包邮 Python数据科学实战

作者：Rohan Chopra，Aaron E

出版社：中国水利水电出版社出版时间：2021-08-01

开本：其他页数： 340

本类榜单：计算机/网络销量榜

中图价:¥63.0(7.0折) 定价 ~~¥89.8~~ 登录后可看到会员价

加入购物车收藏

开年大促， 全场包邮

?新疆、西藏除外

本类五星书更多>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥14.4¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥44.1¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥56.2¥69
>
第一行代码Android

第一行代码Android

¥55.4¥99
>
JAVA持续交付

JAVA持续交付

¥58.1¥119
>
EXCEL最强教科书(完全版)(全彩印刷)

EXCEL最强教科书(完全版)(全彩印刷)

¥31.1¥69.9
>
深度学习

深度学习

¥92.4¥168

商品详情
商品评论(0条)

中图价:¥63.0 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

Python数据科学实战版权信息

ISBN：9787517091868
条形码：9787517091868 ; 978-7-5170-9186-8
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
程序设计

Python数据科学实战本书特色

本书首先介绍数据科学，然后指导读者安装和搭建数据分析编程环境所需的软件包。在机器学习中，主要学习3 项技术：监督学习、无监督学习和强化学习，以及基本的分类与回归技术，如支持向量机、决策树以及逻辑回归等。在前面章节的中，将学习Python语言中用于处理大型数据集的基本函数、数据结构，用于矩阵计算的NumPy包和Pandas包，如何使用Matplotlib绘制自定义图表，以及应用Boosting算法XGBoost（极端梯度提升）进行预测分析等。在后面的章节中，将学习用于图像识别的卷积神经网络（CNN）、深度学习算法。读者将掌握如何向神经网络馈入人类语言、让模型处理复杂的文本信息以及构建人类语言处理系统进行结果预测等。本书通过实践操作的方式让初学者和经验丰富的数据科学家掌握数据科学与机器学习技术所需的基本工具。书中包含了59个实操训练项目+22个作业项目，这些实操性练习都是现实生活中的各种业务场景，可以让读者在高度相关联的环境中练习和应用新的技能。学习完本书，读者可以掌握和使用很多新的数据科学算法，并且有信心使用本课程以外的工具或库进行操作。

Python数据科学实战内容简介

本书首先介绍数据科学，然后指导读者安装和搭建数据分析编程环境所需的软件包。在机器学习中，主要学习3项技术：监督学习、无监督学习和强化学习。我们也会用到基本的分类与回归技术，如支持向量机、决策树以及逻辑回归等。在前面章节的学习中，读者将学习到Python语言中用于处理大型数据集的基本函数、数据结构，用于矩阵计算的NumPy包和Pandas包，如何使用Matplotlib绘制自定义图表，以及应用 Boosting算法XGBoost（特别梯度提升）进行预测分析等。在后面的章节中，将会学习用于图像识别的卷积神经网络（CNN）、深度学习算法。读者将掌握如何向神经网络馈入人类语言、让模型处理复杂的文本信息以及构建人类语言处理系统进行结果预测等。学习完本书，读者可以掌握和使用很多新的数据科学算法，并且有信心使用本课程以外的工具或库进行操作。

