深入淺出數(shù)據(jù)科學：Python編程
定 價：79.8 元
當前圖書已被 4 所學校薦購過！
查看明細
- 作者：[美]布拉德福德·塔克菲爾德（Bradford Tuckfield）
- 出版時間：2025/6/1
- ISBN：9787115636225
- 出 版 社：人民郵電出版社
- 中圖法分類：TP311.561
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：16開
本書通過對數(shù)據(jù)科學技術基本技能和豐富實用的示例的介紹，展示如何獲取、分析和可視化數(shù)據(jù)，利用數(shù)據(jù)應對常見的業(yè)務挑戰(zhàn)。通過優(yōu)化共享單車公司的業(yè)務運營、從網(wǎng)站上提取數(shù)據(jù)并創(chuàng)建推薦系統(tǒng)等示例，你將學會如何找到數(shù)據(jù)驅動的解決方案并使用這些方案做出商業(yè)決策。本書所涵蓋的內容包括進行探索性數(shù)據(jù)分析、運行 A/B 測試、使用邏輯回歸模型進行二分類及使用機器學習算法等。通過本書，你還將學習如何預測客戶需求、優(yōu)化營銷活動、減少客戶流失、預測網(wǎng)站流量，以及構建推薦系統(tǒng)等。
數(shù)據(jù)科學實用入門指南，涵蓋核心技能與豐富實用案例，助你應對常見商業(yè)挑戰(zhàn)。
包含探索性數(shù)據(jù)分析、A/B 測試、邏輯回歸模型、機器學習算法等多方面內容。
通過優(yōu)化共享單車運營、構建推薦系統(tǒng)等案例，傳授數(shù)據(jù)驅動解決方案，支持商業(yè)決策。
只需具備 Python 基礎知識和高中數(shù)學知識，即可輕松閱讀并應用數(shù)據(jù)科學。
布拉德福德·塔克菲爾德（Bradford Tuckfield）是一名數(shù)據(jù)科學顧問兼作家，擁有賓夕法尼亞大學沃頓商學院的博士學位，以及楊百翰大學的數(shù)學學士學位。他曾在知名金融公司和初創(chuàng)企業(yè)擔任數(shù)據(jù)科學家和技術經(jīng)理。他著有 Dive Into Algorithms和 Applied Unsupervised Learning with R，還在多家學術期刊發(fā)表過研究成果。
1 探索性數(shù)據(jù)分析 1
1.1 作為 CEO 的第 一天 1
1.1.1 找出數(shù)據(jù)中的規(guī)律 2
1.1.2 使用.csv 文件查看和存儲數(shù)據(jù) . 4
1.2 用 Python 顯示數(shù)據(jù) 4
1.3 計算匯總統(tǒng)計信息 6
1.4 分析數(shù)據(jù)子集 8
1.4.1 夜間數(shù)據(jù) 8
1.4.2 季節(jié)性數(shù)據(jù) 9
1.5 使用 Matplotlib 進行數(shù)據(jù)可視化 10
1.5.1 繪制并顯示一個簡單的圖表 10
1.5.2 為圖表添加標題和標簽 11
1.5.3 繪制數(shù)據(jù)子集圖表 12
1.5.4 測試不同繪圖類型 13
1.6 探索相關性 18
1.6.1 計算相關系數(shù) 18
1.6.2 理解強相關性和弱相關性 18
1.6.3 尋找變量之間的相關性 21
1.7 創(chuàng)建熱力圖 22
1.8 進一步探索 24
1.9 本章小結 24
2 預測 25
2.1 預測客戶需求 25
2.2 清洗錯誤數(shù)據(jù) 26
2.3 使用數(shù)據(jù)繪圖從而發(fā)現(xiàn)趨勢 28
2.4 執(zhí)行線性回歸 29
2.4.1 將代數(shù)應用于回歸線 30
2.4.2 計算誤差測量 32
2.5 使用回歸預測未來趨勢 35
2.6 嘗試更多的回歸模型 36
2.6.1 通過多變量線性回歸對銷售量進行預測 36
2.6.2 用三角函數(shù)捕捉變化 38
2.7 選擇用于預測的最佳回歸模型 41
2.8 進一步探索 44
2.9 本章小結 45
3 分組比較 46
3.1 讀取總體數(shù)據(jù) 46
3.1.1 匯總統(tǒng)計信息 47
3.1.2 隨機采樣 48
3.1.3 樣本數(shù)據(jù)之間的差異 50
3.2 進行假設檢驗 53
3.2.1 t 檢驗 53
3.2.2 假設檢驗的細微差別 55
3.3 在實際環(huán)境中進行組間比較 56
3.4 本章小結 59
4 A/B 測試 60
4.1 實驗的必要性 60
4.2 運行實驗來檢驗新的假設 61
4.2.1 理解 A/B 測試的數(shù)學原理 64
4.2.2 將數(shù)學轉化為實踐 65
4.3 優(yōu)化冠軍/挑戰(zhàn)者框架 66
4.4 用泰曼定律和 A/A 測試預防錯誤 67
4.5 理解效應值 69
4.6 計算數(shù)據(jù)的顯著性 70
