Data Science from Scratch中文版：用Python學資料科學 (2版)

類似書籍推薦給您

書名：DATA SCIENCE FROM SCRATCH中文版第二版｜用PYTHON學資料 出版社：歐萊禮 出版年月：201911 條碼：9789865023195 內容簡介 從事資料科學方面的工作時，活用各種相關函式庫、軟體框架、模組、工具包是很好的做法，但如果原本完全不懂資料科學，從頭開始也是一種不錯的做法。本書將採取土法煉鋼從頭學起的方式，帶領讀者認識與資料科學相關的許多工具與演算法。 你只要具備基本的數學能力，以及程式設計的基礎，本書就可以幫你在遇到相關的數學與統計知識時，不至於感到害怕，而且還能讓你學會一個資料科學家所需具備的相關駭客技術。如今到處充斥著各種雜亂的數據資料，其中包含許多問題的解答，但也有很多微妙之處，甚至連問題本身都還沒被提出來過。如果你真心想要挖掘問題的解答，本書將可以提供你一些相關的知識。 ．首先來一堂Python速成班 ．學習線性代數、統計、機率的基礎知識——並學會何時、如何在資料科學領域中靈活運用這些知識 ．搜集、探索、清理、轉換、處理各種數據資料 ．深入理解機器學習的基礎 ．靈活運用像是k最近鄰、單純貝氏、線性與邏輯迴歸、決策樹、神經網路、集群等種種模型 ．探討推薦系統、自然語言處理、網路分析、MapReduce與資料庫的相關知識 好評推薦 「Joel帶領我們領略探索資料科學，讓我們從一般的好奇心，進入到更深入的理解，並學會所有資料科學家都應該知道的各種實用演算法。」 —— Rohit Sivaprasad, Soylent公司資料科學家 「對於想要了解機器學習的工程師而言，這是一本奠定基礎的最佳入門書。」 -- Tom Marthaler, Amazon專案經理 「要將資料科學的概念轉換為程式碼並不容易，這本書讓它變簡單了。」 -- William Cox, Grubhub機器學習工程師 作者介紹 作者簡介 Joel Grus 是Allen人工智慧研究所的研究工程師。之前曾在Google擔任軟體工程師，並在多家新創公司擔任資料科學家。目前他住在西雅圖，愉快地從事著資料科學方面的工作。 個人部落格：joelgrus.com 推特：@joelgrus 目錄 第1章 簡介 第2章 Python速成班 第3章 資料視覺化 第4章 線性代數 第5章 統計學 第6章 機率 第7章 假設與推論 第8章 梯度遞減 第9章 取得資料 第10章 處理資料 第11章 機器學習 第12章 k最近鄰 第13章 單純貝氏 第14章 簡單線性迴歸 第15章 多元迴歸 第16章 邏輯迴歸 第17章 決策樹 第18章 神經網路 第19章 深度學習 第20章 集群 第21章 自然語言處理 第22章 網路分析 第23章 推薦系統 第24章 資料庫與SQL 第25章 MapReduce 第26章 資料道德規範 第27章 勇往直前，資料科學做就對了

Statistics: The Art & Science of Learning from Data (4版)

類似書籍推薦給您

【原文書】 書名：Statistics: The Art & Science of Learning from Data 4/e 作者：Agresti 出版社：Pearson 出版日期：2017/00/00 ISBN：9781292164779

Continuous Optimization for Data Science (1版)

類似書籍推薦給您

The text is divided into three main parts: unconstrained optimization, constrained optimization, and linear programming. The first part addresses unconstrained optimization in single-variable and multivariable functions, introducing key algorithms such as steepest descent, Newton, and quasi-Newton methods. The second part focuses on constrained optimization, starting with linear equality constraints and extending to more general cases, including inequality constraints. It details optimality conditions, sensitivity analysis, and relevant algorithms for solving these problems. The third part covers linear programming, presenting the formulation of LP problems, the simplex algorithm, and sensitivity analysis. Throughout, the text provides numerous applications to data science, such as linear regression, maximum likelihood estimation, expectation-maximization algorithms, support vector machines, and linear neural networks.

Big Data Science in Finance: Mathematics and Applications (1版)

類似書籍推薦給您

【簡介】 Explains the mathematics, theory, and methods of Big Data as applied to finance and investingData science has fundamentally changed Wall Street--applied mathematics and software code are increasingly driving finance and investment-decision tools. Big Data Science in Finance examines the mathematics, theory, and practical use of the revolutionary techniques that are transforming the industry. Designed for mathematically-advanced students and discerning financial practitioners alike, this energizing book presents new, cutting-edge content based on world-class research taught in the leading Financial Mathematics and Engineering programs in the world. Marco Avellaneda, a leader in quantitative finance, and quantitative methodology author Irene Aldridge help readers harness the power of Big Data.Comprehensive in scope, this book offers in-depth instruction on how to separate signal from noise, how to deal with missing data values, and how to utilize Big Data techniques in decision-making. Key topics include data clustering, data storage optimization, Big Data dynamics, Monte Carlo methods and their applications in Big Data analysis, and more. This valuable book: Provides a complete account of Big Data that includes proofs, step-by-step applications, and code samplesExplains the difference between Principal Component Analysis (PCA) and Singular Value Decomposition (SVD)Covers vital topics in the field in a clear, straightforward mannerCompares, contrasts, and discusses Big Data and Small DataIncludes Cornell University-tested educational materials such as lesson plans, end-of-chapter questions, and downloadable lecture slidesBig Data Science in Finance: Mathematics and Applications is an important, up-to-date resource for students in economics, econometrics, finance, applied mathematics, industrial engineering, and business courses, and for investment managers, quantitative traders, risk and portfolio managers, and other financial practitioners.