- 电子工业出版社
- 9787121346651
- 1-1
- 293860
- 46218533-1
- 平塑
- 16开
- 2018年8月
- 256
- 160
- 计算机科学与技术(工学/理学)
- 研究生、本科
内容简介
本书内容涵盖数据科学基础知识，介绍了数据科学的工作流程，包括数据采集、数据整理和探索、数据可视化和数据建模预测等技术，并通过文本、图像、语音等前沿应用，引入人工智能技术在数据科学领域应用的最新成果。全书设计收集了多个数据分析案例，采用Python及相关科学计算工具包介绍数据分析实现的方法，帮助读者通过实际应用理解数据科学知识，掌握实践技能，运用统计学、人工智能等技术解决实际问题。本书通俗易懂、实例丰富、技术先进，配备丰富的教学资源，可作为各类大专院校数据科学、大数据技术的入门教材，计算机基础教学较高层次课程的教材，也可以作为数据科学实践的技术参考书。
目录
目 录
第1章 数据科学基础 （1）
1.1 数据科学概述 （1）
1.1.1 数据的力量 （1）
1.1.2 数据科学的知识结构 （3）
1.1.3 数据科学的工作流程 （4）
1.1.4 数据科学与大数据 （5）
1.2 Python数据分析工具 （7）
1.2.1 科学计算集成环境Anaconda （7）
1.2.2 Python编译环境 （7）
1.2.3 Jupyter Notebook （8）
1.3 Python语言基础 （10）
1.3.1 常用数据类型 （10）
1.3.2 流程控制 （11）
1.3.3 函数和方法库 （13）
综合练习题 （14）
第2章 多维数据结构与运算 （15）
2.1 多维数组对象 （15）
2.1.1 一维数组对象 （16）
2.1.2 二维数组对象 （17）
2.1.3 创建多维数组的常用方法 （19）
2.2 多维数组运算 （21）
2.2.1 基本算术运算 （21）
2.2.2 函数和矩阵运算 （22）
2.2.3 随机数组生成函数 （25）
2.3 案例：随机游走轨迹模拟 （26）
综合练习题 （29）
第3章 数据汇总与统计 （30）
3.1 统计基本概念 （30）
3.1.1 统计的含义 （30）
3.1.2 常用统计量 （31）
3.2 pandas数据结构 （33）
3.2.1 Series对象 （33）
3.2.2 Series数据访问 （34）
3.2.3 DataFrame对象 （37）
3.2.4 DataFrame 数据访问 （37）
3.3 数据文件读写 （41）
3.3.1 读写CSV和TXT文件 （41）
3.3.2 读取Excel文件 （44）
3.4 数据清洗 （45）
3.4.1 缺失数据处理 （46）
3.4.2 去除重复数据 （48）
3.5 数据规整化 （49）
3.5.1 数据合并 （49）
3.5.2 数据排序 （51）
3.6 统计分析 （53）
3.6.1 通用函数与运算 （53）
3.6.2 统计函数 （54）
3.6.3 相关性分析 （56）
3.6.4 案例：调查反馈表分析 （56）
综合练习题 （59）
第4章 数据可视化 （60）
4.1 Python绘图基础 （60）
4.1.1 认识基本图形 （60）
4.1.2 pandas快速绘图 （61）
4.1.3 Matplotlib精细绘图 （63）
4.2 可视化数据探索 （67）
4.2.1 绘制常用图形 （67）
4.2.2 绘制数据地图 （77）
综合练习题 （81）
第5章 机器学习建模分析 （83）
5.1 机器学习概述 （83）
5.1.1 机器学习与人工智能 （83）
5.1.2 Python机器学习方法库 （85）
5.2 回归分析 （85）
5.2.1 回归分析原理 （85）
5.2.2 回归分析实现 （86）
5.2.3 回归分析性能评估 （89）
5.3 分类分析 （91）
5.3.1 分类学习原理 （91）
5.3.2 决策树 （93）
5.3.3 支持向量机 （96）
5.4 聚类分析 （100）
5.4.1 聚类任务 （100）
5.4.2 K-means算法 （101）
5.4.3 聚类方法的性能评估 （104）
5.5 神经网络和深度学习 （106）
5.5.1 神经元与感知器 （106）
5.5.2 神经网络 （107）
5.5.3 神经网络分类实现 （108）
5.5.4 深度学习 （110）
综合练习题 （111）
第6章 文本数据处理 （112）
6.1 文本处理概述 （112）
6.1.1 文本处理的常见任务 （112）
6.1.2 文本处理的基本步骤 （113）
6.2 中文文本处理 （115）
6.2.1 中文分词 （115）
6.2.2 词性标注 （116）
6.2.3 特征提取 （117）
6.3 实例：垃圾邮件识别 （121）
6.3.1 数据来源 （121）
6.3.2 构建文本分类特征训练集 （122）
6.3.3 模型训练和验证 （123）
综合练习题 （124）
第7章 图像数据处理 （125）
7.1 数字图像概述 （125）
7.1.1 数字图像 （125）
7.1.2 数字图像类型 （126）
7.1.3 数字图像处理 （126）
7.2 Python图像处理 （127）
7.2.1 Python图像处理库 （127）
7.2.2 图像基本操作 （128）
7.3 案例：深度学习实现图像分类 （130）
7.3.1 卷积神经网络 （130）
7.3.2 深度学习库Keras （131）
7.3.3 用Keras实现图像分类 （133）
综合练习题 （137）
第8章 时序数据与语音处理 （138）
8.1 时序数据概述 （138）
