超圖解資料科學 ✕ 機器學習實戰探索：使用 Python (1版)

類似書籍推薦給您

【簡介】 資料科學、機器學習是近來最夯的關鍵字, 所引發的學習熱潮從未間斷。然而初學的你只要稍微上網搜尋可能會發現, 資料科學涉及的領域實在超～級～廣, 包括 AI、機器學習、程式設計、資料視覺化、數學、統計...等等, 一拖拉庫的名詞都與資料科學沾上邊；相關書籍更是不少, 各書的切入點明顯都不一樣, 卻都一致高喊「我帶你學資料科學！」讓初學者看得更花了, 對於如何入門愈來愈沒頭緒... 這麼雜到底怎麼學？AI、統計、Python / R 程式語言...通通碰過一輪？ 先看完這本書再說！與其雜亂無章東學西學, 本書大聲告訴你：「資料科學沒那麼複雜！」, 只要跟著書中精心設計的「資料科學 5 步驟」： 問個感興趣的問題 → 資料取得 → 資料處理 → 探索性資料分析 → 機器學習做資料分析 「記牢」、「做熟」這 5 步就夠了！ [鐵了心就是要你會！利用 Colab ✕ Python 反覆操演] 在各步驟中, 我們會帶你用 Colab 免費雲端平台以及 Python 這個超夯工具動手操演多個資料科學經典案例, 讀者可以從過程中逐步吸收資科科學乃至於機器學習各階段要處理的「眉眉角角」。 要是做過一輪還不熟沒關係, 我們換個範例多 run 幾遍！幾輪下來一定會對資料科學的內涵更加清晰, 也會對機器學習在其中所扮演的角色有更深刻的認識！ [圖解爆棚, 隨便翻閱都有感] 更棒的是, 學習資料科學、機器學習免不了會碰到許多看起來很難懂的數學公式, 實作時也得學習各種陌生的 Python 語法, 為此作者特別在書中設計大量插圖, 協助你有效率地理解內容；而每一章最前面的「學習地圖」更可以幫你隨時掌握學習脈絡, 有這些超圖解的「加持」, 讓你遇到再複雜的概念也不怕！ 【目錄】 Ch01 破冰！資料科學觀念養成 Ch02 Python 資料科學實作平台：Google Colab Ch03 認識資料科學神器 pandas 並用網路爬蟲取得資料 Ch04 初探資料科學 (一)：用 pandas 做資料前處理 Ch05 初探資料科學 (二)：用資料視覺化發掘重要資訊 Ch06 經典案例演練！更深入的探索性資料分析 Ch07 資料科學 Level UP！認識機器學習演算法 Ch08 機器學習實戰 (一)：用線性迴歸分析做趨勢預測 Ch09 機器學習實戰 (二)：用 K最近鄰法 (KNN) 做分類 Ch10 機器學習實戰 (三)：用 K平均法 (K-Means) 做分群

