日韩精品 中文字幕 动漫,91亚洲午夜一区,在线不卡日本v一区v二区丶,久久九九国产精品自在现拍





		



注冊  |  登錄讀書好，好讀書，讀好書！






        
讀書網(wǎng)-DuShu.com

        
         
                
      	
                
                	
                    
                    
                

                
            
        

        

               

				
				
				
       
        




















	當前位置： 首頁出版圖書科學技術計算機/網(wǎng)絡網(wǎng)絡與數(shù)據(jù)通信網(wǎng)絡服務Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)（第2版）

	



    
    

    
Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)（第2版）

    

	
Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)（第2版）
	
	

	

	

	
定　價：￥79.00

	

			
					

						作　者：
						張良均，譚立云，劉名軍，江建明
					

					

						出版社：
						機械工業(yè)出版社
					

					

						叢編項：
						
					

					

						標　簽：
						暫缺
					

				
	
	

    
	
	

	

			
					

						ISBN：
						9787111640028
						出版時間：
						2019-12-01	
                        包裝：
											
					
					
					
					
						開本：
						
						頁數(shù)：
						
						字數(shù)：
						 
					
					
				

        

   

    
    
    
	
	
	
	
內(nèi)容簡介

	

	
　　本書是Python數(shù)據(jù)分析與挖掘領域的公認的事實標準，第1版銷售超過10萬冊，銷售勢頭依然強勁，被國內(nèi)100余所高等院校采用為教材，同時也被廣大數(shù)據(jù)科學工作者奉為經(jīng)典。 \n作者在大數(shù)據(jù)挖掘與分析等領域有10余年的工程實踐、教學和創(chuàng)辦企業(yè)的經(jīng)驗，不僅掌握行業(yè)的新技術和實踐方法，而且洞悉學生和老師的需求與痛點，這為本書的內(nèi)容和形式提供了強有力的保障，這是本書第1版能大獲成功的關鍵因素。 \n全書共13章，分為三個部分，從技術理論、工程實踐和進階提升三個維度對數(shù)據(jù)分析與挖掘進行了詳細的講解。 \n第一部分 基礎篇（第1～5章） \n主要講解了Python數(shù)據(jù)分析與挖掘的工具和技術理論，包括數(shù)據(jù)挖掘的基礎知識、Python數(shù)據(jù)挖掘與建模工具、數(shù)據(jù)挖掘的建模過程，以及挖掘建模的常用算法和原理等內(nèi)容。 \n第二部分 實戰(zhàn)篇（第6～12章） \n通過工程實踐案例講解了數(shù)據(jù)挖掘技術在金融、航空、零售、能源、制造、電商等行業(yè)的應用。在案例組織結(jié)構(gòu)上，本書按照“介紹案例背景與挖掘目標→闡述分析方法與過程→完成模型構(gòu)建”的順序進行，在建模過程關鍵環(huán)節(jié)，穿插程序?qū)崿F(xiàn)代碼。最后，通過上機實踐加深對案例應用中的數(shù)據(jù)挖掘技術的理解。 \n第三部分 提高篇（第13章） \n重點講解了基于Python引擎的開源數(shù)據(jù)挖掘建模平臺（TipDM）的功能和使用方法，以航空公司客戶價值分析為案例，介紹了如何使用該平臺快速搭建數(shù)據(jù)分析與挖掘工程。 \n本書不僅提供TipDM這樣的上機實踐環(huán)境，而且還提供配套的案例建模數(shù)據(jù)、Python源代碼、教學PPT。 \n
	
	
	
   
	
	
	
作者簡介

	

	
　　張良均資深大數(shù)據(jù)挖掘與分析專家、模式識別專家、AI技術專家。有10余年大數(shù)據(jù)挖掘與分析經(jīng)驗，擅長Python、R、Hadoop、Matlab等技術實現(xiàn)的數(shù)據(jù)挖掘與分析，對機器學習等AI技術驅(qū)動的數(shù)據(jù)分析也有深入研究。為電信、電力、政府、互聯(lián)網(wǎng)、生產(chǎn)制造、零售、銀行、生物、化工、醫(yī)藥等多個行業(yè)上百家大型企業(yè)提供過數(shù)據(jù)挖掘應用與咨詢服務，實踐經(jīng)驗非常豐富。華南師范大學、中南財經(jīng)政法大學、廣東工業(yè)大學、西安理工大學、廣西科技大學、重慶交通大學、桂林電子科技大學等校外碩導或兼職教授。撰寫了《R語言數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》《數(shù)據(jù)挖掘：實用案例分析》《Hadoop大數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》等10余部暢銷書，累計銷售超過30萬冊。
	
	
	
	
	
	
圖書目錄

	