Python数据科学实战目录

第1章数据科学和数据预处理导论 1.1 引言 1.2 Python库 1.3 构建机器学习模型的路线图 1.4 数据表示方式练习1：加载样本数据集，创建特征矩阵和目标矩阵 1.5 数据清洗练习2：删除缺失数据练习3：填补缺失数据练习4：查找并删除数据中的异常值 1.6 数据整合练习5：整合数据 1.7 数据转换练习6：用数字替换分类数据练习7：使用标签编码方法将分类数据转换为数值数据练习8：使用One-Hot编码将分类数据转换为数值数据 1.8 不同量纲的数据练习9：使用StandardScaler()方法实现缩放练习10：使用MinMaxScaler()方法实现缩放 1.9 数据离散化练习11：连续数据的离散化 1.10 训练和测试数据练习12：拆分数据为训练集和测试集作业1：使用银行营销订阅数据集进行预处理 1.11 监督学习 1.12 无监督学习 1.13 强化学习 1.14 性能指标 1.15 偏差和方差 1.16 本章小结第2章数据可视化 2.1 引言 2.2 函数法练习13：函数法——折线图练习14：函数法——在图中添加第二条线作业2：折线图练习15：创建柱状图作业3：柱状图练习16：函数法——直方图练习17：函数法——箱线图练习18：散点图 2.3 面向对象法创建子图练习19：使用子图的单线图练习20：使用子图的多线图作业4：使用子图的多种绘图类型 2.4 本章小结第3章基于Scikit-Learn库的机器学习简介 3.1 引言 3.2 线性回归与逻辑回归简介 3.3 简单线性回归练习21：为线性回归模型准备数据练习22：拟合简单线性回归模型并确定截距和系数练习23：简单线性回归模型的预测生成及性能评估 3.4 多元线性回归练习24：拟合多元线性回归模型并确定截距和系数作业5：生成预测并评估多元线性回归模型的性能 3.5 逻辑回归练习25：拟合逻辑回归模型并确定截距和系数练习26：生成预测并评估逻辑回归模型的性能练习27：调整多重逻辑回归模型的超参数作业6：生成预测以及评估调参后的逻辑回归模型性能 3.6 基于支持向量机的*大保证金分类练习28：为支持向量分类器模型准备数据练习29：使用网格搜索优化SVC模型作业7：生成预测并评估SVC网格搜索模型的性能 3.7 决策树作业8：使用决策树分类器之前的数据准备练习30：使用网格搜索调整决策树分类器的超参数练习31：以编程方式从决策树分类器网格搜索模型中提取调整的超参数作业9：决策树分类器模型的预测和性能评估 3.8 随机森林练习32：为随机森林回归器准备数据作业10：调整随机森林回归器练习33：以编程方式提取调整后的超参数并从随机森林回归网格搜索模型确定特征重要性作业11：生成预测并调参的随机森林回归模型性能评估 3.9 本章小结第4章降维和无监督学习 4.1 引言 4.2 层次聚类分析练习34：建立HCA模型练习35：绘制HCA模型并分配预测 4.3 k-均值聚类练习36：拟合k-均值聚类模型并分配预测作业12：k-均值聚类和计算预测的共同练习练习37：通过n_clusters计算平均惯性练习38：用n_clusters绘制平均惯性 4.4 主成分分析练习39：拟合PCA模型练习40：使用解释方差阈值选择n_components 作业13：PCA转换后通过聚类评估平均惯性练习41：n_clusters对惯性的视觉比较 4.5 使用线性判别函数分析的监督数据压缩练习42：拟合LDA模型练习43：在分类器模型中使用LDA变换后的组件 4.6 本章小结第5章掌握结构化数据 5.1 引言 5.2 提升算法练习44：使用XGBoost库进行分类 5.3 XGBoost库作业14：训练和预测一个人的收人 5.4 外部内存使用 5.5 交叉验证练习45：使用交叉验证找到*佳超参数 5.6 保存和加载模型练习46：创建一个基于实时输入进行预测的Python脚本作业15：预测流失的客户 5.7 神经网络 5.8 Keras库练习47：为Python安装Keras库并使用它执行分类练习48：使用神经网络预测鳄梨价格 5.9 分类变量练习49：基于实体嵌入预测鳄梨价格作业16：预测客户的购买力 5.10 本章小结第6章解码图像 6.1 引言 6.2 图像练习50：使用完全连接神经网络对MNIST进行分类 6.3 卷积神经网络 6.4 Adam优化算法 6.5 交叉熵损失练习51：使用CNN对MNIST进行分类 6.6 正则化练习52：基于CIFAR-10图像使用正则化改善图像分类 6.7 图像数据预处理作业17：预测图像中是一只猫还是一只狗 6.8 数据增强 6.9 生成器练习53：使用图像增强对CIFAR-10图像进行分类作业18：识别和增强图像 6.10 本章小结第7章人类语言处理 7.1 引言 7.2 文本数据处理练习54：使用RegEx清洗字符串练习55：预处理IMDB电影评论数据集练习56：使用Gensim创建单词嵌入作业19：预测电影评论的情感 7.3 循环神经网络 7.4 长短期记忆网络练习57：使用LSTM进行情感分析作业20：根据推文预测情感 7.5 本章小结第8章一些提示和诀窍 8.1 引言 8.2 迁移学习练习58：使用InceptionV3对图像进行比较和分类作业21：使用InceptionV3对图像进行分类 8.3 一些有用的工具和技巧 8.4 自动机器学习练习59：使用Auto-Keras库建立性能优良的网络 8.5 使用Keras库进行模型可视化作业22：使用迁移学习预测图像 8.6 本章小结

展开全部