大數據分析與應用實戰：統計機器學習之資料導向程式設計

類似書籍推薦給您

書名：大數據分析與應用實戰：統計機器學習之資料導向程式設計 作者：鄒慶士 出版社：東華 出版日期：2019/04/01 ISBN：9789574363407 內容簡介 本書特色 　　•文字說明、程式碼與執行結果等交叉呈現，有助於閱讀理解。 　　•來自不同領域的資料處理與分析範例。 　　•同時掌握資料分析兩大主流工具 - R 與 Python。 　　•凸顯第四代與第三代程式語言不同之處。 　　•深入淺出地介紹統計機器學習理論與實務。 　　•符合 iPAS 經濟部產業人才能力鑑定巨量資料分析師各科評鑑主題。 目錄 第一章資料導向程式設計 1.1 套件管理 1.1.1 基本套件 1.1.2 建議套件 1.1.3 貢獻套件 1.2 環境與輔助說明 1.3 R 語言資料物件 1.3.1 向量 1.3.2 矩陣 1.3.3 陣列 1.3.4 串列 1.3.5 資料框 1.3.6 因子 1.3.7 R 語言原生資料物件取值 1.3.8 R 語言衍生資料物件 1.4 Python 語言資料物件 1.4.1 Python 語言原生資料物件操弄 1.4.2 Python 語言衍生資料物件取值 1.4.3 Python 語言類別變數綸碼 1.5 向量化與隱式迴圈 1.6 編程範式與物件導向概念 1.6.1 R 語言 S3 類別 1.6.2 Python 語言物件導向 1.7 控制敘述與自訂函數 1.7.1 控制敘述 1.7.2 自訂函數 1.8 資料匯入與匯出 1.8.1 R 語言資料匯入及匯出 1.8.2 Python 語言資料匯入及匯出 1.9 程式除錯與效率監測 第二章資料前處理 2.1 資料管理 2.1.1 R 語言資料組識與排序 2.1.2 Python 語言資料排序 2.1.3 R 語言資料變形 2.1.4 Python語言資料變形 2.1.5 R 語言資料清理 2.1.6 Python 語言資料清理 2.2 資料摘要與彙總 2.2.1 摘要統計量 2.2.2 R 語言群組與摘要 2.2.3 Python 語言群組與摘要 2.3 屬性工程 2.3.1 屬性轉換與移除 2.3.2 屬性萃取之主成份分析 2.3.2.1奇異值矩陣分解 2.3.3 屬性挑選 2.3.4 小結 2.4 巨量資料處理概念 2.4.1 文字資料處理 2.4.2 Hadoop 分散式檔案系統 2.4.3 Spark 叢集訓計算框架 第三章統計機器學習基礎 3.1 隨機誤差模型 3.1.1 統計機器學習類型 3.1.2 過度配適 3.2 模型績效評量 3.2.1 迴歸模型績效指標 3.2.2 分類模型績效指標 3.2.2.1 模型預測值 3.2.2.2 混淆矩陣 3•2.2.3 整體指標 3.2.2.4 類別相關指標 3.2.3 模型績效視覺化 3.3 模型選擇與評定 3.3.1 重抽樣與資料切分方法 3.3.2 單類模型參數調校 3.3.2.1 多個參數待調 3.3.2.2 客製化參數調校 3.3.3 比較不同類的模型 3.4 相似性與距離 3.5 相關與獨立 3.5.1 數值變數與順序尺度類別變數 3.5.2 名目尺度類別變數 3.5.3 類別變數視覺化關聯檢驗 第四章非監督式學習 4.1 資料視覺化 4.1.1 圖形文法繪圖 4.2 關聯型態探勘 4.2.1 關聯型態評估準則 4.2.2 線上音樂城關聯規則分析 4.2.3 結語 4.3 集群分析 4.3.1 k 平均數集群 4.3.1.1 青少年市場區隔案例 4.3.2 階層式集群 4.3.3 密度集群 4.3.3.1 密度集群案例 4.3.4 集群結果評估 4.3.5 結語 第五章監督式學習 5.1 線性迴歸與分類 5.1.1 多元線性迴歸 5.1.2 偏最小平方法迴歸 5.1.3 脊迴歸、LASSO 迴歸與彈性網罩懲罰模型 5.1.4 線性判別分析 5.1.4.1 貝氏法 5.1.4.2 費雪法 5.1.5 羅吉斯迴歸分類與廣義線性模型 5.2 非線性分類與迴歸 5.2.1 天真貝式分類 5.2.1.1手機簡訊過濾案例 5.2.2 k 近鄰法分類 5.2.2.1 電離層無線電訊號案例 5.2.3 支援向量機分類 5.2.3.1 光學手寫字元案例 5.2.4 分類與迴歸樹 5.2.4.1 銀行貸款風險管理案例 5.2.4.2 酒品評點迴歸樹預測 5.2.4.3 小結 第六章其它學習方式 6.1 薈萃式學習 6.1.1 拔靴集成法 6.1.2 多模激發法 6.1.2.1 房價中位數預測案例 6.1.3 隨機森林 6.1.4 小結 6.2 深度學習 6.2.1 類神經網路簡介 6.2.2 多層感知機 6.2.2.1 混凝土強度佔計案例 6.2.3 卷積神經網路 6.2.4 遞歸神經網路 6.2.5 自動編碼器 6.2.6 受限波茲曼機 6.2.7 深度信念網路 6.2.8 深度學習參數調校 6.3 強化式學習