像數據達人一樣思考和溝通：數據科學、統計學與機器學習極簡入門 Becoming a Data Head: How to Think, Speak, and Understand Data Science, Statistics, and Machine Learning
(美）亞歷克斯·J.古特曼（Alex J.Gutman),（美）喬丹·哥德梅爾（Jordan Goldmeier)著，李文菲,筴碩 譯
- 出版商: 清華大學
- 出版日期: 2023-09-01
- 定價: $408
- 售價: 8.5 折 $347
- 語言: 簡體中文
- 頁數: 304
- 裝訂: 平裝
- ISBN: 7302643172
- ISBN-13: 9787302643173
-
相關分類:
Machine Learning、機率統計學 Probability-and-statistics、Data Science
- 此書翻譯自: Becoming a Data Head: How to Think, Speak, and Understand Data Science, Statistics, and Machine Learning
立即出貨
買這商品的人也買了...
-
React Native 學習手冊, 2/e (Learning React Native: Building Native Mobile Apps with JavaScript, 2/e)$580$458 -
深度學習實務應用｜雲端、行動與邊緣裝置 (Practical Deep Learning for Cloud, Mobile and Edge)$880$695 -
SQL 學習手冊｜資料建立、維護與檢索, 3/e (Learning SQL: Generate, Manipulate, and Retrieve Data, 3/e)$620$490 -
邊玩邊學，使用 Scratch 學習 AI 程式設計專案大集合$480$379 -
晶片島上的光芒：台積電、半導體與晶片戰，我的 30年採訪筆記$600$510 -
資料視覺化｜使用 Python 與 JavaScript, 2/e (Data Visualization with Python and JavaScript: Scrape, Clean, Explore, and Transform Your Data, 2/e)$880$695 -
徹底研究 C語言指標 (經典修復版) (Pointers on C)$980$764 -
$556視訊處理加速及應用實務：基於英特爾GPU -
圖解機率 ‧ 統計【暢銷修訂版】$360$324 -
超好懂！微積分概念筆記：實務應用×具體解說×公式剖析，懂乘除法就能掌握微積分$380$342 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
R 資料科學, 2/e (R for Data Science: Import, Tidy, Transform, Visualize, and Model Data, 2/e)$980$774 -
演算法導論, 4/e (Introduction to Algorithms, 4/e)$1,800$1,350 -
LLM 的大開源時代 - Llama 模型精讀實戰$650$514
相關主題
商品描述
《像數據達人一樣思考和溝通：數據科學、統計學與機器學習》是一本完備的數據科學指南，尤其適用於職場人。本書既包括了職場中應用數據的場景介紹，也包括了算法背後的數學知識。兩位作者在數據科學普及領域深耕多年，立志打造一本有趣、貼近生活，且非常具有可讀性的數據科學入門書。每個人都能成為數據達人，積極地參與與數據科學、統計、機器學習相關的工作。本書適合作為商務專業人員、工程師、行政人員，以及有志成為數據科學家的研究人員的自學參考讀物，也可以作為數據科學相關培訓機構的教材。
目錄大綱
目錄
第1篇掌握數據達人的思維
第1章定義問題3
1.1數據達人應該掌握的問題4
1.2瞭解數據項目失敗的原因10
1.3解決重要的問題14
本章小結15
第2章何為數據16
2.1數據與信息17
2.2數據類型19
2.3數據的收集與組織方式20
2.4基本匯總統計23
本章小結24
第3章統計學思維25
3.1學會質疑26
3.2無處不在的隨機波動29
3.3概率與統計34
本章小結41像數據達人一樣思考和溝通目錄第2篇掌握數據達人的語言
第4章質詢數據45
4.1你會怎麽做？47
4.2數據的來源是什麽?53
4.3數據是否具有代表性？56
4.4是否缺少某些數據？57
4.5數據集的大小59
本章小結60
第5章探索數據61
5.1探索性數據分析62
5.2培養探索心態64
5.3數據是否能解答問題？65
5.4你是否能從數據中發現某些相關性？71
5.5你是否從數據中發現了新的機會？76
本章小結77
第6章檢查概率78
6.1猜概率: 筆記本電腦是否感染病毒79
6.2游戲規則80
6.3概率思想實驗87
6.4謹慎做出獨立性假設90
6.5一切概率都是條件概率92
6.6保證概率數字有意義96
本章小結99
第7章質疑統計100
7.1統計推斷的簡短討論101
7.2統計推斷的過程108
7.3用於質疑統計結果的問題109
本章小結118
第3篇理解數據科學家的工具箱
第8章尋找未知分組121
8.1無監督學習123
8.2數據降維123
8.3主成分分析法(PCA)126
8.4聚類131
8.5k均值聚類133
本章小結137
第9章理解回歸模型139
9.1監督學習140
9.2線性回歸能做些什麽142
9.3線性回歸帶給我們什麽146
9.4線性回歸的隱患149
9.5其他回歸模型155
本章小結156
第10章理解分類模型157
10.1分類模型介紹158
10.2邏輯回歸160
10.3決策樹165
10.4集成方法169
10.5謹防陷阱172
10.6準確性的誤解174
本章小結178第11章理解文本分析179
11.1文本分析的期望180
11.2文本如何變成數字182
11.3主題建模192
11.4文本分類194
11.5實際處理文本分析的細節200
本章小結203
第12章解析深度學習概念204
12.1神經網絡206
12.2深度學習的應用213
12.3深度學習的實踐223
12.4人工智能與你227
本章小結230
第4篇確 保 成 功
第13章註意陷阱235
13.1數據中的偏差和怪象236
13.2陷阱大清單242
本章小結247
第14章知人善任248
14.1溝通中斷的7個場景249
14.2數據個性255
本章小結257
第15章未完待續259術語表263
