Python数据分析基础：包含数据挖掘和机器学习 pdf epub mobi txt 电子书 下载 2024

☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

从统计学出发，最实用的Python工具书。
　　◆全书基于Python3.6.4编写，兼容性高，为业界普遍使用之版本。
　　◆以简明文字阐述替代复杂公式推导，力求降低学习门槛。
　　◆简单易懂，理论完整，案例详尽。
　　◆包含AI领域热门的深度学习、神经网路及统计思维的数据分析，洞察市场先机。

　　Python，是当今大数据时代下最为流行的编程工具之一；资料分析，则是在科学研究中日益重视的环节。当开源语言的便利性，遇上统计思维的重要性，本书便应运而生。

　　本书从基础统计学出发，是初学者的Python实用书籍。从统计学的视角和需求来写Python的应用，有很多运用Stats Model和SciPy来进行统计分析的案例，对于具统计背景的人学习Python很有帮助！

　　针对当前人工智慧领域较为热门的「深度学习」亦有所涉猎。介绍神经网路与深度学习的基本思想、架构及步骤，并利用TensorFlow架构工具解决实际案例。是一本适合对Python和统计学有兴趣的读者、相关研究者以及企业决策者的工具书。
 

作者简介

阮敬

　　阮敬（1979.10），博士，教授，博士生导师。现任首都经济贸易大学研究生院副院长，北京市丰台区政协委员。兼任中国消费者协会专家委员会委员、中国青年统计学家协会创始秘书长、中国现场统计研究会副秘书长兼经济与金融统计分会副理事长、中国统计教育学会常务理事兼高等教育分会秘书长、中国商业统计学会常务理事兼数据科学与商业智慧分会学术委员会副主任、全国工业统计学教学研究会常务理事、北京大数据协会副秘书长等职。

　　近年来主持国家社科基金、教育部人文社科基金、北京市自然科学基金、北京市社科基金、留学人员择优资助基金等科研项目和世界500强企业及大型国企、国家部委及北京市政府部门等横向课题共50余项。

　　在国内外公开发表论文50余篇，出版专着、译着和教材12部，先后14次荣获国务院学位委员会全国应用统计专业学位研究生教育指导委员会优秀教育教学成果奖、全国统计科学研究优秀成果奖、北京市哲学社会科学优秀成果奖、北京市统计科学研究优秀成果奖、北京市优秀调查研究成果奖等科研和教学奖励。本书曾入选「十三五全国统计规划教材」。
 

第1 版前言
第2 版前言

Chapter01 Python 程式设计基础
1.1 Python 系统组态
1.2 Python 基础知识
1.2.1 帮助
1.2.2 识别字
1.2.3 行与缩进
1.2.4 变数与物件
1.2.5 数字与运算式
1.2.6 运算子
1.2.7 字串
1.2.8 日期和时间
1.3 资料结构与序列
1.3.1 列表
1.3.2 元组
1.3.3 字典
1.3.4 集合
1.3.5 推导式
1.4 语句与控制流
1.4.1 条件陈述式
1.4.2 回圈语句
1.5 函数
1.5.1 函数的参数
1.5.2 全域变数与区域变数
1.5.3 匿名函数
1.5.4 递回和闭包
1.5.5 柯里化与反柯里化
1.5.6 常用的内建高阶函数
1.6 反覆运算器、生成器和装饰器
1.6.1 反覆运算器
1.6.2 生成器
1.6.3 装饰器

Chapter02 Python 程式设计进阶
2.1 类
2.1.1 声明类
2.1.2 方法
2.1.3 属性
2.1.4 继承
2.1.5 特性
2.2 异常捕获与容错处理
2.2.1 错误和异常
2.2.2 异常处理
2.3 模组
2.4 软体套件
2.4.1 软体套件的组成与使用
2.4.2 常用资料分析工具库
2.5 文件I/O
2.6 多核心平行计算
2.6.1 多进程
2.6.2 并行

Chapter03 数据预处理
3.1 numpy 基础
3.1.1 向量
3.1.2 阵列

3.1.4 文件读写
3.2 pandas 基础
3.2.1 pandas 的资料结构
3.2.2 pandas 的资料操作

Chapter04 资料描述
4.1 统计量
4.1.1 集中趋势
4.1.2 离散程度
4.1.3 分布形状
4.2 统计表
4.2.1 统计表的基本要素
4.2.2 统计表的编制

Chapter05 统计图形与视觉化
5.1 matplotlib 基本绘图
5.1.1 函数绘图
5.1.2 图形基本设置
5.1.3 物件导向绘图
5.1.4 绘图样式
5.2 pandas 基本绘图
5.3 基本统计图形
5.3.1 折线图
5.3.2 面积图
5.3.3 长条图
5.3.4 横条图
5.3.5 龙卷风图
5.3.6 圆形图
5.3.7 阶梯图
5.3.8 箱形图
5.3.9 小提琴图
5.3.10 散点图
5.3.11 气泡图
5.3.12 六边形箱形图
5.3.13 雷达座标图
5.3.14 轮廓图
5.3.15 调和曲线图
5.3.16 等高线图
5.3.17 极座标图
5.3.18 文字云
5.3.19 资料地图
5.4 其他绘图工具