8.1.1 时序数据特性 （138）
8.1.2 时序数据特征的提取 （139）
8.2 时序数据分析方法 （141）
8.2.1 时序数据分析过程 （141）
8.2.2 股票预测实例 （143）
8.3 语音识别实例 （147）
8.3.1 语音识别技术简介 （147）
8.3.2 语音识别中的时序数据处理 （148）
8.3.3 语音识别的实例 （150）
综合练习题 （151）
参考文献 （152）
第1章 数据科学基础 （1）
1.1 数据科学概述 （1）
1.1.1 数据的力量 （1）
1.1.2 数据科学的知识结构 （3）
1.1.3 数据科学的工作流程 （4）
1.1.4 数据科学与大数据 （5）
1.2 Python数据分析工具 （7）
1.2.1 科学计算集成环境Anaconda （7）
1.2.2 Python编译环境 （7）
1.2.3 Jupyter Notebook （8）
1.3 Python语言基础 （10）
1.3.1 常用数据类型 （10）
1.3.2 流程控制 （11）
1.3.3 函数和方法库 （13）
综合练习题 （14）
第2章 多维数据结构与运算 （15）
2.1 多维数组对象 （15）
2.1.1 一维数组对象 （16）
2.1.2 二维数组对象 （17）
2.1.3 创建多维数组的常用方法 （19）
2.2 多维数组运算 （21）
2.2.1 基本算术运算 （21）
2.2.2 函数和矩阵运算 （22）
2.2.3 随机数组生成函数 （25）
2.3 案例：随机游走轨迹模拟 （26）
综合练习题 （29）
第3章 数据汇总与统计 （30）
3.1 统计基本概念 （30）
3.1.1 统计的含义 （30）
3.1.2 常用统计量 （31）
3.2 pandas数据结构 （33）
3.2.1 Series对象 （33）
3.2.2 Series数据访问 （34）
3.2.3 DataFrame对象 （37）
3.2.4 DataFrame 数据访问 （37）
3.3 数据文件读写 （41）
3.3.1 读写CSV和TXT文件 （41）
3.3.2 读取Excel文件 （44）
3.4 数据清洗 （45）
3.4.1 缺失数据处理 （46）
3.4.2 去除重复数据 （48）
3.5 数据规整化 （49）
3.5.1 数据合并 （49）
3.5.2 数据排序 （51）
3.6 统计分析 （53）
3.6.1 通用函数与运算 （53）
3.6.2 统计函数 （54）
3.6.3 相关性分析 （56）
3.6.4 案例：调查反馈表分析 （56）
综合练习题 （59）
第4章 数据可视化 （60）
4.1 Python绘图基础 （60）
4.1.1 认识基本图形 （60）
4.1.2 pandas快速绘图 （61）
4.1.3 Matplotlib精细绘图 （63）
4.2 可视化数据探索 （67）
4.2.1 绘制常用图形 （67）
4.2.2 绘制数据地图 （77）
综合练习题 （81）
第5章 机器学习建模分析 （83）
5.1 机器学习概述 （83）
5.1.1 机器学习与人工智能 （83）
5.1.2 Python机器学习方法库 （85）
5.2 回归分析 （85）
5.2.1 回归分析原理 （85）
5.2.2 回归分析实现 （86）
5.2.3 回归分析性能评估 （89）
5.3 分类分析 （91）
5.3.1 分类学习原理 （91）
5.3.2 决策树 （93）
5.3.3 支持向量机 （96）
5.4 聚类分析 （100）
5.4.1 聚类任务 （100）
5.4.2 K-means算法 （101）
5.4.3 聚类方法的性能评估 （104）
5.5 神经网络和深度学习 （106）
5.5.1 神经元与感知器 （106）
5.5.2 神经网络 （107）
5.5.3 神经网络分类实现 （108）
5.5.4 深度学习 （110）
综合练习题 （111）
第6章 文本数据处理 （112）
6.1 文本处理概述 （112）
6.1.1 文本处理的常见任务 （112）
6.1.2 文本处理的基本步骤 （113）
6.2 中文文本处理 （115）
6.2.1 中文分词 （115）
6.2.2 词性标注 （116）
6.2.3 特征提取 （117）
6.3 实例：垃圾邮件识别 （121）
6.3.1 数据来源 （121）
6.3.2 构建文本分类特征训练集 （122）
6.3.3 模型训练和验证 （123）
综合练习题 （124）
第7章 图像数据处理 （125）
7.1 数字图像概述 （125）
7.1.1 数字图像 （125）
7.1.2 数字图像类型 （126）
7.1.3 数字图像处理 （126）
7.2 Python图像处理 （127）
7.2.1 Python图像处理库 （127）
7.2.2 图像基本操作 （128）
7.3 案例：深度学习实现图像分类 （130）
7.3.1 卷积神经网络 （130）
7.3.2 深度学习库Keras （131）
7.3.3 用Keras实现图像分类 （133）
综合练习题 （137）
第8章 时序数据与语音处理 （138）
8.1 时序数据概述 （138）
8.1.1 时序数据特性 （138）
8.1.2 时序数据特征的提取 （139）
8.2 时序数据分析方法 （141）
8.2.1 时序数据分析过程 （141）
8.2.2 股票预测实例 （143）
8.3 语音识别实例 （147）
8.3.1 语音识别技术简介 （147）
8.3.2 语音识别中的时序数据处理 （148）
8.3.3 语音识别的实例 （150）
综合练习题 （151）
参考文献 （152）