4.7 應用及注意事項 72
4.8 A/B 測試的倫理問題 73
4.9 本章小結 74
5 二分類算法 75
5.1 減少客戶流失 75
5.2 利用線性概率模型發(fā)現(xiàn)高流失風險客戶 76
5.2.1 繪制流失情況數(shù)據(jù)圖表 77
5.2.2 用線性回歸確定關系 78
5.2.3 預測未來 80
5.2.4 提出業(yè)務建議 81
5.2.5 測量預測準確性 82
5.2.6 使用多變量線性概率模型 84
5.2.7 創(chuàng)建新指標 85
5.2.8 線性概率模型的缺點 87
5.3 用邏輯回歸預測二分類結果 87
5.3.1 繪制邏輯曲線 88
5.3.2 邏輯回歸 89
5.4 二分類的應用 91
5.5 本章小結 91
6 監(jiān)督學習 92
6.1 預測網(wǎng)站流量 92
6.2 讀取并繪制文章數(shù)據(jù) 93
6.3 使用線性回歸作為預測方法 95
6.4 理解監(jiān)督學習 96
6.5 k 近鄰 98
6.5.1 使用 kNN 99
6.5.2 使用 Python 的 sklearn 執(zhí)行kNN 100
6.6 使用其他監(jiān)督學習算法 101
6.6.1 決策樹 102
6.6.2 隨機森林 104
6.6.3 神經(jīng)網(wǎng)絡 104
6.7 測量預測準確性的指標 106
6.8 使用多變量模型 108
6.9 使用分類代替回歸 108
6.10 本章小結 110
7 無監(jiān)督學習 111
7.1 無監(jiān)督學習與監(jiān)督學習 111
7.2 生成和探索數(shù)據(jù) 112
7.2.1 擲色子 112
7.2.2 使用另一種色子 115
7.3 聚類觀測的來源 117
7.4 實際業(yè)務中的聚類 120
7.5 分析多維數(shù)據(jù) 121
7.6 EM 聚類 123
7.6.1 “猜測”步驟 124
7.6.2 “期望”步驟 125
7.6.3 “最大化”步驟 127
7.6.4 “收斂”步驟 129
7.7 其他聚類方法 131
7.8 其他無監(jiān)督學習方法 133
7.9 本章小結 134
8 網(wǎng)絡爬取 135
8.1 理解網(wǎng)站是如何運行的 135
8.2 創(chuàng)建第 一個網(wǎng)頁爬蟲 137
8.3 解析 HTML 代碼 138
8.3.1 爬取電子郵件地址 138
8.3.2 直接搜索地址 139
8.4 使用正則表達式執(zhí)行搜索 140
8.4.1 使用元字符進行靈活的搜索 142
8.4.2 使用轉義序列對搜索進行微調 142
8.4.3 結合文本和元字符進行高級搜索 144
8.5 使用正則表達式搜索電子郵件地址 145
8.6 將爬取的結果轉換為可用數(shù)據(jù) 145
8.7 使用 Beautiful Soup 147
8.7.1 解析 HTML 標簽元素 148
8.7.2 爬取和解析 HTML 表格 149
8.8 高級爬取 150
8.9 本章小結 151
9 推薦系統(tǒng) 152
9.1 基于人氣的推薦 152
9.2 基于商品的協(xié)同過濾 154
9.2.1 量化向量相似性 155
9.2.2 計算余弦相似度 157
9.2.3 實現(xiàn)基于商品的協(xié)同過濾 158
9.3 基于用戶的協(xié)同過濾 159
9.4 案例研究：音樂推薦 162
9.5 用高級系統(tǒng)生成推薦 163
9.6 本章小結 164
10 自然語言處理 . 165
10.1 使用 NLP 技術檢測抄襲 165
10.2 理解 word2vec NLP 模型 166
10.2.1 量化單詞之間的相 似性 167
10.2.2 創(chuàng)建一個方程組 168
10.3 word2vec 中的數(shù)值向量分析 172
10.3.1 通過數(shù)學運算來操作向量 174
10.3.2 使用 word2vec 檢測抄襲 175
10.4 使用 skip-thoughts 176
10.5 主題建模 178
10.6 其他 NLP 應用 180
10.7 本章小結 180
11 其他語言中的數(shù)據(jù)科學 181
11.1 用 SQL 贏得足球比賽 181
11.1.1 讀取和分析數(shù)據(jù) 182
11.1.2 熟悉 SQL 183
11.1.3 設置 SQL 數(shù)據(jù)庫 183
11.1.4 運行 SQL 查詢 184
11.1.5 使用連接從多張表取得數(shù)據(jù) 186
11.2 用 R 贏得足球比賽 189
11.2.1 熟悉 R 189
11.2.2 在 R 中使用線性回歸 190
11.2.3 使用 R 對數(shù)據(jù)進行 繪圖 191
11.3 獲得其他有價值的技能 193
11.4 本章小結 194
書單推薦
