《数据科学实战入门使用Python和R》 - 419.0新台幣 - [法] 尚塔尔·D·拉罗斯[Chantal D.，Laros - HongKong Book Store

	登入帳戶　 \|　訂單查詢　 \|　購物車/收銀台( 0 )　\|　在線留言板　 \|　付款方式　 \|　聯絡我們　 \|　運費計算　 \|　幫助中心　\|　加入書簽
		會員登入新註冊 \|　新用戶登記

HOME

新書上架

暢銷書架

好書推介

2023年度TOP

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / EMS，時效：出貨後2-3日

『簡體書』数据科学实战入门使用Python和R

書城自編碼： 3529237
分類：簡體書→大陸圖書→計算機/網絡→數據庫
作者： [法] 尚塔尔·D·拉罗斯[Chantal D.，Laros
國際書號(ISBN)： 9787302553793
出版社：清华大学出版社
出版日期： 2020-07-01

頁數/字數： /
書度/開本： 16开釘裝：平装

售價：NT$ 419

我要買件

** 我創建的書架 **
未登入.

新書推薦：

《墓志的生成及其在唐代的衍变研究》
售價：NT$ 549.0

《理解中国经济：在大变局中读懂新机遇》
售價：NT$ 252.0

《饥饿与国家：苏丹的饥荒、奴隶制和权力（1883~1956）》
售價：NT$ 386.0

《管好你的钱：人人都要懂的财富传承（一本书带你了解财富传承的7种方式）》
售價：NT$ 381.0

《新质生产力：中国创新发展的着力点与内在逻辑》
售價：NT$ 442.0

《 “漫画强国科技”系列（全4册）》
售價：NT$ 784.0

《打破社交媒体棱镜：探寻网络政治极化的根源》
售價：NT$ 325.0

《那一抹嫣红》
售價：NT$ 330.0

編輯推薦：

内容组织
《数据科学实战入门使用Python 和R》一书基于数据科学方法论进行内容的组织。数据科学方法是一种在科学框架体系内进行数据分析的阶段性、自适应和迭代式方法。
1. 问题理解阶段。首先，需要清晰地阐明项目目标；然后将这些目标转化为一种可以用数据科学解决的问题。
2. 数据准备阶段。数据清洗准备阶段很可能是整个数据科学处理过程中*费力气的阶段。
● 相关内容参见第3 章：数据准备。
3. 探索性数据分析阶段。在此阶段通过图形化探索方法获得对数据的初步认识。
● 相关内容参见第4 章：探索性数据分析。
4. 设置阶段。建立数据模型的性能基准，如果需要，可以对数据进行分割和平衡处理。
● 相关内容详见第5 章：为建模数据做准备。
5. 建模阶段。建模阶段是数据科学研究过程的核心，在此阶段应用各种先进的算法来发现隐藏在数据中的一些确实具有价值的关系。
● 相关内容参见第6 章以及第8~14 章。
6. 评估阶段。确定设计的模型是否有价值，在此阶段需要从一系列可选的模型中选择性能更佳的模型。
● 相关内容参见第7 章：模型评估。
7. 部署应用阶段。在此阶段需

內容簡介：

《数据科学实战入门　使用Python和R》一书将使你深入了解数据科学*流行的两大开源平台：Python和R。当前数据科学非常热门。Python和R是世界更流行的两个开源数据科学工具。在本书中，你将逐步学习如何使用更先进的技术，针对现实世界的业务问题提供切实可行的解决方案。本书为没有数据分析和编程经验的读者编写。第1章专门为初学者讲解Pyhton和R的基础知识。此后的每一章都提供了使用Python和R解决数据科学问题的分步说明和实践演练。对于那些有数据分析经验的读者而言，他们将一站式学习如何使用Python和R进行数据科学实践。本书的主题涵盖数据准备、探索性数据分析、准备建模数据、决策树、模型评估、错误分类代价、朴素贝叶斯分类、神经网络、聚类、回归建模、降维和关联规则挖掘。此外，本书还包含一些令人兴奋的新主题，如随机森林和广义线性模型。本书在每章的结尾提供了大量的练习，共有500多道习题。通过实践性的分析习题，读者将能轻松应对使用真实数据集解决有趣业务问题的挑战。

關於作者：

Chantal D. Larose博士是东康涅狄格州立大学ECSU统计学与数据科学的助理教授。她已经参与撰写了三本有关数据科学和预测性分析的著作，并在ECSU和纽约州立大学新帕尔兹分校SUNY New Paltz参与开发了数据科学相关程序。
Daniel T. Larose博士是中央康涅狄格州立大学数据科学和统计学的教授，数据科学项目主任。他在数据科学、数据挖掘、预测性分析和统计学方面出版了多本著作。

