數據有道（數據分析+圖論與網絡+微課+Python編程）
薑偉生
- 出版商: 清華大學
- 出版日期: 2024-10-01
- 售價: $1,428
- 貴賓價: 9.5 折 $1,357
- 語言: 簡體中文
- 頁數: 568
- ISBN: 7302671575
- ISBN-13: 9787302671572
-
相關分類:
Data Science
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
統計學習理論基礎$258$245 -
人工智能算法 捲1 基礎算法$354$336 -
特徵工程不再難：資料科學新手也能輕鬆搞定！ (Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems)$520$406 -
零基礎入門的機器學習圖鑑：2大類機器學習 X 17種演算法 X Python 基礎教學，讓你輕鬆學以致用$450$405 -
人工智能算法 捲2 受大自然啟發的算法$414$393 -
金融中的機器學習$611$575 -
$250現代控制系統分析與設計 — 基於 MATLAB 的模擬與實現 -
$704嵌入式實時操作系統 — 基於 ARM Mbed OS 的應用實踐 -
$454PID 控制系統設計 — 使用 MATLAB 和 Simulink 模擬與分析 -
芯片驗證調試手冊 -- 驗證疑難點工作錦囊$414$393 -
利用 Python 實現概率、統計及機器學習方法（原書第2版）$714$678 -
精通機器學習算法$1,014$963 -
$1,316矩陣力量 (線性代數全彩圖解 + 微課 + Python 編程) -
數學要素（全彩圖解 + 微課 + Python編程）$1,214$1,142 -
強化學習演算法入門$419$398 -
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 -
$1,316統計至簡 (概率統計全彩圖解 + 微課 + Python 編程) -
深度學習的理論基礎與核心算法$594$564 -
從光到物質的量子探索$350$277 -
編程不難 (全彩圖解 + 微課 + Python 編程)$1,367$1,286 -
$621UVM 芯片驗證技術案例集 -
可視之美 (數據可視化 + 數學藝術 + 學術繪圖 + Python 創意編程)$1,316$1,238 -
Python 金融數據分析$1,074$1,020 -
$1,214機器學習 (全彩圖解 + 微課 + Python編程) -
Microcontroller Exploits (Hardcover)$1,840$1,748
商品描述
"《數據有道 : 數據分析+ 圖論與網絡+微課+Python編程》是“鳶尾花數學大系—從加減乘除到機器學習”叢書的第三板塊 ( 實踐板塊 ) 中的一本關於數據 科學的分冊。“實踐”這個板塊，我們將會把學到的編程、可視化， 特別是數學工具應用到具體的數據科學、 機器學習算法中，並在實踐中加深對這些工具的理解。 《數據有道 : 數據分析+ 圖論與網絡+微課+Python編程》可以歸納為 7 大板塊—數據說、數據處理、時間數據、圖論基礎、圖的分析、圖與矩陣、圖論實踐。 這 7 個板塊 ( 共 25 章內容 ) 都緊緊圍繞一個主題—數據！ 《數據有道 : 數據分析+ 圖論與網絡+微課+Python編程》以數據為名，以好奇心和疑問為驅動，主動使用“編程 + 可視化 + 數學”工具進行探索。《數據有道 : 數據分析+ 圖論與網絡+微課+Python編程》將 會回顧鳶尾花書前五本主要的工具，讓大家對很多概念從似懂非懂變成如數家珍；同時，我們還會掌握更 多工具，用來擴展大家的知識網絡。 依照慣例，《數據有道 : 數據分析+ 圖論與網絡+微課+Python編程》提供代碼和視頻教學。 《數據有道 : 數據分析+ 圖論與網絡+微課+Python編程》讀者群包括數據科學從業者、大數據從業者、高級數據分析師、機器學習開發者、電腦圖形學 研究者等。 "
作者簡介
薑偉生 博士 FRM。
勤奮的小鎮做題家，熱愛知識可視化和開源分享。自2022年8月開始，在GitHub上開源“鳶尾花書”學習資源，截至2024年5月，已經分享5000多頁PDF、5000多幅矢量圖、約3000個代碼文件，全球讀者數以萬計，GitHub全球排名TOP100。
目錄大綱
緒論
第一板塊 綜述
第1章 萬物皆數
1.1 萬物皆數：從矩陣說起
1.2 數據分類：定量(連續、離散)、定性(定類、定序)
1.3 機器學習：四大類算法
1.4 特徵工程：提取、轉換、構建數據
第2板塊 數據處理
第2章 缺失值
2.1 是不是缺了幾個數？
2.2 可視化缺失值位置
2.3 處理缺失值：刪除
2.4 單變量插補
2.5 k近鄰插補
2.6 多變量插補
第3章 離群值
3.1 這幾個數有點不合群？
3.2 直方圖：單一特徵分佈
3.3 散點圖：成對特徵分佈
3.4 QQ圖：分位數-分位數
3.5 箱型圖：上界、下界之外樣本
3.6 Z分數：樣本數據標準化
3.7 馬氏距離和其他方法
第4章 數據轉換
4.1 數據轉換
4.2 中心化：去均值
4.3 標準化：Z分數
4.4 歸一化：取值在0和1之間
4.5 廣義冪轉換
4.6 經驗累積分佈函數
4.7 插值
第5章 數據距離
5.1 怎麽又聊距離？
5.2 歐氏距離：最常見的距離
5.3 標準化歐氏距離：考慮標準差
5.4 馬氏距離：考慮標準差和相關性
5.5 城市街區距離：L1範數
5.6 切比雪夫距離：L∞範數
5.7 閔氏距離：Lp範數
5.8 距離與親近度
5.9 成對距離、成對親近度
5.10 協方差矩陣，為什麽無處不在？
第3板塊 時間數據
第6 時間數據
6.1 時間序列數據
6.2 處理時間序列缺失值
6.3 從時間數據中發現趨勢
6.4 時間序列分解
6.5 時間數據講故事
第7章 移動窗口
7.1 移動窗口
7.2 移動波動率
7.3 相關性
7.4 回歸系數
7.5 指數加權移動平均
7.6 EWMA波動率
……
第4板塊 圖論基礎
第5板塊 圖的分析
第6板塊 圖與矩陣
第7板塊 圖論實踐
