數(shù)據(jù)科學入門（第2版）

定　價：￥109.00

作　者：	[美] 喬爾·格魯斯（Joel Grus）著，岳冰，高蓉，韓波譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115552761	出版時間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	336	字數(shù)：

內(nèi)容簡介

　　本書基于Python語言環(huán)境，從零開始講解數(shù)據(jù)科學工作，講述數(shù)據(jù)科學工作所需的技能與訣竅，并帶領(lǐng)讀者熟悉數(shù)據(jù)科學的核心知識：數(shù)學與統(tǒng)計學。作者借助大量具有現(xiàn)實意義的實例詳細展示了什么是數(shù)據(jù)科學，介紹了從事數(shù)據(jù)科學工作需要用到的庫，如NumPy、scikit-learn、pandas等，還在每章末尾推薦了很多學習資源，幫助你進一步鞏固本書所學。新版基于Python 3.6，重寫了所有示例和代碼，并根據(jù)數(shù)據(jù)科學近幾年的發(fā)展，新增了關(guān)于深度學習、統(tǒng)計學和自然語言處理等主題，讓圖書內(nèi)容與時俱進。

作者簡介

　　喬爾·格魯斯（Joel Grus）Capital Group公司的首席機器學習工程師，擔任過艾倫研究所的人工智能研發(fā)工程師以及谷歌公司的軟件工程師，還曾在多家創(chuàng)業(yè)公司擔任數(shù)據(jù)科學家?！咀g者簡介】岳冰美國西北大學數(shù)學碩士，知乎專欄“X-Lab”編輯，參與編撰了《知識圖譜標準化白皮書（2019版）》。深耕圖神經(jīng)網(wǎng)絡(luò)、推薦算法、復雜關(guān)系網(wǎng)絡(luò)風險挖掘、機器學習等領(lǐng)域。運用人工智能算法與工具，長期支持有關(guān)部門用高精尖技術(shù)手段打擊違法犯罪。高蓉講師，任教于杭州電子科技大學經(jīng)濟學院金融系。博士和碩士畢業(yè)于南開大學經(jīng)濟學院金融系，本科畢業(yè)于南開大學數(shù)學學院計算數(shù)學專業(yè)。研究領(lǐng)域包括數(shù)據(jù)科學應(yīng)用、資產(chǎn)定價、金融工程、計量經(jīng)濟應(yīng)用等。韓波自由譯者、撰稿人，從事信息技術(shù)工作二十余年，主要興趣領(lǐng)域為機器學習、Python等。曾為多家信息技術(shù)媒體撰稿，另譯有《Python數(shù)據(jù)分析》。

