发帖
雷达卡
《Python数据科学应用从入门到精通》内容共13章。第1章为数据科学应用概述，介绍数据清洗、特征工程、数据可视化、数据挖掘与建模的概念、重要性、主要内容、应用场景、注意事项等，以及为什么要将Python作为实现工具。第2章为Python入门基础，内容包括Python概述，Anaconda平台下载与安装，Python注释，基本输出与输入函数，Python保留字与标识符，Python变量和数据类型，Python数据运算符，Python序列的概念及通用操作，Python列表，Python元组，Python字典，Python集合，Python字符串等。第3章为数据清洗，介绍Python函数与模块、Numpy模块数组、Pandas模块序列、Pandas模块数据框、Python流程控制语句，常见类型数据在Python中的读取、合并、写入，数据检索，数据行列处理，数据缺失值、重复值和异常值处理，制作数据透视表，开展描述性分析和交叉表分析等。第4章为特征选择，介绍特征选择的概念、原则、方法，以及过滤法、嵌入法和包裹法各类方法特征选择的Python实现。第5章为特征处理，介绍常用的特征处理方式，包括特征归一化、特征标准化、样本归一化等，也同步介绍了等宽分箱、等频分箱、决策树分箱、卡方分箱等分箱方法，WOE和IV及其Python实现等。第6章为特征提取，介绍无监督降维技术主成分分析（PCA）和有监督降维技术线性判别分析（LDA）。第7章为数据可视化，介绍常用的数据可视化涉及图形的绘制，包括四象限图、热力图、直方图、条形图、核密度图和正态QQ图、散点图、线图（含时间序列趋势图）、双纵轴线图、回归拟合图、箱图、小提琴图、联合分布图、雷达图、饼图等。第8章为数据挖掘与建模1—线性回归，主要介绍线性回归算法的基本原理及其Python实现。第9章为数据挖掘与建模2—Logistic回归，主要介绍二元Logistic回归的基本原理，并结合具体实例讲解算法在Python中的实现与应用。第10章为数据挖掘与建模3—决策树，讲解决策树算法的概念与原理、特征变量选择及其临界值确定方法、决策树的剪枝、包含剪枝决策树的损失函数、变量重要性，以及算法解决分类问题和回归问题的Python实现与应用。第11章为数据挖掘与建模4—随机森林，讲解模型融合的基本思想、集成学习的概念与分类、装袋法的概念与原理、随机森林算法的概念与原理、随机森林算法特征变量重要性度量、部分依赖图与个体条件期望图，以及算法解决分类问题和回归问题的Python实现与应用。第12章为数据挖掘与建模5—神经网络，讲解神经网络算法的基本思想、感知机、多层感知机、神经元激活函数、误差反向传播算法、万能近似定理及多隐藏层优势、BP算法过拟合问题的解决，以及算法解决分类问题和回归问题的Python实现与应用。第13章为数据挖掘与建模6—RFM分析，讲解RFM分析的基本思想、RFM分类组合与客户类型对应情况、不同类型客户的特点及市场营销策略，并结合具体实例讲解该分析方法在Python中的实现与应用。
本书的特色在于：一是通过“入门-进阶-应用”这一循序渐进的方式讲解Python与数据科学应用。前两章分别讲解数据科学应用概述和Python入门基础，使读者能够基本掌握Python与数据科学应用的基础，然后后续在讲解各类数据科学应用时逐一详解用到的各种Python代码，针对每行代码均给出恰当注释，使读者能够真正理解各种代码的含义，从而可以灵活运用于自身的科研或应用研究。二是通过“复杂算法模型简单化、抽象理论概念具象化”这一深入浅出的方式讲解数据科学。本文尽可能用图像化、案例化的方式剖析各种数据科学应用的基本原理和适用条件，使读者真的能够看得明白、学得进去，避免在复杂的数学公式推导面前耗尽了所有的学习热情，最终望洋兴叹，苦技能虽好却不能为己所用矣。同时本书也做到了不失专业深度，使读者能够掌握各种数据科学应用方法的精髓，根据自身需要选取方法、优化代码、科学调参。三是实现了Python与数据科学应用的深度融合。以学以致用为桥梁实现了Python与数据科学应用之间的高效联动协同，使读者通过学习本书就能够同时掌握Python语言、数据科学应用这两大专业利器，达到“一箭双雕”的学习效果，有效提升科研与应用水平。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
