精通數據科學算法 (Data Science Algorithms in a Week)
[英]戴維·納蒂加（David Natingga）
- 出版商: 人民郵電
- 出版日期: 2019-05-01
- 售價: $354
- 貴賓價: 9.5 折 $336
- 語言: 簡體中文
- ISBN: 7115498164
- ISBN-13: 9787115498168
-
相關分類:
Data-mining
- 此書翻譯自: Data Science Algorithms in a Week
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
演算法 (Levitin：Introduction to the Design and Analysis of Algorithms, 2/e)$680$666 -
統計推論 (Statistical Inference, 2/e)$720$684 -
機器學習與優化$534$507 -
$556百面機器學習 : 算法工程師帶你去面試 -
共舞雷射$300$270 -
Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)$1,000$790 -
$500統計學習方法, 2/e -
$281PyTorch 深度學習 (Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch) -
超圖解 Python 程式設計入門$650$553 -
工業人工智慧$500$490 -
實戰人工智慧之深度強化學習｜使用 PyTorch x Python$500$425 -
統計之美：人工智慧時代的科學思維$580$458 -
Python 技術者們 - 練功！老手帶路教你精通正宗 Python 程式 (The Quick Python Book, 3/e)$780$663 -
深度學習 (Deep Learning)(繁體中文版)$1,200$1,020 -
VCSEL 技術原理與應用$520$468 -
$301人工智能算法 捲1 基礎算法 -
Python 機器學習 (上), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$620$484 -
機器學習的數學：用數學引領你走進 AI 的神秘世界$580$452 -
Python 機器學習 (下), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$520$406 -
統計學習要素：機器學習中的數據挖掘、推斷與預測, 2/e (The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2/e)$954$906 -
程式設計必修的數學課$450$383 -
$352人工智能算法 捲2 受大自然啟發的算法 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$509 -
最優試驗設計 — 案例分析$534$507 -
人工智能：現代方法, 4/e (上下冊)$1,188$1,129
商品描述
數據科學（Data Science）是從數據中提取知識的技術，是一門有關機器學習、統計學與數據挖掘的交叉學科。數據科學包含了多種領域的不同元素，包括信號處理、數學、概率模型技術和理論、電腦編程、統計學等。
本書講解了7種重要的數據分析方法，它們分別是k最近鄰算法、樸素貝葉斯算法、決策樹、隨機森林、k-means聚類、回歸分析以及時間序列分析。全書共7章，每一章都以一個簡單的例子開始，先講解算法的基本概念與知識，然後通過對案例進行擴展以講解一些特殊的分析算法。這種方式有益於讀者深刻理解算法。
本書適合數據分析人員、機器學習領域的從業人員以及對算法感興趣的讀者閱讀。
作者簡介
Dávid Natingga於2014年畢業於倫敦帝國理工學院的計算與人工智能專業，並獲工程碩士學位。
2011年，他在印度班加羅爾的Infosys實驗室工作，研究機器學習算法的優化。
2012~2013年，他在美國帕羅奧圖的Palantir技術公司從事大數據算法的開發工作。
2014年，作為英國倫敦Pact Coffee公司的數據科學家，他設計了一種基於顧客口味偏好和咖啡結構的推薦算法。
2017年，他在荷蘭阿姆斯特丹的TomTom工作，處理導航平臺的地圖數據。
他是英國利茲大學計算理論專業的博士研究生，研究純數學如何推進人工智能。
2016年，他在日本高等科學技術學院當了8個月的訪問學者。
目錄大綱
第1章用k最近鄰算法解決分類問題
1.1 Mary對溫度的感覺
1.2實現k最近鄰算法
1.3意大利地區的示例——選擇k值
1.4房屋所有權——數據轉換
1.5文本分類——使用非歐幾裏德距離
1.6文本分類——更高維度的k-NN
1.7小結
1.8習題
第2章樸素貝葉斯
2.1醫療檢查——貝葉斯定理的基本應用
2.2貝葉斯定理的證明及其擴展
2.3西洋棋遊戲——獨立事件
2.4樸素貝葉斯分類器的實現
2.5西洋棋遊戲——相關事件
2.6性別分類——基於連續隨機變量的貝葉斯定理
2.7小結
2.8習題
第3章決策樹
3.1遊泳偏好——用決策樹表示數據
3.2信息論044
3.3 ID3算法——構造決策樹047
3.4用決策樹進行分類054
3.5小結060
3.6習題060
第4章隨機森林064
4.1隨機森林算法概述064
4.2遊泳偏好——隨機森林分析法065
4.3隨機森林算法的實現071
4.4下棋實例075
4.5購物分析——剋服隨機數據的不一致性以及
度量置信水平082
4.6小結084
4.7習題084
第5章k-means聚類089
5.1家庭收入——聚類為k個簇089
5.2性別分類——聚類分類092
5.3 k-means聚類算法的實現095
5.4房產所有權示例——選擇簇的數量099
5.5小結105
5.6習題105
第6章回歸分析114
6.1華氏溫度和攝氏溫度的轉換——基於完整數據的線性回歸114
6.2根據身高預測體重——基於實際數據的線性回歸117
6.3梯度下降算法及實現118
6.4根據距離預測飛行時長122
6.5彈道飛行分析——非線性模型123
6.6小結125
6.7習題125
第7章時間序列分析130
7.1商業利潤——趨勢分析130
7.2電子商店的銷售額——季節性分析132
7.3小結140
7.4習題140
附錄A統計145
A.1基本概念145
A.2貝葉斯推理146
A.3分佈146
A.4交叉驗證147
A.5 A/B測試148
附錄BR參考149
B.1介紹149
B.2數據類型150
B.3線性回歸152
附錄C Python參考154
C.1介紹154
C.2數據類型155
C.3控制流159
附錄D數據科學中的算法和方法術語163