圖書目錄

第 2版前言　xiii
第　1版前言 xvii
第　1章導論　1
1．1　數(shù)據(jù)的崛起　1
1．2　什么是數(shù)據(jù)科學　1
1．3　激勵假設(shè)：DataSciencester　2
1．3．1　尋找關(guān)鍵聯(lián)系人　3
1．3．2　你可能知道的數(shù)據(jù)科學家　5
1．3．3　工資和工作年限　8
1．3．4　付費賬戶　10
1．3．5　感興趣的主題　10
1．3．6　展望　12
第　2章 Python速成　13
2．1　Python之禪　13
2．2　獲取Python　14
2．3　虛擬環(huán)境　14
2．4　空白格式　15
2．5　模塊　16
2．6　函數(shù)　17
2．7　字符串　18
2．8　異常　19
2．9　列表　19
2．10　元組　21
2．11　字典　22
2．12　計數(shù)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　自動化測試和斷言　28
2．19　面向?qū)ο缶幊獭?9
2．20　迭代器和生成器　31
2．21　隨機性．．32
2．22　正則表達式　33
2．23　函數(shù)式編程　34
2．24　壓縮和參數(shù)拆分　34
2．25　args和kwargs　35
2．26　類型注釋　36
2．27　歡迎來到DataSciencester　39
2．28　進一步探索　39
第3章　數(shù)據(jù)可視化　40
3．1　matplotlib　40
3．2　條形圖　42
3．3　線圖　45
3．4　散點圖　46
3．5　延伸學習　48
第4章　線性代數(shù)　49
4．1　向量　49
4．2　矩陣　53
4．3　延伸學習　56
第5章　統(tǒng)計學　57
5．1　描述單個數(shù)據(jù)集　57
5．1．1　中心傾向　59
5．1．2　離散度　61
5．2　相關(guān)　62
5．3　辛普森悖論　64
5．4　相關(guān)系數(shù)的其他注意事項　65
5．5　相關(guān)與因果　66
5．6　延伸學習　66
第6章　概率　68
6．1　依賴和獨立　68
6．2　條件概率　69
6．3　貝葉斯定理　71
6．4　隨機變量　72
6．5　連續(xù)分布　72
6．6　正態(tài)分布　73
6．7　中心極限定理　76
6．8　延伸學習　78
第7章　假設(shè)和推論　79
7．1　統(tǒng)計假設(shè)檢驗　79
7．2　實例：擲硬幣　79
7．3　p值　82
7．4　置信區(qū)間　84
7．5　p-Hacking　84
7．6　實例：運行A/B 測試　85
7．7　貝葉斯推斷　86
7．8　延伸學習　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　選擇正確步長　94
8．5　使用梯度下降擬合模型　95
8．6　小批次梯度下降和隨機梯度下降　96
8．7　延伸學習　98
第9章　獲取數(shù)據(jù)　99
9．1　stdin和stdout　99
9．2　讀取文件　101
9．2．1　文本文件的基礎(chǔ)　101
9．2．2　限制的文件　102
9．3　網(wǎng)絡(luò)抓取　104
9．4　使用API　106
9．4．1　JSON和XML　106
9．4．2　使用無驗證的API　107
9．4．3　尋找API　108
9．5　實例：使用Twitter API　109
9．6　延伸學習　112
第　10章數(shù)據(jù)工作　113
10．1　探索數(shù)據(jù)　113
10．1．1　探索一維數(shù)據(jù)　113
10．1．2　兩個維度　115
10．1．3　多維數(shù)據(jù)　116
10．2　使用NamedTuple　18
10．3　數(shù)據(jù)類　119
10．4　清洗和修改　120
10．5　數(shù)據(jù)處理　122
10．6　數(shù)據(jù)調(diào)整　25
10．7　題外話：tqdm　126
10．8　降維　127
10．9　延伸學習　133
第　11章機器學習　134
11．1　建?！?34
11．2　什么是機器學習　135
11．3　過擬合與欠擬合　135
11．4　正確性　138
11．5　偏差–方差權(quán)衡　140
11．6　特征提取與選擇　141
11．7　延伸學習　142
第　12章 k最近鄰法　143
12．1　模型　143
12．2　實例：鳶尾花數(shù)據(jù)集　145
12．3　維數(shù)災難　148
12．4　進一步探索　152
第　13章樸素貝葉斯算法　153
13．1　一個簡易的垃圾郵件過濾器　153
13．2　一個復雜的垃圾郵件過濾器　154
13．3　算法實現(xiàn)　155
13．4　測試模型　157
13．5　使用模型　158
13．6　延伸學習　161
第　14章簡單線性回歸　162
14．1　模型　162
14．2　使用梯度下降法　165
14．3　最大似然估計　166
14．4　延伸學習　166
第　15章多元回歸　167
15．1　模型　167
15．2　最小二乘模型的進一步假設(shè)　168
15．3　擬合模型　169
