资源详情

Python机器学习 5个数据科学家案例解析

作者: Danish Haroon
出版社: 清华大学出版社
译者: 潘海为/张春新
出版年: 2018-9
页数: 200
定价: 39.80
装帧: 平装
丛书: 清华社人工智能系列
ISBN: 9787302508915

下载次数：18

本站推荐

下载地址

举报资源

书籍资料

内容简介
作者介绍
书籍目录

《Python机器学习 5个数据科学家案例解析》涵盖了机器学习方法和Python，可以自动呈现对业务问题的丰富见解和解决方案。《Python机器学习 5个数据科学家案例解析》使用基于案例研究的实践方法来破解真实世界的应用，里面涉及的机器学习概念再适合不过。这些更智能的机器将使你的业务流程以最短的时间和最少的资源获得更高的效率。
《Python机器学习 5个数据科学家案例解析》将引导你逐步完善业务流程，帮助你发现构建公司战略的关键点。你将阅读可以为产品和服务提供支持的机器学习技术。《Python机器学习 5个数据科学家案例解析》还突出了这些机器学习概念的优缺点，以帮助你决定哪一个最适合你的需求。
通过逐步的编码方法，你将能够理解机器学习过程中模型选择背后的基本原理。《Python机器学习 5个数据科学家案例解析》配备了实用的示例和代码片段，以确保你了解用于解决实际问题的数据科学的方法。《Python机器学习 5个数据科学家案例解析》可以帮助来自技术和非技术背景的人们将机器学习技术应用于现实世界问题。每一章都从一个具有明确定义的业务问题的案例研究开始，然后通过整合案例情节和代码片段来决定最佳解决方案。练习贯穿于整个章节，使所学概念得以动手实现。每章最后都以现实世界应用的亮点为结尾，这些概念可以应用到实践中。

Danish Haroon目前领导Market IQ Inc的数据科学团队，该团队专注于从情感转折点中剔除可操作实时情报的专利预测分析平台。他获得了卡拉奇学校(karachi School)商业与领导学院的MBA学位，曾为公司客户及其数据分析要求提供服务。最近，他开始领导PredictifyME的数据商业化团队，这家初创公司专注于为美国市场的需求规划和房地产市场提供预测分析。他目前的研究主要集中在用于改善客户体验(Customer Experiences，CX)的数据科学混合物上。

第1章统计与概率1
1.1案例研究：自行车共享计划
——确定品牌角色1
1.2进行探索性数据分析3
1.2.1特征探索4
1.2.2变量的类型5
1.2.3单变量分析8
1.2.4多变量分析12
1.2.5时间序列成分15
1.3度量测度中心17
1.3.1平均数17
1.3.2中位数18
1.3.3众数19
1.3.4方差19
1.3.5标准差19
1.3.6由于常量的存在而导致
中心统计度量的变化20
1.3.7正态分布22
1.4相关性29
1.4.1PearsonR相关29
1.4.2Kendall秩相关29
1.4.3Spearman秩相关30
1.5假设检验：比较两组31
1.5.1t-统计量32
1.5.2t-分布和样本容量32
1.6中心极限定理34
1.7案例研究发现35
1.8统计和概率的应用36
1.8.1精算科学36
1.8.2生物统计学36
1.8.3天文统计学

6
1.8.4商业分析37
1.8.5计量经济学37
1.8.6机器学习37
1.8.7统计信号处理37
1.8.8选举37
第2章回归39
2.1案例研究：消除混凝土抗压
强度的不一致性39
2.2回归的概念42
2.2.1内插和外推42
2.2.2线性回归42
2.2.3y在x上的最小二乘
回归线43
2.2.4多重回归44
2.2.5逐步回归45
2.2.6多项式回归46
2.3回归的假设47
2.3.1案例数量47
2.3.2缺失数据47
2.3.3多重共线性与奇异性48
2.4特征探索49
2.5过拟合和欠拟合55
2.6回归度量的评估58
2.6.1解释方差得分58
2.6.2平均绝对误差58
2.6.3均方误差59
2.6.4R259
2.6.5残差60
2.6.6残差图60
2.6.7残差平方和60
2.7回归的类型61
2.7.1线性回归61
2.7.2网格搜索65
2.7.3岭回归65
2.7.4套索回归68
2.7.5ElasticNet70
2.7.6梯度boosting回归71
2.7.7支持向量机74
2.8回归的应用78
2.8.1预测销售额78
2.8.2预测债券价值78
2.8.3通货膨胀率78
2.8.4保险公司79
2.8.5呼叫中心79
2.8.6农业79
2.8.7预测薪水79
2.8.8房地产行业80
第3章时间序列83
3.1案例研究：预测雅虎的每日
调整的收盘价83
3.2特征探索85
3.3评估时间序列对象的
平稳性86
3.3.1具有平稳本质的时间序列
的性质87
3.3.2测试以确定时间序列
是否平稳87
3.3.3制作时间序列对象的
方法90
3.4测试以确定时间序列是否
具有自相关性100
3.4.1自相关函数100
3.4.2偏自相关函数100
3.4.3度量自相关101
3.4.4DurbinWatson统计101
3.5建模时间序列102
3.5.1验证预测序列的实验102
3.5.2确定建模参数103
3.6自回归综合移动平均105
3.6.1自回归移动平均105
3.6.2自回归106
3.6.3移动平均线107
3.6.4组合模型108
3.7缩减预测规模109
3.8时间序列分析应用113
3.8.1销售预测113
3.8.2天气预测113
3.8.3失业率估计113
3.8.4疾病爆发113
3.8.5股市预测114
第4章聚类115
4.1案例研究：确定营销短尾
关键词115
4.2特征的探索117
4.3有监督学习与无监督学习118
4.3.1有监督学习119
4.3.2无监督学习119
4.4聚类分析120
4.5为建模作数据转换120
4.6聚类模型124
4.6.1k-means聚类124
4.6.2将k-means聚类应用于簇
的最优数量129
4.6.3主成分分析130
4.6.4高斯混合模型137
4.6.5贝叶斯高斯混合模型142
4.7聚类的应用144
4.7.1疾病识别144
4.7.2搜索引擎中的文档
聚类144
4.7.3基于人口统计的客户
划分145
第5章分类147
5.1案例研究：俄亥俄州诊所——
满足供求147
5.2特征探究149
5.3实施数据整理154
5.4实施探索性数据分析157
5.5特征的生成162
5.6分类164
5.6.1模型评估技术164
5.6.2二元分类器：受试者工作
特征165
5.6.3决策树分类168
5.7核近似169
5.7.1SGD分类器169
5.7.2集成方法172
5.8随机森林分类173
5.9分类应用178
5.9.1图像分类178
5.9.2音乐分类178
5.9.3E-mail的垃圾邮件
过滤178
5.9.4保险179
附录A图表类型以及何时使用
它们181