數(shù)據(jù)科學(xué)與分析：Python語(yǔ)言實(shí)現(xiàn)

譯者序
前言
讀者指南
第1章　數(shù)據(jù)科學(xué)家的試驗(yàn)與磨難 1
1.1　數(shù)據(jù)？科學(xué)？數(shù)據(jù)科學(xué)！ 1
1.2　數(shù)據(jù)科學(xué)家：現(xiàn)代鹿角兔 4
1.3　數(shù)據(jù)科學(xué)工具 9
1.4　從數(shù)據(jù)到洞察力：數(shù)據(jù)科學(xué)工作流 11
1.4.1　識(shí)別問(wèn)題 13
1.4.2　獲取數(shù)據(jù) 13
1.4.3　數(shù)據(jù)挖掘 13
1.4.4　建模與評(píng)價(jià) 13
1.4.5　表征與互動(dòng) 14
1.4.6　數(shù)據(jù)科學(xué)：一個(gè)迭代過(guò)程 14
1.5　總結(jié) 15
第2章　Python：完全不同的編程語(yǔ)言 16
2.1　為何是Python？為何不是？ 17
2.1.1　使用Shell或不使用Shell 19
2.1.2　使用iPython/Jupyter Notebook 20
2.2　初探Python 21
2.2.1　基本類(lèi)型 21
2.2.2　數(shù)字 21
2.2.3　字符串 22
2.2.4　復(fù)數(shù) 23
2.2.5　列表 24
2.2.6　元組 27
2.2.7　字典 29
2.3　控制流 31
2.3.1　if ... elif ... else 31
2.3.2　while 32
2.3.3　for 33
2.3.4　try... except 34
2.3.5　函數(shù) 36
2.3.6　腳本和模塊 39
2.4　計(jì)算和數(shù)據(jù)處理 41
2.4.1　矩陣操作和線性代數(shù) 41
2.4.2　NumPy數(shù)組和矩陣 42
2.4.3　索引和切片 45
2.5　“熊貓”前來(lái)救駕 46
2.6　繪圖和可視化庫(kù)：Matplotlib 50
2.7　總結(jié) 52
第3章　能夠探知的機(jī)器：機(jī)器學(xué)習(xí)和模式識(shí)別 53
3.1　認(rèn)知模式 53
3.2　人工智能和機(jī)器學(xué)習(xí) 54
3.3　數(shù)據(jù)很好，但也需要其他支持 56
3.4　學(xué)習(xí)、預(yù)測(cè)和分類(lèi) 57
3.5　機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué) 58
3.6　特征選擇 59
3.7　偏差、差異和正規(guī)化：平衡法 60
3.8　一些有用的措施：距離和相似性 61
3.9　注意“維度的詛咒” 64
3.10　Scikit-learn是我們的朋友 67
3.11　訓(xùn)練和測(cè)試 70
3.12　交叉驗(yàn)證 72
3.13　總結(jié) 75
第4章　關(guān)系難題：回歸 76
4.1　變量之間的關(guān)系：回歸 76
4.2　多元線性回歸 78
4.3　普通最小二乘法 80
4.4　大腦與身體：?jiǎn)巫兞炕貧w 83
4.5　對(duì)數(shù)變換 90
4.6　使任務(wù)更容易：標(biāo)準(zhǔn)化和擴(kuò)展 93
4.6.1　正則化或單位縮放 94
4.6.2　z-Score縮放 95
4.7　多項(xiàng)式回歸 96
4.8　方差–偏差權(quán)衡 99
4.9　收縮：選擇運(yùn)算符和Ridge 101
4.10　總結(jié) 105
第5章　鹿角兔和野兔：聚類(lèi) 107
5.1　聚類(lèi) 107
5.2　k–均值聚類(lèi) 108
5.2.1　聚類(lèi)驗(yàn)證 110
5.2.2　k–均值實(shí)際操作 112
5.3　總結(jié) 115
第6章　獨(dú)角獸和馬：分類(lèi) 116
6.1　分類(lèi) 116
6.1.1　混淆矩陣 117
6.1.2　ROC和AUC 119
6.2　使用KNN算法分類(lèi) 121
6.3　邏輯回歸分類(lèi)器 126
6.3.1　邏輯回歸的解釋 129
6.3.2　邏輯回歸的應(yīng)用 130
6.4　使用樸素貝葉斯算法進(jìn)行分類(lèi) 136
6.4.1　樸素貝葉斯分類(lèi)器 139
6.4.2　樸素貝葉斯分類(lèi)的應(yīng)用 140
6.5　總結(jié) 144
第7章　決策：分層聚類(lèi)、決策樹(shù)和集成技術(shù) 145
7.1　分層聚類(lèi) 145
7.2　決策樹(shù) 150
7.3　集成技術(shù) 160
7.3.1　套袋 164
7.3.2　助推 164
7.3.3　隨機(jī)森林 165
7.3.4　層疊和混合 166
7.4　集成技術(shù)實(shí)踐 167
7.5　總結(jié) 171
第8章　少即多：降維 172
8.1　降維 172
8.2　主成分分析 175
8.2.1　PCA實(shí)踐 177
8.2.2　PCA在鳶尾花數(shù)據(jù)集中的應(yīng)用 180
8.3　奇異值分解 183
8.4　推薦系統(tǒng) 187
8.4.1　基于內(nèi)容的過(guò)濾實(shí)踐 188
8.4.2　協(xié)同過(guò)濾實(shí)踐 191
8.5　總結(jié) 195
第9章　內(nèi)核秘訣：支持向量機(jī) 197
9.1　支持向量機(jī)和內(nèi)核方法 197
9.1.1　支持向量機(jī) 199
9.1.2　內(nèi)核的技巧 204
9.1.3　SVM實(shí)踐：回歸 205
9.1.4　SVM實(shí)踐：分類(lèi) 208
9.2　總結(jié) 212
附錄　Scikit-learn中的管道 213
參考文獻(xiàn) 217