	
前言
 \n
基礎篇
 \n
第1章　數(shù)據(jù)挖掘基礎  2
 \n
1.1　某知名連鎖餐飲企業(yè)的困惑  2
 \n
1.2　從餐飲服務到數(shù)據(jù)挖掘  4
 \n
1.3　數(shù)據(jù)挖掘的基本任務  5
 \n
1.4　數(shù)據(jù)挖掘建模過程  5
 \n
1.4.1　定義挖掘目標  6
 \n
1.4.2　數(shù)據(jù)取樣  6
 \n
1.4.3　數(shù)據(jù)探索  7
 \n
1.4.4　數(shù)據(jù)預處理  8
 \n
1.4.5　挖掘建模  8
 \n
1.4.6　模型評價  8
 \n
1.5　常用數(shù)據(jù)挖掘建模工具  9
 \n
1.6　小結(jié)  11
 \n
第2章　Python數(shù)據(jù)分析簡介  12
 \n
2.1　搭建Python開發(fā)平臺  14
 \n
2.1.1　所要考慮的問題  14
 \n
2.1.2　基礎平臺的搭建  14
 \n
2.2　Python使用入門  16
 \n
2.2.1　運行方式  16
 \n
2.2.2　基本命令  17
 \n
2.2.3　數(shù)據(jù)結(jié)構(gòu)  19
 \n
2.2.4　庫的導入與添加  24
 \n
2.3　Python數(shù)據(jù)分析工具  26
 \n
2.3.1　NumPy  27
 \n
2.3.2　SciPy  28
 \n
2.3.3　Matplotlib  29
 \n
2.3.4　pandas  31
 \n
2.3.5　StatsModels  33
 \n
2.3.6　scikit-learn  33
 \n
2.3.7　Keras  34
 \n
2.3.8　Gensim  36
 \n
2.4　配套附件使用設置  37
 \n
2.5　小結(jié)  38
 \n
第3章　數(shù)據(jù)探索  39
 \n
3.1　數(shù)據(jù)質(zhì)量分析  39
 \n
3.1.1　缺失值分析  40
 \n
3.1.2　異常值分析  40
 \n
3.1.3　一致性分析  44
 \n
3.2　數(shù)據(jù)特征分析  44
 \n
3.2.1　分布分析  44
 \n
3.2.2　對比分析  48
 \n
3.2.3　統(tǒng)計量分析  51
 \n
3.2.4　周期性分析  54
 \n
3.2.5　貢獻度分析  55
 \n
3.2.6　相關性分析  58
 \n
3.3　Python主要數(shù)據(jù)探索函數(shù)  62
 \n
3.3.1　基本統(tǒng)計特征函數(shù)  62
 \n
3.3.2　拓展統(tǒng)計特征函數(shù)  66
 \n
3.3.3　統(tǒng)計繪圖函數(shù)  67
 \n
3.4　小結(jié)  74
 \n
第4章　數(shù)據(jù)預處理  75
 \n
4.1　數(shù)據(jù)清洗  75
 \n
4.1.1　缺失值處理  75
 \n
4.1.2　異常值處理  80
 \n
4.2　數(shù)據(jù)集成  80
 \n
4.2.1　實體識別  81
 \n
4.2.2　冗余屬性識別  81
 \n
4.2.3　數(shù)據(jù)變換  81
 \n
4.2.4　簡單函數(shù)變換  81
 \n
4.2.5　規(guī)范化  82
 \n
4.2.6　連續(xù)屬性離散化  84
 \n
4.2.7　屬性構(gòu)造  87
 \n
4.2.8　小波變換  88
 \n
4.3　數(shù)據(jù)歸約  91
 \n
4.3.1　屬性歸約  91
 \n
4.3.2　數(shù)值歸約  95
 \n
4.4　Python主要數(shù)據(jù)預處理函數(shù)  98
 \n
4.5　小結(jié)  101
 \n
第5章　挖掘建模  102
 \n
5.1　分類與預測  102
 \n
5.1.1　實現(xiàn)過程  103
 \n
5.1.2　常用的分類與預測算法  103
 \n
5.1.3　回歸分析  104
 \n
5.1.4　決策樹  108
 \n
5.1.5　人工神經(jīng)網(wǎng)絡  115
 \n
5.1.6　分類與預測算法評價  120
 \n
5.1.7　Python分類預測模型特點  125
 \n
5.2　聚類分析  125
 \n
5.2.1　常用聚類分析算法  126
 \n
5.2.2　K-Means聚類算法  127
 \n
5.2.3　聚類分析算法評價  132
 \n
5.2.4　Python主要聚類分析算法  133
 \n
5.3　關聯(lián)規(guī)則  135
 \n
5.3.1　常用關聯(lián)規(guī)則算法  136
 \n
5.3.2　Apriori算法  136
 \n
5.4　時序模式  142
 \n
5.4.1　時間序列算法  142
 \n
5.4.2　時間序列的預處理  143
 \n
5.4.3　平穩(wěn)時間序列分析  145
 \n
5.4.4　非平穩(wěn)時間序列分析  148
 \n
5.4.5　Python主要時序模式算法  156
 \n
5.5　離群點檢測  159
 \n
5.5.1　離群點的成因及類型  160
 \n
5.5.2　離群點檢測方法  160
 \n
5.5.3　基于模型的離群點檢測方法  161
 \n
5.5.4　基于聚類的離群點檢測方法  164
 \n
