數(shù)據(jù)科學(xué)技術(shù)與應(yīng)用

目 錄
第1章 數(shù)據(jù)科學(xué)基礎(chǔ) （1）
1．1 數(shù)據(jù)科學(xué)概述 （1）
1．1．1 數(shù)據(jù)的力量 （1）
1．1．2 數(shù)據(jù)科學(xué)的知識結(jié)構(gòu) （3）
1．1．3 數(shù)據(jù)科學(xué)的工作流程 （4）
1．1．4 數(shù)據(jù)科學(xué)與大數(shù)據(jù) （5）
1．2 Python數(shù)據(jù)分析工具 （7）
1．2．1 科學(xué)計算集成環(huán)境Anaconda （7）
1．2．2 Python編譯環(huán)境 （7）
1．2．3 Jupyter Notebook （8）
1．3 Python語言基礎(chǔ) （10）
1．3．1 常用數(shù)據(jù)類型 （10）
1．3．2 流程控制 （11）
1．3．3 函數(shù)和方法庫 （13）
綜合練習(xí)題 （14）
第2章 多維數(shù)據(jù)結(jié)構(gòu)與運(yùn)算 （15）
2．1　多維數(shù)組對象 （15）
2．1．1　一維數(shù)組對象 （16）
2．1．2 二維數(shù)組對象 （17）
2．1．3 創(chuàng)建多維數(shù)組的常用方法 （19）
2．2　多維數(shù)組運(yùn)算 （21）
2．2．1　基本算術(shù)運(yùn)算 （21）
2．2．2 函數(shù)和矩陣運(yùn)算 （22）
2．2．3 隨機(jī)數(shù)組生成函數(shù) （25）
2．3 案例：隨機(jī)游走軌跡模擬 （26）
綜合練習(xí)題 （29）
第3章 數(shù)據(jù)匯總與統(tǒng)計 （30）
3．1 統(tǒng)計基本概念 （30）
3．1．1 統(tǒng)計的含義 （30）
3．1．2 常用統(tǒng)計量 （31）
3．2 pandas數(shù)據(jù)結(jié)構(gòu) （33）
3．2．1 Series對象 （33）
3．2．2 Series數(shù)據(jù)訪問 （34）
3．2．3 DataFrame對象 （37）
3．2．4 DataFrame 數(shù)據(jù)訪問 （37）
3．3 數(shù)據(jù)文件讀寫 （41）
3．3．1　讀寫CSV和TXT文件 （41）
3．3．2 讀取Excel文件 （44）
3．4 數(shù)據(jù)清洗 （45）
3．4．1　缺失數(shù)據(jù)處理 （46）
3．4．2 去除重復(fù)數(shù)據(jù) （48）
3．5 數(shù)據(jù)規(guī)整化 （49）
3．5．1 數(shù)據(jù)合并 （49）
3．5．2 數(shù)據(jù)排序 （51）
3．6 統(tǒng)計分析 （53）
3．6．1　通用函數(shù)與運(yùn)算 （53）
3．6．2 統(tǒng)計函數(shù) （54）
3．6．3 相關(guān)性分析 （56）
3．6．4 案例：調(diào)查反饋表分析 （56）
綜合練習(xí)題 （59）
第4章 數(shù)據(jù)可視化 （60）
4．1 Python繪圖基礎(chǔ) （60）
4．1．1 認(rèn)識基本圖形 （60）
4．1．2 pandas快速繪圖 （61）
4．1．3 Matplotlib精細(xì)繪圖 （63）
4．2 可視化數(shù)據(jù)探索 （67）
4．2．1 繪制常用圖形 （67）
4．2．2 繪制數(shù)據(jù)地圖 （77）
綜合練習(xí)題 （81）
第5章 機(jī)器學(xué)習(xí)建模分析 （83）
5．1 機(jī)器學(xué)習(xí)概述 （83）
5．1．1 機(jī)器學(xué)習(xí)與人工智能 （83）
5．1．2 Python機(jī)器學(xué)習(xí)方法庫 （85）
5．2 回歸分析 （85）
5．2．1 回歸分析原理 （85）
5．2．2 回歸分析實現(xiàn) （86）
5．2．3 回歸分析性能評估 （89）
5．3 分類分析 （91）
5．3．1 分類學(xué)習(xí)原理 （91）
5．3．2 決策樹 （93）
5．3．3 支持向量機(jī) （96）
5．4 聚類分析 （100）
5．4．1 聚類任務(wù) （100）
5．4．2 K-means算法 （101）
5．4．3 聚類方法的性能評估 （104）
5．5 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) （106）
5．5．1 神經(jīng)元與感知器 （106）
5．5．2 神經(jīng)網(wǎng)絡(luò) （107）
5．5．3 神經(jīng)網(wǎng)絡(luò)分類實現(xiàn) （108）
5．5．4 深度學(xué)習(xí) （110）
綜合練習(xí)題 （111）
第6章 文本數(shù)據(jù)處理 （112）
6．1 文本處理概述 （112）
6．1．1 文本處理的常見任務(wù) （112）
6．1．2 文本處理的基本步驟 （113）
6．2 中文文本處理 （115）
6．2．1 中文分詞 （115）
6．2．2 詞性標(biāo)注 （116）
6．2．3 特征提取 （117）
6．3 實例：垃圾郵件識別 （121）
6．3．1 數(shù)據(jù)來源 （121）
6．3．2 構(gòu)建文本分類特征訓(xùn)練集 （122）
6．3．3 模型訓(xùn)練和驗證 （123）
綜合練習(xí)題 （124）
第7章 圖像數(shù)據(jù)處理 （125）
7．1 數(shù)字圖像概述 （125）
7．1．1 數(shù)字圖像 （125）
7．1．2 數(shù)字圖像類型 （126）
7．1．3 數(shù)字圖像處理 （126）
7．2 Python圖像處理 （127）
7．2．1 Python圖像處理庫 （127）
7．2．2 圖像基本操作 （128）
7．3 案例：深度學(xué)習(xí)實現(xiàn)圖像分類 （130）
7．3．1 卷積神經(jīng)網(wǎng)絡(luò) （130）
7．3．2 深度學(xué)習(xí)庫Keras （131）
7．3．3 用Keras實現(xiàn)圖像分類 （133）
綜合練習(xí)題 （137）
第8章 時序數(shù)據(jù)與語音處理 （138）
8．1 時序數(shù)據(jù)概述 （138）
8．1．1 時序數(shù)據(jù)特性 （138）
8．1．2 時序數(shù)據(jù)特征的提取 （139）
8．2 時序數(shù)據(jù)分析方法 （141）
8．2．1 時序數(shù)據(jù)分析過程 （141）
8．2．2 股票預(yù)測實例 （143）
8．3 語音識別實例 （147）
8．3．1 語音識別技術(shù)簡介 （147）
8．3．2 語音識別中的時序數(shù)據(jù)處理 （148）
8．3．3 語音識別的實例 （150）
綜合練習(xí)題 （151）
參考文獻(xiàn) （152）