第1章数据科学导引 1
1.1 为何学习数据科学 1
1.2 何为数据科学 1
1.3 数据科学方法论 2
1.4 数据科学任务 5
1.4.1 描述 5
1.4.2 估计 6
1.4.3 分类 6
1.4.4 聚类 6
1.4.5 预测 6
1.4.6 关联 7
1.5 习题 7
第2章 Python和R语言基础 9
2.1 下载Python 9
2.2 Python编程基础 10
2.2.1 在Python中使用注释 10
2.2.2 在Python中执行命令 11
2.2.3 在Python中导入软件包 11
2.2.4 将数据引入Python 12
2.2.5 在Python中保存输出 13
2.2.6 访问Python中的记录和变量 14
2.2.7 在Python中设置图形 16
2.3 下载R和RStudio 18
2.4 R语言编程基础 19
2.4.1 在R中使用注释 20
2.4.2 在R中执行命令 20
2.4.3 在R中导入软件包 20
2.4.4 将数据导入R 21
2.4.5 在R中保存输出 23
2.4.6 在R中访问记录和变量 24
2.5 习题 26
第3章数据准备 29
3.1 银行营销数据集 29
3.2 问题理解阶段 29
3.2.1 明确阐明项目目标 29
3.2.2 将这些目标转化为数据科学问题 30
3.3 数据准备阶段 30
3.4 添加索引字段 31
3.4.1 如何使用Python添加索引字段 31
3.4.2 如何使用R添加索引字段 32
3.5 更改误导性字段值 33
3.5.1 如何使用Python更改误导性字段值 33
3.5.2 如何使用R更改误导性字段值 35
3.6 将分类数据重新表示为数字 36
3.6.1 如何使用Python重新表达分类字段值 37
3.6.2 如何使用R重新表达分类字段值 38
3.7 标准化数字字段 39
3.7.1 如何使用Python标准化数字字段 40
3.7.2 如何使用R标准化数字字段 40
3.8 识别异常值 40
3.8.1 如何使用Python识别异常值 41
3.8.2 如何使用R识别异常值 42
3.9 习题 43
第4章探索性数据分析 47
4.1 EDA对比HT 47
4.2 叠加了response的条形图 47
4.2.1 如何使用Python构建叠加的条形图 49
4.2.2 如何使用R构建叠加的条形图 50
4.3 列联表 51
4.3.1 如何使用Python构建列联表 52
4.3.2 如何使用R构建列联表 53
4.4 叠加有响应的柱状图 54
4.4.1 如何使用Python构建叠加柱状图 55
4.4.2 如何使用R构建叠加柱状图 58
4.5 基于预测值的分箱 59
4.5.1 如何使用Python基于预测值执行分箱 61
4.5.2 如何使用R基于预测值执行分箱 63
4.6 习题 64
第5章为建模数据做准备 69
5.1 迄今完成的任务 69
5.2 数据分区 69
5.2.1 如何使用Python对数据进行分区 70
5.2.2 如何使用R对数据进行分区 71
5.3 验证数据分区 72
5.4 平衡训练数据集 73
5.4.1 如何使用Python平衡训练数据集 73
5.4.2 如何使用R平衡训练数据集 75
5.5 建立模型性能基准 76
5.6 习题 78
第6章决策树 81
6.1 决策树简介 81
6.2 分类与回归树 83
6.2.1 如何使用Python构建CART决策树 83
6.2.2 如何使用R构建CART决策树 86
6.3 用于构建决策树的C5.0算法 88
6.3.1 如何使用Python构建C5.0决策树 89
6.3.2 如何使用R构建C5.0决策树 90
6.4 随机森林 91
6.4.1 如何使用Python构建随机森林 92
