新書推薦：
《
汉字理论与汉字阐释概要 《说解汉字一百五十讲》作者李守奎新作
》
售價：NT$
347.0
《
汗青堂丛书144·决战地中海
》
售價：NT$
765.0
《
逝去的武林（十周年纪念版 武学宗师 口述亲历 李仲轩亲历一九三零年代武人言行录）
》
售價：NT$
250.0
《
唐代冠服图志（百余幅手绘插画 图解唐代各类冠服 涵盖帝后 群臣 女官 士庶 军卫等 展现唐代社会风貌）
》
售價：NT$
398.0
《
知宋·宋代之科举
》
售價：NT$
454.0
《
那本书是（吉竹伸介与又吉直树 天才联动！）
》
售價：NT$
454.0
《
传播的跃迁：人工智能如何革新人类的交流
》
售價：NT$
505.0
《
纯粹·古代中国的历史与制度
》
售價：NT$
286.0
|
| 內容簡介： |
|
本书与读者一同探讨和思考数据分析的基本概念、需求、方案等问题，并以 KNIME 为工具，展示 数据分析的具体流程。 本书对 KNIME 中的众多节点进行了介绍，对各节点的难度和重要性进行了标记，以便新手更快地 学习，对节点的覆盖性说明和一些高级内容，会让读者更深入地了解和使用KNIME。 对所有日常有数据分析需求的读者来说，本书能帮助其轻松应对大部分常见的数据分析问题，是一本 不可多得的 KNIME 使用参考书。 按照当今的流行术语来说，KNIME 是一款通用型的低代码（low code）数据分析软件，也就是 说，它的主要操作方式通过\拖拉曳”就能完成。 本书适合所有日常有数据分析需求的读者，能帮助其轻松应对大部分常见的数据分析问题。
|
| 關於作者： |
|
雒玉玺，即“指北君”，拥有十多年数据分析经验的专家，专注于最新的数据分析、机器学习和人工智能技术，在金融、制造、零售、医疗保健、生命科学等行业有丰富的实践经验。全面掌握数据分析相关技术，具有高效的分析能力，提供数据方面的咨询和培训服务。此外，独立运营公众号 ”数据分析指北”，欢迎关注互动。
|
| 目錄：
|
|
第1章 数据分析方法论11.1 基本要求与基础概念11.1.1 目标读者11.1.2 楔子21.1.3 厘清谁是数据的所有者21.1.4 成为科学家还是工程师31.2 方法论41.2.1 你的问题是什么41.2.2 问题的解空间51.2.3 科学方法61.2.4 “然后呢”71.2.5 CRISP-DM数据挖掘的跨行业标准流程91.3 后续内容10第2章 KNIME使用基础122.1 权衡数据分析的需求与解决方案122.1.1 制定实施方案122.1.2 案例：一次关于工具选型的聊天152.2 KNIME简介、生态圈和资源182.2.1 KNIME简介182.2.2 当我们提到KNIME时，具体是指什么202.2.3 KNIME 的相关资源212.3 安装KNIME及其扩展222.3.1 安装KNIME分析平台222.3.2 启动KNIME242.3.3 安装KNIME扩展252.3.4 卸载KNIME扩展262.4 KNIME的使用262.4.1 关于KNIME界面262.4.2 KNIME使用简介292.4.3 导入和导出现有工作流302.4.4 例子服务器及Hub的使用312.5 遇到问题怎么办34第3章 KNIME数据分析基础363.1 数据来源及轮廓363.1.1 了解原始数据来源363.1.2 了解轮廓，进行探索性分析363.1.3 一个好例子373.1.4 房价例子383.2 计算机如何处理表格数据393.2.1 基础数据操作393.2.2 展示示例数据393.2.3 具体的小问题393.3 基础操作之读取数据源413.3.1 读取文件413.3.2 读取数据库433.3.3 导入之前的数据433.4 基础操作之挑选（select）操作443.4.1 了解完备概念443.4.2 你会几种编程语言453.4.3 回顾之前的问题453.4.4 SQL中的挑选操作463.4.5 KNIME中的挑选操作473.5 基础操作之CASE、group by和join493.5.1 条件操作、缺失值和排序503.5.2 分组操作——group by513.5.3 子查询——subquery513.5.4 连接操作——join523.5.5 使用KNIME完成之前的问题523.6 了解KNIME中的重要概念563.6.1 了解路径563.6.2 了解节点基础59第4章 KNIME基础节点——数据访问类型644.1 IO节点集合654.1.1 Read（读）目录下的节点664.1.2 File Folder Utility（文件、文件夹工具）目录下的节点684.1.3 Other（其他）目录下的节点694.1.4 文件处理节点的补充说明704.2 DB节点集合704.2.1 Connection（连接）目录下的节点714.2.2 获取数据的两种模式734.2.3 Query（查询）目录下的节点754.2.4 Read/Write（读/写）目录下的节点774.2.5 Utility（工具）目录下的节点784.3 JSON、XML类型784.3.1 JSON格式介绍与解析794.3.2 XML格式介绍与解析834.3.3 JSON与XML的相应节点844.4 Web相关节点854.5 NoSQL相关节点854.6 网络数据访问864.6.1 网络数据简要说明864.6.2 使用GET/POST Request 节点894.6.3 其他91第5章 KNIME基础节点——转换类型925.1 Column（列）处理节点集合935.1.1 Binning（分桶）目录下的节点935.1.2 Convert ＆ Replace（转换 ＆ 替换）目录下的节点965.1.3 Filter（过滤）目录下的节点1015.1.4 Split ＆ Combine（分割与组合）目录下的节点1015.1.5 Transform（转换）目录下的节点1035.1.6 其他的列处理节点1065.2 Row（行）处理节点集合1075.2.1 Filter（过滤）目录下的节点1075.2.2 Transform（转换）目录下的节点1105.2.3 GroupBy（分组聚合）节点1125.2.4 Pivoting（转轴或透视）节点1165.2.5 其他行处理节点1195.3 Table（表）处理节点集合1215.4 PMML节点集合1215.5 时间数据类型相关操作124第6章 KNIME基础节点——分析和数据挖掘类型1286.1 机器学习简述1286.1.1 监督学习和非监督学习1286.1.2 基本概念和约定1296.1.3 模型选择、超参优化及错误分析1326.2 Analytics节点集合1336.2.1 学习器（Learner）和预测器（Predictor）1346.2.2 Feature Selection（特征选择）节点1356.2.3 Scoring（记分）目录下的节点1366.2.4 Statistics（统计）类节点1366.2.5 Distance Calculation（距离计算）类节点1376.3 探索性数据分析（EDA）练习1376.3.1 泰坦尼克号1376.3.2 数据探索1386.3.3 对原始数据进行粗略观察1386.3.4 进一步观察数据1436.4 简单的机器学习练习——使用KNIME中的决策树算法147第7章 进阶话题——流变量与控制循环结构1527.1 流变量从入门到精通1527.1.1 了解流变量1527.1.2 生成流变量1537.1.3 使用流变量1567.1.4 流变量的操作1607.1.5 流变量的特别使用方式1647.2 循环（Loop）结构1647.2.1 两种Loop End（循环结束）节点1667.2.2 递归循环1687.2.3 循环的调试1707.2.4 和流变量有关的循环1717.2.5 其他循环1727.3 分支（Switches）结构1757.3.1 IF Switch节点1767.3.2 Java IF（Table）节点1777.3.3 CASE Switch类节点1777.3.4 Empty Table Switch（空表切换）节点1787.3.5 其他说明1797.4 错误处理1797.4.1 Try…Catch结构1797.4.2 举例：循环中的Try ... Catch结构1837.4.3 其他184第8章 进阶话题——数据可视化、模块化与编程节点1858.1 数据可视化1858.1.1 数据可视化简介1858.1.2 KNIME中的可视化节点简介1888.1.3 以折线图（Line Plot）为例介绍可视化相关节点1898.1.4 其他可视化图表1958.1.5 通用可视化节点——Generic JavaScript View1958.2 模块化1978.2.1 KNIME 模块化简史1988.2.2 元节点（Metanode）1998.2.3 组件（Component）2018.2.4 其他建议2078.3 生成报告2088.4 Java相关节点2138.4.1 Java Snippet（simple）节点2138.4.2 Java Snippet Row Filter（Java行过滤器）节点2168.4.3 Java Snippet节点2178.5 Python相关节点2218.5.1 Python环境配置2228.5.2 KNIME中的Python2268.5.3 Python相关节点介绍2298.5.4 与Jupyter交互2318.5.5 Conda的常用命令234第9章 高级话题2359.1 可复现性与测试2359.2 深度学习介绍2389.2.1 基于Keras的深度学习2399.2.2 基于TensorFlow 2的深度学习2429.2.3 使用现有模型进行预测2449.2.4 使用深度学习的其他方式2469.3 时间序列分析介绍2479.3.1 想要预测什么2479.3.2 时间图（Time Plot）2499.3.3 季节图（Seasonal Plot）2499.3.4 季节性子图（Seasonal Subseries Plot）2519.3.5 箱形图（Box Plot）2529.3.6 散点图（Scatter Plot）2539.3.7 滞后图（Lag Plot）2549.3.8 自相关图（Auto Correlation Plot）与偏自相关图（Partial autocorrelation function Plot）2559.3.9 时间序列的组成2579.3.10 时间序列的预处理2589.3.11 趋势（Trend）成分2609.3.12 季节性（Seasonal）成分2619.3.13 周期性（Cyclic）成分2639.3.14 经典的统计学方法2639.4 扩展开发介绍2649.5 （机器学习的）集成部署（Integrated Deployment）2719.5.1 概述2719.5.2 使用举例2729.6 KNIME Server、Executor与Edge简介2769.6.1 架构简介2769.6.2 功能简介278
|
|
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
HOME
新書上架