Chapter06 简单统计推断
6.1 简单统计推断的基本原理
6.1.1 资料分布
6.1.2 参数估计
6.1.3 假设检验
6.2 单总体参数的估计及假设检验
6.2.1 单总体的参数估计
6.2.2 单总体参数的假设检验
6.3 两总体参数的假设检验
6.3.1 独立样本的假设检验
6.3.2 成对样本的假设检验

Chapter07 方差分析
7.1 方差分析的基本原理
7.2 一元方差分析
7.2.1 一元单因素方差分析
7.2.2 一元多因素方差分析
7.3 协方差分析

Chapter08 非参数检验
8.1 非参数检验的基本问题
8.2 单样本非参数检验
8.2.1 中位数（平均值）的检验
8.2.2 分布的检验
8.2.3 连串检定
8.3 两个样本的非参数检验
8.3.1 独立样本中位数比较的Wilcoxon 秩和检验
8.3.2 独立样本的分布检验
8.3.3 成对（匹配）样本中位数的检验
8.3.4 两样本的连串检定
8.4 多个样本的非参数检验
8.4.1 多个样本的分布检验
8.4.2 独立样本位置的检验

Chapter09 相关分析与关联分析
9.1 相关分析
9.1.1 函数关系与相关关系
9.1.2 简单相关分析
9.1.3 偏相关分析
9.1.4 点二列相关分析
9.1.5 非参数相关分析
9.2 关联分析
9.2.1 基本概念与资料预处理
9.2.2 Apriori 演算法
9.2.3 FP-growth 演算法

Chapter10 回归分析
10.1 线性回归
10.1.1 回归分析的基本原理
10.1.2 一元线性回归
10.1.3 多元线性回归
10.1.4 含有定性引数的线性回归
10.2 非线性回归
10.2.1 可线性化的非线性分析
10.2.2 非线性回归模型
10.3 多项式回归
10.4 分位数回归

Chapter11 离散因变数模型
11.1 线性机率模型
11.2 二元选择模型
11.2.1 线性机率模型的缺陷与改进
11.2.2 二元选择模型的基本原理
11.2.3 BINARY PROBIT 模型
11.2.4 BINARY LOGIT 模型
11.3 多重选择模型
11.4 计数模型

Chapter12 主成分与因素分析
12.1 数据降维
12.1.1 资料降维的基本问题
12.1.2 数据降维的基本原理
12.2 主成分分析
12.2.1 主成分分析的基本概念与原理
12.2.2 主成分分析的基本步骤和过程
12.3 因素分析
12.3.1 因素分析的基本原理
12.3.2 因素分析的基本步骤和过程

Chapter13 列联分析与对应分析
13.1 列联分析
13.1.1 列联表
13.1.2 列联表的分布
13.1.3 χ2 分布与χ2 检验
13.1.4 χ2 分布的期望值准则
13.2 对应分析
13.2.1 对应分析的基本思想
13.2.2 对应分析的步骤和过程

Chapter14 聚类
14.1 聚类的基本原理
14.1.1 聚类的基本原则
14.1.2 单一指标的系统聚类过程
14.1.3 多指标的系统聚类过程
14.2 聚类的步骤和过程
14.2.1 系统聚类
14.2.2 K-MEANS 聚类
14.2.3 DBSCAN 聚类

Chapter15 判别和分类
15.1 判别和分类的基本思想
15.1.1 判别
15.1.2 分类
15.1.3 效果评估
15.2 常用判别方法和分类演算法
15.2.1 距离判别和线性判别
15.2.2 贝叶斯判别
15.2.3 k- 近邻
15.2.4 决策树
15.2.5 随机森林
15.2.6 支持向量机

Chapter16 神经网路与深度学习
16.1 神经网路
16.1.1 基本概念与原理
16.1.2 感知机
16.1.3 多层神经网路
16.2 深度学习
16.2.1 基本概念与原理
16.2.2 卷积神经网路
16.2.3 Tensorflow

Chapter17 时间序列分析
17.1 时间序列的基本问题
17.1.1 时间序列的组成部分
17.1.2 时间序列的平稳性
17.2 ARIMA 模型的分析过程
17.2.1 ARIMA 模型
17.2.2 ARMA 模型的识别、估计与预测

附录：各章图形

 

None

Python数据分析基础：包含数据挖掘和机器学习 电子书 下载 mobi epub pdf txt 2024

类似图书 点击查看全场最低价

查看全网最低价