5.6　小結(jié)  167
 \n
實戰(zhàn)篇
 \n
第6章　財政收入影響因素分析及預測  170
 \n
6.1　背景與挖掘目標  170
 \n
6.2　分析方法與過程  171
 \n
6.2.1　分析步驟與流程  172
 \n
6.2.2　數(shù)據(jù)探索分析  172
 \n
6.2.3　數(shù)據(jù)預處理  176
 \n
6.2.4　模型構(gòu)建  178
 \n
6.3　上機實驗  184
 \n
6.4　拓展思考  185
 \n
6.5　小結(jié)  186
 \n
第7章　航空公司客戶價值分析  187
 \n
7.1　背景與挖掘目標  187
 \n
7.2　分析方法與過程  188
 \n
7.2.1　分析步驟與流程  189
 \n
7.2.2　數(shù)據(jù)探索分析  189
 \n
7.2.3　數(shù)據(jù)預處理  200
 \n
7.2.4　模型構(gòu)建  207
 \n
7.2.5　模型應用  212
 \n
7.3　上機實驗  214
 \n
7.4　拓展思考  215
 \n
7.5　小結(jié)  216
 \n
第8章　商品零售購物籃分析  217
 \n
8.1　背景與挖掘目標  217
 \n
8.2　分析方法與過程  218
 \n
8.2.1　數(shù)據(jù)探索分析  219
 \n
8.2.2　數(shù)據(jù)預處理  224
 \n
8.2.3　模型構(gòu)建  226
 \n
8.3　上機實驗  232
 \n
8.4　拓展思考  233
 \n
8.5　小結(jié)  233
 \n
第9章　基于水色圖像的水質(zhì)評價  234
 \n
9.1　背景與挖掘目標  234
 \n
9.2　分析方法與過程  235
 \n
9.2.1　分析步驟與流程  236
 \n
9.2.2　數(shù)據(jù)預處理  236
 \n
9.2.3　模型構(gòu)建  240
 \n
9.2.4　水質(zhì)評價  241
 \n
9.3　上機實驗  242
 \n
9.4　拓展思考  242
 \n
9.5　小結(jié)  243
 \n
第10章　家用熱水器用戶行為分析與事件識別  244
 \n
10.1　背景與挖掘目標  244
 \n
10.2　分析方法與過程  245
 \n
10.2.1　數(shù)據(jù)探索分析  246
 \n
10.2.2　數(shù)據(jù)預處理  249
 \n
10.2.3　模型構(gòu)建  260
 \n
10.2.4　模型檢驗  261
 \n
10.3　上機實驗  262
 \n
10.4　拓展思考  264
 \n
10.5　小結(jié)  265
 \n
第11章　電子商務網(wǎng)站用戶行為分析及服務推薦  266
 \n
11.1　背景與挖掘目標  266
 \n
11.2　分析方法與過程  267
 \n
11.2.1　分析步驟與流程  267
 \n
11.2.2　數(shù)據(jù)抽取  269
 \n
11.2.3　數(shù)據(jù)探索分析  270
 \n
11.2.4　數(shù)據(jù)預處理  279
 \n
11.2.5　構(gòu)建智能推薦模型  283
 \n
11.3　上機實驗  291
 \n
11.4　拓展思考  293
 \n
11.5　小結(jié)  293
 \n
第12章　電商產(chǎn)品評論數(shù)據(jù)情感分析  294
 \n
12.1　背景與挖掘目標  294
 \n
12.2　分析方法與過程  295
 \n
12.2.1　評論預處理  296
 \n
12.2.2　評論分詞  297
 \n
12.2.3　構(gòu)建模型  303
 \n
12.3　上機實驗  315
 \n
12.4　拓展思考  316
 \n
12.5　小結(jié)  318
 \n
提高篇
 \n
第13章　基于Python引擎的開源數(shù)據(jù)挖掘建模平臺（TipDM）  320
 \n
13.1　平臺簡介  321
 \n
13.1.1　模板  321
 \n
13.1.2　數(shù)據(jù)源  322
 \n
13.1.3　工程  323
 \n
13.1.4　系統(tǒng)組件  324
 \n
13.1.5　TipDM數(shù)據(jù)挖掘建模平臺的本地化部署  326
 \n
13.2　快速構(gòu)建數(shù)據(jù)挖掘工程  327
 \n
13.2.1　導入數(shù)據(jù)  329
 \n
13.2.2　配置輸入源組件  331
 \n
13.2.3　配置缺失值處理組件  332
 \n
13.2.4　配置記錄選擇組件  334
 \n
13.2.5　配置數(shù)據(jù)標準化組件  334
 \n
13.2.6　配置K-Means組件  336
 \n
13.3　小結(jié)  339
 \n

	
	

	

    
       
    
	
	

   

   

   

    
   

   
本目錄推薦







掃描二維碼










    

        

            
        

        
Copyright ? 讀書網(wǎng) rgspecialties.com 2005-2020, All Rights Reserved.

        
鄂ICP備15019699號  鄂公網(wǎng)安備 42010302001612號