認識資料科學的第一本書 (Data Analytics Made Accessible)
Anil Maheshwari 著、徐瑞珠 譯
買這商品的人也買了...
-
無瑕的程式碼－敏捷軟體開發技巧守則 + 番外篇－專業程式設計師的生存之道 (雙書合購)$940$700 -
.jpg)
講重點商務溝通：從構思到報告面面俱到的英文寫作指南(Reader-Friendly Reports: A No-nonsense Guide to Effective Writing for MBAs, Consultants, and Other Professionals)$300$270 -
精通 Python｜運用簡單的套件進行現代運算 (Introducing Python: Modern Computing in Simple Packages)$780$616 -
$293Python 資料分析 (Python Data Analysis) -
資料科學的商業運用 (Data science for business)$680$537 -
Python 機器學習 (Python Machine Learning)$580$452 -
資料智慧化：利用資料科學，將資訊化為創見$480$408 -
好人主管的狡猾管理學：我自己來做還比較快？難怪你老是替部屬收爛攤，當主管該有的心理素質，要從狡猾開始。$300$270 -
深度學習快速入門 — 使用 TensorFlow (Getting started with TensorFlow)$360$281 -
從人到人工智慧，破解 AI 革命的 68個核心概念：實戰專家全圖解 × 人腦不被電腦淘汰的關鍵思考$360$284 -
TensorFlow + Keras 深度學習人工智慧實務應用$590$460 -
白話大數據與機器學習$480$379 -
寫程式前就該懂的演算法 ─ 資料分析與程式設計人員必學的邏輯思考術 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$390$371 -
最符合人腦的解讀方式：用 d3.js 完成網頁視覺化$540$405 -
實戰聊天機器人 Bot 開發｜使用 Node.js (Building Bots with Node.js)$380$300 -
$653深度學習、優化與識別 (Deep Learning,Optimization and Recognition) -
Docker 入門與實戰, 2/e$500$425 -
$796深度學習 (Deep Learning) -
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
你問的問題，決定你是誰：為什麼企業要花大錢，只為了請他來問問題？ 因為人通常自己有答案，但不知道問題出在哪裡。$300$270 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
孫正義一次OK的社內簡報術：3分鐘一舉過關！日本最強簡報術，各大企業競相採用$280$252 -
回話的態度：爭執、回答不清，是因為「太熟」，還是不經思考的「壞習慣」$280$252 -
原來，這才叫說‧重‧點：外商顧問、矽谷菁英都推崇的超條列式表達$240$216 -
演算法圖鑑：26種演算法 + 7種資料結構，人工智慧、數據分析、邏輯思考的原理和應用 step by step 全圖解$450$356
商品描述
| 本書以簡單易懂，簡單直白的敘述，帶領讀者認識資料分析與資料科學。每個主題都會以一個真實世界的案例帶入，希望能夠幫助讀者快速建立資料科學的概念。無論您是學生、上班族、行銷人員、分析師或財務人員，只要您對資料科學感到好奇，本書都可以幫助您對資料科學有更一步的認識。 自讀者的讚譽 「本書是關於資料相關領域極佳的參考書籍。我一定會推薦本書作為商業智慧與資料探勘研究課程的教科書。」- Edi Shivaji博士 「這是一本好讀且應景的書！對於想要知道到底大數據是什麼的讀者來說，是很好的入門書！」– Alok Mishra博士 「本書將複雜、又極度重要的主題變得人人皆能輕易學習。它一開始只是連接您已知道的事，接著，砰！突然間您就懂得決策樹、迴歸模型、以及類神經網路，還有群集分析、網路探勘以及大數據。」– Charmaine Oak小姐 「對在此領域完全是新手，並剛開始進修MBA 課程的我來說，這是一本極度有用的書，並且容易閱讀與理解。它清楚地說明各個觀念，並讓理解此主題成為一個簡單的任務。」– Craig Domoney先生 |
目錄大綱
Ch01｜資料分析概觀
Ch02｜商業智慧
Ch03｜資料倉儲
Ch04｜資料探勘
Ch05｜資料視覺化
Ch06｜決策樹
Ch07｜迴歸
Ch08｜類神經網路
Ch09｜群集分析
Ch10｜關聯規則探勘
Ch11｜文字探勘
Ch12｜單純貝式分析
Ch13｜支援向量機
Ch14｜網路探勘
Ch15｜社群網路分析
Ch16｜大數據
Ch17｜資料建模入門
Ch18｜資料科學職涯與個案研究
附錄A｜資料探勘之R語言教學練習
