实现过程 69 n
4.3.3　小结 71 n
4.4　朴素贝叶斯 71 n
4.4.1　工作原理 72 n
4.4.2　实现过程 77 n
4.4.3　小结 79 n
4.5　人工神经网络 80 n
4.5.1　工作原理 82 n
4.5.2　实现过程 84 n
4.5.3　小结 86 n
4.6　支持向量机 87 n
4.6.1　工作原理 89 n
4.6.2　实现过程 91 n
4.6.3　小结 95 n
4.7　集成学习 95 n
4.7.1　工作原理 97 n
4.7.2　实现过程 98 n
4.7.3　小结 105 n
参考文献 105 n
第5章　回归方法 107 n
5.1　线性回归 107 n
5.1.1　工作原理 108 n
5.1.2　实现过程 112 n
5.1.3　检查点 117 n
5.2　逻辑回归 120 n
5.2.1　工作原理 122 n
5.2.2　实现过程 124 n
5.2.3　总结要点 127 n
5.3　总结 127 n
参考文献 127 n
第6章　关联分析 128 n
6.1　挖掘关联规则 129 n
6.1.1　项集 130 n
6.1.2　规则生成 132 n
6.2　Apriori算法 133 n
6.3　频繁模式增长算法 136 n
6.3.1　工作原理 136 n
6.3.2　实现过程 138 n
6.4　总结 141 n
参考文献 141 n
第7章　聚类 142 n
7.1　k-means聚类 145 n
7.1.1　工作原理 147 n
7.1.2　实现过程 149 n
7.2　DBSCAN聚类 153 n
7.2.1　工作原理 153 n
7.2.2　实现过程 155 n
7.3　自组织映射 158 n
7.3.1　工作原理 159 n
7.3.2　实现过程 161 n
参考文献 166 n
第8章　模型评估 168 n
8.1　混淆矩阵 169 n
8.2　ROC和AUC 170 n
8.3　提升曲线 172 n
8.4　实现过程 174 n
8.5　总结 177 n
参考文献 178 n
第9章　文本挖掘 179 n
9.1　工作原理 180 n
9.1.1　词频–逆文档频率 180 n
9.1.2　词语 181 n
9.2　实现过程 184 n
9.2.1　实现1：关键词聚类 184 n
9.2.2　实现2：预测博客作者的性别 187 n
9.3　总结 193 n
参考文献 194 n
0章　深度学习 195 n
10.1　AI冬天 197 n
10.1.1　AI冬天：20世纪70年代 197 n
10.1.2　冬季解冻：20世纪80年代 198 n
10.1.3　人工智能的春夏：2006年至今 200 n
10.2　工作原理 201 n
10.2.1　神经网络的回归模型 201 n
10.2.2　梯度下降法 202 n
10.2.3　需要反向传播 204 n
10.2.4　分类超过2个：softmax 205 n
10.2.5　卷积神经网络 207 n
10.2.6　密集层 211 n
10.2.7　失活层 211 n
10.2.8　循环神经网络 212 n
10.2.9　自动编码器 213 n
10.2.10　相关AI模型 213 n
10.3　实现过程 214 n
10.4　总结 217 n
参考文献 218 n
1章　推荐引擎 219 n
11.1　推荐引擎的概念 221 n
11.2　协同过滤 225 n
11.2.1　基于邻域的方法 226 n
11.2.2　矩阵分解 233 n
11.3　基于内容的过滤 238 n
11.3.1　用户画像的计算 239 n
11.3.2　有监督学习方法 245 n
11.4　混合推荐器 249 n
11.5　总结 250 n
参考文献 251 n
2章　时间序列预测 253 n
12.1　时间序列分解 256 n
12.1.1　经典分解 258 n
12.1.2　实现过程 258 n
12.2　基于平滑的方法 260 n
12.2.1　简单预测方法 260 n
12.2.2　指数平滑 261 n
12.2.3　实现过程 263 n
12.3　基于回归的方法 264 n
12.3.1　回归 265 n
12.3.2　周期性回归 266 n
12.3.3　集成移动平均自回归模型 268 n
12.3.4　周期性ARIMA 272 n
12.4　机器学习方法 274 n
12.4.1　窗口化 275 n
12.4.2　神经网络自回归 280 n
12.

作者介绍

序言