数据科学库、框架、模块和工具包非常适合进行数据科学研究,但它们也是深入研究这一学科的好方法,不需要真正理解数据科学。在本书中,您将了解到许多最基本的数据科学工具和算法都是通过从头实现来实现的。

如果你有数学天赋和一些编程技能,作者Joel Grus将帮助你熟悉作为数据科学核心的数学和统计,以及作为数据科学家的入门技能。如今,这些杂乱的、充斥着海量数据的数据,为一些甚至没人想过要问的问题提供了答案。这本书为你提供了挖掘这些答案的诀窍。

参加Python速成班

  • 学习线性代数、统计和概率的基础知识,并了解如何以及何时在数据科学中使用它们
  • 收集、探索、清理、分析和操作数据
  • 深入了解机器学习的基本原理
  • 实现诸如k近邻、朴素贝叶斯、线性和逻辑回归、决策树、神经网络和聚类等模型
  • 探索推荐系统、自然语言处理、网络分析、MapReduce和数据库
成为VIP会员查看完整内容
0
73

相关内容

数据科学(英語:data science)是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。 它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。 数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

通过这个紧凑的实用指南,开始使用Python进行数据分析。这本书包括三个练习和一个用正确的格式从Python代码中获取数据的案例研究。使用Python学习数据分析还可以帮助您使用分析发现数据中的意义,并展示如何可视化数据。

每一节课都尽可能是独立的,允许您根据需要插入和退出示例。如果您已经在使用Python进行数据分析,那么您会发现您希望知道如何使用Python来完成许多事情。然后,您可以将这些技术直接应用到您自己的项目中。

如果您不使用Python进行数据分析,那么本书从一开始就带您了解基础知识,为您在该主题中打下坚实的基础。当你阅读完这本书的时候,你会对如何使用Python进行数据分析有更好的理解。

你将学到什么

  • 从Python代码中获取数据
  • 准备数据及其格式
  • 找出数据的意义
  • 使用iPython可视化数据

这本书是给谁的

想学习使用Python进行数据分析的同学。建议您具有Python方面的经验,但不是必需的,因为您需要具有数据分析或数据科学方面的经验。

成为VIP会员查看完整内容
0
92

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
127

本书介绍了自由软件Python及其在统计数据分析中的应用。它涵盖了连续、离散和分类数据的常见统计测试,以及线性回归分析和生存分析和贝叶斯统计的主题。每个测试的Python解决方案的工作代码和数据,以及易于遵循的Python示例,可以被读者复制,并加强他们对主题的直接理解。随着Python生态系统的最新进展,Python已经成为科学计算的一种流行语言,为统计数据分析提供了一个强大的环境,并且是R的一个有趣的替代选择。本书面向硕士和博士学生,主要来自生命和医学科学,具有统计学的基本知识。由于该书还提供了一些统计方面的背景知识,因此任何想要执行统计数据分析的人都可以使用这本书。

成为VIP会员查看完整内容
0
58

了解深度学习,不同模型的细微差别,以及这些模型可以应用的地方。

丰富的数据和对优质产品/服务的需求,推动了先进的计算机科学技术的发展,其中包括图像和语音识别。通过机器学习和深度学习建立在数据科学的基础上,《使用R进行深度学习的介绍》提供了对执行这些任务的模型的理论和实践理解。这个分步指南将帮助您理解这些规程,以便您可以在各种上下文中应用该方法。所有的例子都是用R统计语言教授的,允许学生和专业人员使用开源工具来实现这些技术。

你将学习 理解支持深度学习模型的直觉和数学 利用各种算法使用R编程语言和它的包 使用最佳实践进行实验设计和变量选择 作为一个数据科学家,实践方法来接近和有效地解决问题 评估算法解决方案的有效性并增强其预测能力

这本书是给谁的

熟悉使用R编程的学生、研究人员和数据科学家也可以使用这本书来学习如何在最有用的应用程序中适当地部署这些算法。

成为VIP会员查看完整内容
0
24

从设计和原型设计到测试、部署和维护,Python在许多方面都很有用,它一直是当今最流行的编程语言之一。这本实用的书的第三版提供了对语言的快速参考——包括Python 3.5、2.7和3.6的突出部分——它庞大的标准库中常用的区域,以及一些最有用的第三方模块和包。

本书非常适合具有一些Python经验的程序员,以及来自其他编程语言的程序员,它涵盖了广泛的应用领域,包括web和网络编程、XML处理、数据库交互和高速数字计算。了解Python如何提供优雅、简单、实用和强大功能的独特组合。

这个版本包括:

  • Python语法、面向对象的Python、标准库模块和第三方Python包
  • Python对文件和文本操作、持久性和数据库、并发执行和数值计算的支持
  • 网络基础、事件驱动编程和客户端网络协议模块
  • Python扩展模块,以及用于打包和分发扩展、模块和应用程序的工具
成为VIP会员查看完整内容
0
111