6.4.2 如何使用R构建随机森林 92
6.5 习题 93
第7章模型评估 97
7.1 模型评估简介 97
7.2 分类评价措施 97
7.3 灵敏度和特异度 99
7.4 精确度、召回率和F分数 99
7.5 模型评估方法 100
7.6 模型评估的应用示例 100
7.7 说明不对称的错误成本 104
7.8 比较考虑和不考虑不相等错误成本的模型 106
7.9 数据驱动的错误成本 107
7.10 习题 110
第8章朴素贝叶斯分类 113
8.1 朴素贝叶斯简介 113
8.2 贝叶斯定理 113
8.3 最大化后验假设 114
8.4 分类条件独立性 114
8.5 朴素贝叶斯分类的应用 115
8.5.1 Python中的朴素贝叶斯 120
8.5.2 R中的朴素贝叶斯 123
8.6 习题 126
第9章神经网络 129
9.1 神经网络简介 129
9.2 神经网络结构 129
9.3 连接权重和组合函数 131
9.4 sigmoid激活函数 133
9.5 反向传播 133
9.6 神经网络模型的应用 134
9.7 解释神经网络模型中的权重 136
9.8 如何在R中使用神经网络 137
9.9 习题 138
第10章聚类 141
10.1 聚类的定义 141
10.2 k均值聚类算法简介 142
10.3 k均值聚类的应用 143
10.4 簇验证 144
10.5 如何使用Python执行k均值聚类 145
10.6 如何使用R执行k均值聚类 147
10.7 习题 149
第11章回归建模 151
11.1 估计任务 151
11.2 回归建模描述 151
11.3 多元回归建模的应用 152
11.4 如何使用Python执行多重回归建模 154
11.5 如何使用R执行多重回归建模 156
11.6 用于估计的模型评估 158
11.6.1 如何使用Python进行估计模型评估 159
11.6.2 如何使用R进行估计模型评估 161
11.7 逐步回归 162
11.8 回归的基准模型 163
11.9 习题 164
第12章降维 169
12.1 降维的必要性 169
12.2 多重共线性 170
12.3 使用方差膨胀因子识别多重共线性 173
12.3.1 如何使用Python识别多重共线性 174
12.3.2 如何使用R识别多重共线性 175
12.4 主成分分析 177
12.5 主成分分析的应用 178
12.6 我们应该提取多少分量 179
12.6.1 特征值准则 179
12.6.2 方差解释比例的准则 180
12.7 执行k = 4的PCA 180
12.8 主成分分析的验证 181
12.9 如何使用Python进行主成分分析 182
12.10 如何使用R进行主成分分析 184
12.11 何时多重共线性不是问题 187
12.12 习题 187
第13章广义线性模型 191
13.1 广义线性模型概述 191
13.2 线性回归是一种广义线性模型 192
13.3 作为广义线性模型的逻辑回归 192
13.4 逻辑回归模型的应用 193
13.4.1 如何使用Python执行逻辑回归 194
13.4.2 如何使用R执行逻辑回归 195
13.5 泊松回归 196
13.6 泊松回归模型的应用 197
13.6.1 如何使用Python执行泊松回归 197
13.6.2 如何使用R执行泊松回归 199
13.7 习题 199
第14章关联规则 203
14.1 关联规则简介 203
14.2 关联规则挖掘的简单示例 203
14.3 支持度、信任度和提升度 204
14.4 挖掘关联规则 206
14.5 确认我们的指标 211
14.6 置信差准则 212
14.7 置信商准则 213
14.8 习题 215
附录A 数据汇总与可视化 219

