全棧數(shù)據(jù)工程原理與實踐

前　言
第 1章　數(shù)據(jù)獲取1
11
　HTTP 1
111HTTP簡介 1 112　
112一次網(wǎng)頁請求分析 1
12
　Chrome瀏覽器 2
121
　Chrome的特點 2
122
　Chrome配置 3 123　
基本功能介紹 3 124　
插件推薦 5
13
　HTML、CSS和 JavaScript 5
131
　HTML 6
132CSS 8
133　JavaScript 9

14Python爬蟲 10
141　Bs4和 Requests庫爬取 10
142PyQuery爬取 11
143Scrapy爬取 12
144Selenium自動化爬取 13
15JavaScript爬蟲 13
151　Node基礎(chǔ) 13
152　puppeteer爬蟲實戰(zhàn) 20
第 2章　數(shù)據(jù)存儲 22
21　數(shù)據(jù)庫介紹 22
211　數(shù)據(jù)庫發(fā)展 22
212　數(shù)據(jù)庫分類 23
213　常用關(guān)系型數(shù)據(jù)庫產(chǎn)品介紹 24
22關(guān)系型數(shù)據(jù)庫 MySQL 26
221　MySQL的配置 26
222　MySQL實踐 29

223　Python操作 MySQL 30

23
　文檔數(shù)據(jù)庫 MongoDB 35
231　MongoDB的配置 35
232　MongoDB實踐 37

233　Python操作 MongoDB 38

24Key-Value數(shù)據(jù)庫 Redis 39
241　Redis的配置 39
242　Redis操作 39

25　圖數(shù)據(jù)庫 Neo4j 41
251　Neo4j安裝 41
252　Neo4j語法 42
253　Neo4j命令 43
26　數(shù)據(jù)庫總結(jié) 44
第 3章　數(shù)據(jù)分析 45
31　數(shù)據(jù)分析簡介 45
311　數(shù)據(jù)分析的背景 46
312　數(shù)據(jù)分析的流程 47
32　數(shù)據(jù)分析工具 49
321　Numpy 49
322　Scipy 50
323　Matplotlib 50
324　Pandas 52
325　Scikit-Learn 53
326　Keras 54
33　數(shù)據(jù)探索 55
331　數(shù)據(jù)質(zhì)量分析 55
332　數(shù)據(jù)特征分析 57
333　Python工具分析 64
34　數(shù)據(jù)預(yù)處理 74
341　數(shù)據(jù)清洗 74
342　數(shù)據(jù)提取 76
343　數(shù)據(jù)變換 83
35　數(shù)據(jù)模型及評估 88
351　評估算法 88
352　評估矩陣 91
353　分類算法模型及評估 98
354　回歸算法模型及評估 103
第 4章　數(shù)據(jù)展示108
41　數(shù)據(jù)可視化簡介 108
42　可視化工具介紹 109
421　百度 ECharts 109
422　螞蟻金服 AntV 110
423　微軟 Power BI 111
424　Tableau 112
425　talkingData inMap 114
第 5章　社交網(wǎng)絡(luò)分析115
51　社交網(wǎng)絡(luò)分析應(yīng)用介紹 115
511　社交網(wǎng)絡(luò)算法應(yīng)用場景 115
512　社交網(wǎng)絡(luò)算法分析指標(biāo) 116
513　社區(qū)發(fā)現(xiàn)簡介 116
514　社區(qū)發(fā)現(xiàn)算法 118
515　PageRank算法 119
52　Python社交網(wǎng)絡(luò)庫分析介紹 121
53　Cypher語言 121
531　Cypher簡介 121
532　Cypher語法入門 122
54　Neo4j高性能插件 APOC 129
第 6章　深度學(xué)習(xí)130
61　神經(jīng)網(wǎng)絡(luò)介紹 130
611　起源 130
612　優(yōu)化器 132
613　BP神經(jīng)網(wǎng)絡(luò) 137
62　CNN介紹 138
621　CNN網(wǎng)絡(luò)結(jié)構(gòu) 138
622　CNN類型 142
623　貓狗大戰(zhàn) 144
63　RNN介紹 147
631　RNN網(wǎng)絡(luò)結(jié)構(gòu) 148
632　LSTM網(wǎng)絡(luò)結(jié)構(gòu) 149
633　古詩自動生成 152
64　GAN模型 158
641　模型結(jié)構(gòu) 158
642　GAN模型拓展 160
643　卡通人臉自動生成 160
65　人臉識別庫 Dlib實戰(zhàn) 166
651　人臉識別發(fā)展 166
652　Dlib庫介紹 167
653　人臉識別實戰(zhàn) 167
第 7章　自然語言處理169
71　自然語言處理概述 169
72　自然語言處理常用工具 170
721　綜合處理類工具 171
722　中文類工具 171
73　文本預(yù)處理 172
731　分詞 172
732　停用詞處理 175
733　詞頻分析與探索 176
74　文本表示 178
741　詞袋模型 178
742　詞嵌入 180
75　文本分類 182
751　基于傳統(tǒng)機器學(xué)習(xí)的文本分類 183
752　基于深度學(xué)習(xí)的文本分類 185
第 8章　綜合實訓(xùn)189
81　實訓(xùn) 1：爬取網(wǎng)站實例 189
811　分析網(wǎng)站 189
812　元素定位 190
813　編寫代碼 191
814　部署 195
82　實訓(xùn) 2：數(shù)據(jù)分析實戰(zhàn) 195
821　分類模型實戰(zhàn) 195
822　回歸模型實戰(zhàn) 208
83　實訓(xùn) 3：實戰(zhàn)可視化 223
831　案例 1：ECharts 223
832　案例 2：AntV 224
84　實訓(xùn) 4：《權(quán)力的游戲》關(guān)系圖譜解讀 226
841　基于圖分析 Neo4j 226
842　基于 Python-IGraph 233
843　使用 Py2neo 237
85　實訓(xùn) 5：商品評價文本分類 239
851　建模之前 239
852　開始建模 240
853　代碼開發(fā)階段 241
854　分析、診斷與修正 248
855　總結(jié)與反思 249
參考文獻(xiàn) 250