python数据科学导论概念_Python数据科学导论：概念、技术与应用

译者序

原书前言

作者和贡献者简介

第1章 数据科学概述 // 1

1.1　什么是数据科学 //1

1.2　关于本书 //2

第2章　数据专家的工具箱 //4

2.1　引言 // 4

2.2　为什么选择Python // 4

2.3　数据专家的基本Python库 // 5

2.3.1　数值和科学计算：NumPy和SciPy // 5

2.3.2　Scikit-learn：Python中的机器学习库 // 5

2.3.3　Pandas：Python数据分析库 // 5

2.4　数据科学生态系统的安装 // 6

2.5　集成开发环境 // 6

2.5.1　网络集成开发环境：Jupyter // 7

2.6　数据专家从Python开始 // 7

2.6.1　读取 // 11

2.6.2　选择数据 // 13

2.6.3　筛选数据 // 14

2.6.4　筛选缺失的数据 // 15

2.6.5　处理数据 // 15

2.6.6　排序 // 19

2.6.7　分组数据 // 20

2.6.8　重排数据 // 21

2.6.9　对数据进行排名 // 22

2.6.10　绘图 // 23

2.7　小结 // 24

第3章　描述统计学 // 25

3.1　引言 // 25

3.2　数据准备 // 25

3.2.1　Adult数据集示例 // 26

3.3　探索性数据分析 // 28

3.3.1　汇总数据 // 28

3.3.2　数据分布 // 31

3.3.3　离群点的处理 // 33

3.3.4　测量不对称性：偏度和皮尔逊中值偏度系数 // 36

3.3.5　连续分布 // 38

3.3.6　核密度 // 39

3.4　估计 // 41

3.4.1　样本和估计均值、方差和标准记分 // 41

3.4.2　协方差、皮尔逊相关和斯皮尔曼秩相关 // 42

3.5　小结 // 44

参考文献 // 45

第4章　统计推断 // 46

4.1　引言 // 46

4.2　统计推断：频率论方法 // 46

4.3　测量估计的差异性 // 47

4.3.1　点估计 // 47

4.3.2　置信区间 // 50

4.4　假设检验 // 53

4.4.1　用置信区间检验假设 // 53

4.4.2　使用p值检验假设 // 55

4.5　效应E是真实的吗 // 57

4.6　小结 // 57

参考文献 // 58

第5章　监督学习 // 59

5.1　引言 // 59

5.2　问题 // 60

5.3　第一步 // 60

5.4　什么是学习？ // 69

5.5　学习曲线 // 70

5.6　训练、验证和测试 // 73

5.7　两种学习模型 // 76

5.7.1　学习三要素 // 76

5.7.2　支持向量机 // 77

5.7.3　随机森林 // 79

5.8　结束学习过程 // 80

5.9　商业案例 // 81

5.10　小结 // 83

参考文献 // 83

第6章　回归分析 // 84

6.1　引言 // 84

6.2　线性回归 // 84

6.2.1　简单线性回归 // 85

6.2.2　多元线性回归和多项式回归 // 90

6.2.3　稀疏模型 // 90

6.3　逻辑斯蒂回归 // 97

6.4　小结 // 99

参考文献 // 99

第7章　无监督学习 // 100

7.1　引言 // 100

7.2　聚类 // 100

7.2.1　相似度和距离 // 101

7.2.2　什么是一个好的聚类？定义衡量聚类质量的度量 // 101

7.2.3　聚类技术的分类标准 // 104

7.3　案例学习 // 113

7.4　小结 // 118

参考文献 // 119

第8章　网络分析 // 120

8.1　引言 // 120

8.2　图的基本定义 // 121

8.3　社交网络分析 // 122

8.3.1　NetworkX基础 // 122

8.3.2　实际案例：Facebook数据集 // 123

8.4　中心性 // 125

8.4.1　在图中绘制中心性 // 130

8.4.2　PageRank // 132

8.5　自我网络 // 134

8.6　社区发现 // 138

8.7　小结 // 139

参考文献 // 139

第9章　推荐系统 // 140

9.1　引言 // 140

9.2　推荐系统如何工作？ // 140

9.2.1　基于内容的过滤 // 141

9.2.2　协作过滤 // 141

9.2.3　混合推荐系统 // 141

9.3　建模用户偏好 // 142

9.4　评估推荐系统 // 142

9.5　实际案例 // 143

9.5.1　MovieLens数据集 // 143

9.5.2　基于用户的协作过滤 // 145

9.6　小结 // 153

参考文献 // 153

第10章　用于情感分析的统计自然语言处理 // 154

10.1　引言 // 154

10.2　数据清洗 // 155

10.3　文本表示 // 158

10.3.1　二元组和n元组 // 163

10.4　实际案例 // 163

10.5　小结 // 168

参考文献 // 168

第11章　并行计算 // 169

11.1　引言 // 169

11.2　架构 // 170

11.2.1　入门指南 // 171

11.2.2　连接到集群(引擎)// 171

11.3　多核编程 // 172

11.3.1　引擎的直接视图 // 172

11.3.2　引擎的负载均衡视图 // 175

11.4　分布式计算 // 176

11.5　实际应用：纽约出租车旅行 // 177

11.5.1　直接视图非阻塞方案 // 178

11.5.2　实验结果 // 180

11.6　小结 // 182

参考文献 // 182

^ 收 起