內容試閱：

为什么要阅读《数据科学实战入门使用Python和R CTP》
原因之一：数据科学非常热门。数据科学现在确实炙手可热。彭博社称数据科学家为美国最热门的职业；商业内参称其为目前美国最棒的工作；Glassdoor.com连续三年将其评为2018年全球最佳职位；哈佛商业评论称数据科学家为21世纪最光彩夺目的职业。
原因之二：两大最流行的开源工具。Python和R语言是世界上最流行的两个开源数据科学工具。世界各地的分析师和程序员协作开发了大量数据分析软件包，提供给Python和R用户免费使用。
《数据科学实战入门使用Python和R》一书将使用世界上应用最广泛的开源分析工具来培养你在这个前沿领域的专业技能。在《数据科学实战入门使用Python和R CTP》中，你将亲身体验使用业界最先进的技术来逐步寻求针对实际业务问题的解决方案。简而言之，你将通过数据科学实践来学习数据科学。
《数据科学实战入门使用Python和R CTP》适用于初学者和非初学者
《数据科学实战入门使用Python和R》一书是为普通读者编写的，读者不必具备数据分析和编程经验。我们知道，信息时代的经济正在驱使许多英语专业和历史专业的学生重新调整知识结构，以把握数据科学家巨大的市场需求的机会。正是基于这种考虑，我们在《数据科学实战入门使用Python和R CTP》提供了如下素材以帮助那些刚接触数据科学的读者能够快速入门。
专门为初学者编写了一章来学习Python和R的基础知识。初学者可以了解使用什么样的平台，下载哪些软件包以及了解入门阶段需要掌握的各种内容。
提供了附录A数据汇总与可视化，专门用于填补读者在数据分析入门知识学习中存在的各种漏洞。附录B参考文献扫描封底二维码获取。
遍及全书的分步指导，每个步骤都提供了详细说明。
每章都有针对性的练习，可以通过练习检查自己的理解程度和学习进展情况。
对于那些有数据分析或编程经验的读者而言，他们将享受一站式学习如何使用Python和R进行数据科学实践的机会。无论是企业经理、信息总监CIO，还是首席执行官CEO和财务总监CFO，他们都乐意与数据分析师和数据库分析人员进行更好的沟通。《数据科学实战入门使用Python和R CTP》重点强调要准确核算数据模型成本，这将有助于每个读者从庞杂的数据中发掘最有价值的知识，同时避免可能使贵公司蒙受数百万美元损失的潜在陷阱。
此外，《数据科学实战入门使用Python和R》一书涵盖了如下一些令人兴奋的新主题：
随机森林
广义线性模型
用于提高利润的数据驱动的错误成本
《数据科学实战入门使用Python和R CTP》中使用的所有数据集都可扫描封底二维码获取。
《数据科学实战入门使用Python和R》一书可作为教材使用
《数据科学实战入门使用Python和R》一书很适合作为教材使用，既可以用于一学期的入门级课程教材，也可以用于两学期的入门和提高级系列课程教材。指导教师将会受益于每章末尾提供的练习，《数据科学实战入门使用Python和R CTP》中总共有500多道习题。有三类习题，从对基本知识理解的测试到对新的具有挑战性的应用问题的更实际的分析。
概念辨析题。这些练习用于测试学生对书中基本知识的理解，以确保学生已掌握了所学习的内容。
数据处理题。这些应用类练习要求学生按照各章中给出的分步说明，使用Python和R处理数据。
实践分析题。这是学生在学习过程中真正需要学到的内容，学生将会使用新近掌握的知识和技能来发现新数据集中的潜在模式和趋势。学生将在接近实际的环境中培养他们的专业技能。《数据科学实战入门使用Python和R CTP》中一半以上的练习都是实践分析类习题。
下面的一些补充材料也可以免费提供给《数据科学实战入门使用Python和R CTP》的指导教师。
完整的解决方案手册。该手册不仅提供习题答案，还给出了详细的题解说明。
书中每章的幻灯课件。这些课件不仅便于学生阅读，还有助于学生理解书中的内容。
若想获取这些资料，可以联系当地Wiley出版社的销售代理，请求他们邮寄资料，前提是你必须选用《数据科学实战入门使用Python和R CTP》作为教材。
《数据科学实战入门使用Python和R》一书适合本科高年级学生或研究生，学生不需要掌握统计学、计算机编程或数据库专业知识，唯一的要求是学生的上进心。
《数据科学实战入门使用Python和R CTP》内容组织
《数据科学实战入门使用Python和R》一书基于数据科学方法论进行内容的组织。数据科学方法是一种在科学框架体系内进行数据分析的阶段性、自适应和迭代式方法。
1. 问题理解阶段。首先，需要清晰地阐明项目目标；然后将这些目标转化为一种可以用数据科学解决的问题。
2. 数据准备阶段。数据清洗准备阶段很可能是整个数据科学处理过程中最费力气的阶段。
相关内容参见第3章：数据准备。
3. 探索性数据分析阶段。在此阶段通过图形化探索方法获得对数据的初步认识。
相关内容参见第4章：探索性数据分析。
4. 设置阶段。建立数据模型的性能基准，如果需要，可以对数据进行分割和平衡处理。
相关内容详见第5章：为建模数据做准备。
5. 建模阶段。建模阶段是数据科学研究过程的核心，在此阶段应用各种先进的算法来发现隐藏在数据中的一些确实具有价值的关系。
相关内容参见第6章以及第8~14章。
6. 评估阶段。确定设计的模型是否有价值，在此阶段需要从一系列可选的模型中选择性能最佳的模型。
相关内容参见第7章：模型评估。
7. 部署应用阶段。在此阶段需要与管理层协作来调整模型以适应实际部署。

書城介紹　 \|　合作申請　\|　索要書目　 \|　新手入門　\|　聯絡方式　 \|　幫助中心　\|　找書說明　 \|　送貨方式　\|　付款方式	香港用户　 \|　台灣用户　\|　海外用户

megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.