小泽AV一区二区无码,亚洲AV无码久久精品g影院,国产不卡免费黄视频在线

內容簡介

　　數(shù)據(jù)科學（Data Science）是從數(shù)據(jù)中提取知識的技術，是一門有關機器學習、統(tǒng)計學與數(shù)據(jù)挖掘的交叉學科。數(shù)據(jù)科學包含了多種領域的不同元素，包括信號處理、數(shù)學、概率模型技術和理論、計算機編程、統(tǒng)計學等。本書講解了7種重要的數(shù)據(jù)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，然后通過對案例進行擴展以講解一些特殊的分析算法。這種方式有益于讀者深刻理解算法。本書適合數(shù)據(jù)分析人員、機器學習領域的從業(yè)人員以及對算法感興趣的讀者閱讀。

作者簡介

　　Dávid Natingga于2014年畢業(yè)于倫敦帝國理工學院的計算與人工智能專業(yè)，并獲工程碩士學位。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(yōu)化。2012~2013年，他在美國帕羅奧圖的Palantir技術公司從事大數(shù)據(jù)算法的開發(fā)工作。2014年，作為英國倫敦Pact Coffee公司的數(shù)據(jù)科學家，他設計了一種基于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(shù)據(jù)。他是英國利茲大學計算理論專業(yè)的博士研究生，研究純數(shù)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。

圖書目錄

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(xiàn)k最近鄰算法
1．3　意大利地區(qū)的示例——選擇k值
1．4　房屋所有權——數(shù)據(jù)轉換
1．5　文本分類——使用非歐幾里德距離
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(yī)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　西洋棋游戲——獨立事件
2．4　樸素貝葉斯分類器的實現(xiàn)
2．5　西洋棋游戲——相關事件
2．6　性別分類——基于連續(xù)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　游泳偏好——用決策樹表示數(shù)據(jù)
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　游泳偏好——隨機森林分析法　065
4．3　隨機森林算法的實現(xiàn)　071
4．4　下棋實例　075
4．5　購物分析——克服隨機數(shù)據(jù)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(xiàn)　095
5．4　房產(chǎn)所有權示例——選擇簇的數(shù)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——基于完整數(shù)據(jù)的線性回歸　114
6．2　根據(jù)身高預測體重——基于實際數(shù)據(jù)的線性回歸　117
6．3　梯度下降算法及實現(xiàn)　118
6．4　根據(jù)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(yè)利潤——趨勢分析　130
7．2　電子商店的銷售額——季節(jié)性分析　132
7．3　小結　140
7．4　習題　140
附錄　A 統(tǒng)計　145
A．1　基本概念　145
A．2　貝葉斯推理　146
A．3　分布　146
A．4　交叉驗證　147
A．5　A/B 測試　148
附錄　B R參考　149
B．1　介紹　149
B．2　數(shù)據(jù)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(shù)據(jù)類型　155
C．3　控制流　159
附錄　D 數(shù)據(jù)科學中的算法和方法術語　163