我爱电子书-《数据科学实战》| pdf + epub + mobi + awz3, 高清版, 带目录，Kindle版, 多看精排版下载

注重体验与质量的电子书资源下载网站

分类于: 其它

简介

数据科学实战豆 8.2分

资源最后更新于 2020-03-20 17:46:02

作者：https://itpanda.net/book/181/download/177

译者：冯凌秉王群锋

出版社：出版社人民邮电出版社

出版日期：2015-08

文件格式： pdf

标签：计算机统计数据挖掘数据分析机器学习数据科学

简介· · · · · ·

本书脱胎于哥伦比亚大学“数据科学导论”课程的教学讲义，它界定了数据科学的研究范畴，是一本注重人文精神，多角度、全方位、深入介绍数据科学的实用指南，堪称大数据时代的实战宝典。本书旨在让读者能够举一反三地解决重要问题，内容包括：数据科学及工作流程、统计模型与机器学习算法、信息提取与统计变量创建、数据可视化与社交网络、预测模型与因果分析、数据预处理与工程方法。另外，本书还将带领读者展望数据科学未来的发展。作者简介：Rachel Schutt美国新闻集团旗下数据科学部门高级副总裁、哥伦比亚大学统计系兼职教授、约翰逊实验室高级研究科学家，同时也是哥伦比亚大学数据科学及工程研究所教育委员会的发起人之一。她曾在谷歌研究院工作数年，负责设计算法原型并通过建模理解用户行为。Cathy O'Neil约翰逊实验室高级数据科学家、哈佛大学数学博士、麻省理工学院数学系博士后、巴纳德学院教授，曾发表过大量算术代数几何方面的论文。他曾在著名的全球投资管理公司D.E. Shaw担任对冲基金金融师，后加入专门评估银行和对冲基金风险的软件公司RiskMetrics，个人博客：mathbabe.org。译者简介：冯凌秉澳大利亚国立大学统计学博士，本科和研究生分别毕业于中南财经政法大学和中国人民大学。现在，他任职于江西财经大学金融管理国际研究院，任讲师、硕士生导师，研究方向为应用统计与金融计量。王群锋毕业于西安电子科技大学，现任职于IBM西安研发中心，从事下一代统计预测软件的开发运维工作。

直接下载

简介

数据科学实战 豆 8.2分

简介· · · · · ·

目录

O'Reilly Media, Inc.介绍

业界评论

作者介绍

关于封面图

前言

初衷

课程的起源

本书的起源

本书内容

组织结构

阅读须知

书中的代码

目标读者

基础知识要求

补充阅读

数学

编程

数据分析与统计推断

人工智能和机器学习

实验设计

可视化

关于本书其他贡献者

使用代码示例

Safari\(^{®}\) Books Online

联系我们

致谢

第 1 章 简介：什么是数据科学

1.1 大数据和数据科学的喧嚣

1.2 冲出迷雾

1.3 为什么是现在

数据化

1.4 数据科学的现状和历史

数据科学的职位

1.5 数据科学的知识结构

1.6 思维实验： 元定义

1.7 什么是数据科学家

1.7.1 学术界对数据科学家的定义

1.7.2 工业界对数据科学家的定义

第 2 章 统计推断、探索性数据分析和数据科学工作流程

2.1 大数据时代的统计学思考

2.1.1 统计推断

2.1.2 总体和样本

2.1.3 大数据的总体和样本

2.1.4 大数据意味着大胆的假设

2.1.5 建模

2.2 探索性数据分析

2.2.1 探索性数据分析的哲学

2.2.2 练习：探索性数据分析

示例代码

2.3 数据科学的工作流程

数据科学家在数据科学工作流程中的角色

2.4 思维实验：如何模拟混沌

2.5 案例学习：RealDirect

2.5.1 RealDirect是如何赚钱的

2.5.2 练一练：RealDirect公司的数据策略

示例R代码

第 3 章 算法

3.1 机器学习算法

3.2 三大基本算法

3.2.1 线性回归模型

小贴士

模型拟合

最小二乘模型的延伸

增添关于模型误差项的假设

模型评估标准

其他类型的模型误差测度

回顾一下

练习

3.2.2 k近邻模型（k-NN）

信用评分实例

相似性/距离测度

训练和测试数据集

选择一个模型评价标准

小结

k的选择

模型有哪些假设

数据科学实战豆 8.2分

第 1 章　简介：什么是数据科学

1.1　大数据和数据科学的喧嚣

1.2　冲出迷雾

1.3　为什么是现在

1.4　数据科学的现状和历史

1.5　数据科学的知识结构

1.6　思维实验：元定义

1.7　什么是数据科学家

1.7.1　学术界对数据科学家的定义

1.7.2　工业界对数据科学家的定义

第 2 章　统计推断、探索性数据分析和数据科学工作流程

2.1　大数据时代的统计学思考

2.1.1　统计推断

2.1.2　总体和样本

2.1.3　大数据的总体和样本

2.1.4　大数据意味着大胆的假设

2.1.5　建模

2.2　探索性数据分析

2.2.1　探索性数据分析的哲学

2.2.2　练习：探索性数据分析

2.3　数据科学的工作流程

2.4　思维实验：如何模拟混沌

2.5　案例学习：RealDirect

2.5.1　RealDirect是如何赚钱的

2.5.2　练一练：RealDirect公司的数据策略

第 3 章　算法

3.1　机器学习算法

3.2　三大基本算法

3.2.1　线性回归模型

3.2.2　k近邻模型（k-NN）

3.2.3　k均值算法

3.3　练习：机器学习算法基础

3.4　总结

第 4 章　垃圾邮件过滤器、朴素贝叶斯与数据清理

4.1　思维实验：从实例中学习

4.1.1　线性回归为何不适用

4.1.2　k近邻效果如何

4.2　朴素贝叶斯模型

4.2.1　贝叶斯法则

4.2.2　个别单词的过滤器

4.2.3　直通朴素贝叶斯

4.3　拉普拉斯平滑法

4.4　对比朴素贝叶斯和k 近邻

4.5　Bash代码示例

4.6　网页抓取：API和其他工具

4.7　Jake的练习题：文章分类问题中的朴素贝叶斯模型

第 5 章　逻辑回归

5.1　思维实验

5.2　分类器

5.2.1　运行时间

5.2.2　你自己

5.2.3　模型的可解释性

5.2.4　可扩展性

5.3　逻辑回归：一个来自M6D的真实案例研究

5.3.1　点击模型

5.3.2　模型背后

5.3.3　

5.3.4　牛顿法

5.3.5　随机梯度下降法

5.3.6　操练

5.3.7　模型评价

5.4　练习题

第 6 章　时间戳数据与金融建模

6.1　Kyle Teague与GetGlue公司

6.2　时间戳

6.2.1　探索性数据分析（EDA）

6.2.2　指标和新变量

6.2.3　下一步怎么做

6.3　轮到Cathy O'Neill了

6.4　思维实验

6.5　金融建模

6.5.1　样本期内外以及因果关系

6.5.2　金融数据处理

6.5.3　对数收益率

6.5.4　实例：标准普尔指数

6.5.5　如何衡量波动率

6.5.6　指数平滑法

6.5.7　金融模型的反馈

6.5.8　聊聊回归模型