15．4　解釋模型　171
15．5　擬合優(yōu)度　171
15．6　題外話：Bootstrap　172
15．7　回歸系數(shù)的標準誤差　173
15．8　正則化　175
15．9　延伸學習　177
第　16章邏輯回歸　178
16．1　問題　178
16．2　logistic函數(shù)　180
16．3　應(yīng)用模型　183
16．4　擬合優(yōu)度　184
16．5　支持向量機　185
16．6　延伸學習　188
第　17章決策樹　89
17．1　什么是決策樹　189
17．2　熵　191
17．3　分割的熵　193
17．4　創(chuàng)建決策樹　194
17．5　綜合運用　196
17．6　隨機森林　199
17．7　延伸學習　199
第　18章神經(jīng)網(wǎng)絡(luò)　200
18．1　感知器　200
18．2　前饋神經(jīng)網(wǎng)絡(luò)　202
18．3　反向傳播　205
18．4　實例：Fizz Buzz　207
18．5　延伸學習　210
第　19章深度學習　211
19．1　張量　211
19．2　層抽象　213
19．3　線性層　215
19．4　把神經(jīng)網(wǎng)絡(luò)作為層序列　218
19．5　損失函數(shù)與優(yōu)化器　219
19．6　實例：重新設(shè)計異或網(wǎng)絡(luò)　221
19．7　其他激活函數(shù)　222
19．8　實例：重新解決Fizz Buzz問題　223
19．9　softmax函數(shù)和交叉熵　224
19．10　丟棄　227
19．11　實例：MNIST　227
19．12　保存和加載模型　231
19．13　延伸學習　232
第　20章聚類分析　233
20．1　原理　233
20．2　模型　234
20．3　實例：聚會　236
20．4　選擇聚類數(shù)目k　238
20．5　實例：色彩聚類　239
20．6　自下而上的分層聚類　241
20．7　延伸學習　246
第　21章自然語言處理　247
21．1　詞云　247
21．2　n-gram 語言模型　249
21．3　語法　252
21．4　題外話：吉布斯采樣　254
21．5　主題建模　255
21．6　詞向量　260
21．7　遞歸神經(jīng)網(wǎng)絡(luò)　268
21．8　實例：使用字符級RNN　271
21．9　延伸學習　274
第　22章網(wǎng)絡(luò)分析　275
22．1　中介中心性　275
22．2　特征向量中心性　280
22．2．1　矩陣乘法　280
22．2．2　中心性　282
22．3　有向圖與PageRank　283
22．4　延伸學習　286
第　23章推薦系統(tǒng)　287
23．1　人工管理　288
23．2　推薦流行事務(wù)　288
23．3　基于用戶的協(xié)同過濾　289
23．4　基于項目的協(xié)同過濾　292
23．5　矩陣分解　294
23．6　延伸學習　298
第　24章數(shù)據(jù)庫與SQL　299
24．1　CREATE TABLE與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　子查詢　311
24．9　索引　312
24．10　查詢優(yōu)化　312
24．11　NoSQL　313
24．12　延伸學習　313
第　25章 MapReduce　314
25．1　實例：單詞計數(shù)　315
25．2　為什么是MapReduce　316
25．3　更一般化的MapReduce　317
25．4　實例：狀態(tài)分析更新　318
25．5　實例：矩陣乘法　320
25．6　題外話：組合器　321
25．7　延伸學習　322
第　26章數(shù)據(jù)倫理　323
26．1　什么是數(shù)據(jù)倫理　323
26．2　講真的，什么是數(shù)據(jù)倫理　324
26．3　是否應(yīng)該關(guān)注數(shù)據(jù)倫理　324
26．4　建立不良數(shù)據(jù)產(chǎn)品　325
26．5　精確與公平之間的較量　325
26．6　合作　327
26．7　可解釋性　327
26．8　推薦　327
26．9　異常數(shù)據(jù)　328
26．10　數(shù)據(jù)保護　329
26．11　小結(jié)　329
26．12　延伸學習　329
第　27章數(shù)據(jù)科學前瞻　330
27．1　IPython　330
27．2　數(shù)學　331
27．3　不從零開始　331
27．3．1　NumPy　331
27．3．2　pandas　331
27．3．3　scikit-learn　331
27．3．4　可視化　332
27．3．5　R　332
27．3．6　深度學習　332
27．4　尋找數(shù)據(jù)　333
27．5　從事數(shù)據(jù)科學工作　333
27．5．1　Hacker News　333
27．5．2　消防車　333
27．5．3　T恤　334
27．5．4　地球儀上的推文　334
27．5．5　你的發(fā)現(xiàn)　335
關(guān)于作者　336
關(guān)于封面　336