简单易懂,读起来很有趣,介绍Python对于初学者和语言新手都是理想的。作者Bill Lubanovic带您从基础知识到更复杂和更多样的主题,混合教程和烹饪书风格的代码配方来解释Python 3中的概念。章节结尾的练习可以帮助你练习所学的内容。

您将获得该语言的坚实基础,包括测试、调试、代码重用和其他开发技巧的最佳实践。本书还向您展示了如何使用各种Python工具和开放源码包将Python用于商业、科学和艺术领域的应用程序。

  • 学习简单的数据类型,以及基本的数学和文本操作
  • 在Python的内置数据结构中使用数据协商技术
  • 探索Python代码结构,包括函数的使用
  • 用Python编写大型程序,包括模块和包
  • 深入研究对象、类和其他面向对象的特性
  • 检查从平面文件到关系数据库和NoSQL的存储
  • 使用Python构建web客户机、服务器、api和服务
  • 管理系统任务,如程序、进程和线程
  • 了解并发性和网络编程的基础知识

成为VIP会员查看完整内容
0
115

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

成为VIP会员查看完整内容
0
91

从数据科学的角度研究Python,并学习用于做出关键业务决策的数据可视化的成熟技术。从介绍Python的数据科学开始,您将进一步了解Python环境,并熟悉Jupyter Notebook和Spyder等编辑器。通过Python编程入门之后,您将掌握数据科学中使用的基本Python编程技术。接下来是数据可视化,您将看到它如何满足现代业务需求并形成决策的关键因素。您还将了解Python中一些流行的数据可视化库。

将重点转移到数据结构,您将从数据科学的角度了解数据结构的各个方面。然后使用Python处理文件I/O和正则表达式,然后收集和清理数据。继续探索和分析数据,您将看到Python中的高级数据结构。然后,您将深入研究数据可视化技术,了解Python中的许多绘图系统。

最后,您将完成一个详细的案例研究,您将有机会重温到目前为止介绍的概念。

你会学到什么

  • 在数据科学中使用Python编程技术
  • Python中的主数据收集
  • 为BI系统创建引人入胜的可视化
  • 部署收集和清理数据的有效策略
  • 整合Seaborn和Matplotlib绘图系统

这本书是给谁看的

具有基本Python编程知识的开发人员希望采用使用Python进行数据分析和可视化的关键策略。

成为VIP会员查看完整内容
0
95

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
87

主题: Python Data Science Cookbook

简介: 这本书包含了简单而简洁的Python代码示例,以有效地演示实际中的高级概念,使用Python探索编程、数据挖掘、数据分析、数据可视化和机器学习等概念,借助简单易懂、有见地的方法,快速掌握机器学习算法。

成为VIP会员查看完整内容
0
87
小贴士
相关资讯
知识分享 | 深度学习的学习路径
沈浩老师
15+阅读 · 2019年1月9日
免费教材-《数据科学基础-2018》最新版下载
深度学习与NLP
24+阅读 · 2018年12月28日
下载 | 100页机器学习入门完整版,初学者必备!
机器学习算法与Python学习
8+阅读 · 2018年12月18日
从入门到头秃,2018年机器学习图书TOP10
新智元
11+阅读 · 2018年12月8日
Python数据科学超强阵容书单
图灵教育
6+阅读 · 2018年3月26日
从0到1 | 0基础/转行 如何用3个月学会机器学习|数据科学
数据挖掘入门与实战
5+阅读 · 2017年12月4日
Kaggle入门手册
Datartisan数据工匠
3+阅读 · 2017年11月9日
机器学习必备手册
机器学习研究会
11+阅读 · 2017年10月24日
相关论文
Neural Image Captioning
Elaina Tan,Lakshay Sharma
4+阅读 · 2019年7月2日
Advances in Natural Language Question Answering: A Review
K. S. D. Ishwari,A. K. R. R. Aneeze,S. Sudheesan,H. J. D. A. Karunaratne,A. Nugaliyadde,Y. Mallawarrachchi
4+阅读 · 2019年4月10日
Borja Ibarz,Jan Leike,Tobias Pohlen,Geoffrey Irving,Shane Legg,Dario Amodei
4+阅读 · 2018年11月15日
Learning from Longitudinal Face Demonstration - Where Tractable Deep Modeling Meets Inverse Reinforcement Learning
Chi Nhan Duong,Kha Gia Quach,Khoa Luu,T. Hoang Ngan Le,Marios Savvides,Tien D. Bui
3+阅读 · 2018年9月4日
Seyed Sajad Mousavi,Michael Schukat,Enda Howley
12+阅读 · 2018年6月23日
Reza Ghaeini,Xiaoli Z. Fern,Hamed Shahbazi,Prasad Tadepalli
4+阅读 · 2018年6月1日
Hongyu Xu,Xutao Lv,Xiaoyu Wang,Zhou Ren,Navaneeth Bodla,Rama Chellappa
3+阅读 · 2018年3月27日
Yan Zhang,Jonathon Hare,Adam Prügel-Bennett
10+阅读 · 2018年2月15日
Kai Song,Yue Zhang,Min Zhang,Weihua Luo
4+阅读 · 2018年1月11日
Top