返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • Python编程训练入门——数据分析的准备(基于Python的数据分析丛书) 吴喜之 张敏 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 吴喜之 张敏著
    • 出版社: 中国人民大学出版社
    • 出版时间:2022-02-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 吴喜之 张敏著
    • 出版社:中国人民大学出版社
    • 出版时间:2022-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2022-02-01
    • 字数:389000
    • 页数:256
    • 开本:16开
    • 装帧:平装
    • ISBN:9787300302379
    • 国别/地区:中国
    • 版权提供:中国人民大学出版社

    Python编程训练入门——数据分析的准备(基于Python的数据分析丛书)

    作  者:吴喜之 张敏 著
    定  价:49
    出 版 社:中国人民大学出版社
    出版日期:2022年02月01日
    页  数:256
    装  帧:平装
    ISBN:9787300302379
    主编推荐

    内容简介

    编程语言是数据科学最重要的工具,编程不是目的,编程是为数据科学服务的。我们希望通过处理数据来学习编程语言,本书以目标导向的编程训练方式,引导读者在使用软件完成任务的过程中学会编程。当然,我们的目标是数据分析而不是诸如漫游、动画、生成网页等其他实践,因此,这里的训练内容也是基于数据处理及相关画图的需要。我们的训练是从简单的数字及逻辑运算、线性代数运算到机器学习模型拟合的由简入繁、循序渐进的过程。 本书为没有专门学过计算机软件编程但又要经常做数据分析的读者所编写,让人们学会用Python编程处理各种数据课题。本书的对象群体包括涉及统计或其延伸领域(比如计量经济等)的师生及做数据分析的广大读者。

    作者简介

    吴喜之,北京大学数学力学系本科,美国北卡罗莱纳大学统计博士。中国人民大学统计学院教授,博士生导师。曾在美国加利福尼亚大学、北卡罗来纳大学以及南开大学、北京大学等多所有名学府执教。

    精彩内容

    目录
    第一部分 训练篇
    第1章 初等编程训练
    1.1 走出第一步
    1.1.1 最简单的代码
    1.1.2 更复杂的代码
    1.1.3 函数的编写
    1.2 只使用基本函数的训练
    1.2.1 简单目标的训练
    1.2.2 可转成2维数字矩阵list的运算
    1.3 一些应用的编程训练
    1.3.1 随机游走
    1.3.2 牛顿法求非线性方程解
    1.3.3 用三次插值法求函数极小值点
    1.3.4 用黄金分割法求函数在区间中的最小值
    1.3.5 最古老的伪随机数产生器
    1.4 若干画图难点训练
    1.4 .l用plt,pd,sns等3种画图模块生成并排条形图以及多图排列
    1.4.2 用plt,pd,sns等3种画图模块生成多重直方图和密度估计图
    1.4.3 更多的图形排列训练
    第2章 有监督学习概要
    2.1 介绍
    2.2 最简单的回归程序:最小二乘线性回归
    2.2.1 最小二乘线性回归模型的全部数学
    2.2.2 通过训练理解最小二乘线性回归系数的意义
    2.2.3 关于矩阵秩及术语“多重共线性”及“线性相关”在数学及统计中含义不同的注
    2.3 分类变量的哑元化
    2.3.1 哑元化分类变量的编程
    2.3.2 哑元化分类变量做最小二乘线性回归
    第3章 以决策树为载体的训练
    3.1 引言
    3.1.1 一个决策树回归例子
    3.1.2 使数据变纯是有监督学习建模的基本原则
    3.2 决策树回归:自变量均为数量变量
    3.2.1 竞争拆分变量的度量:数量变量的不纯度
    3.2.2 寻找很优分割的变量和属性
    3.2.3 汇总:数量自变量回归决策树生长全程序
    3.2.4 回归决策树预测及预测精度
    3.3 决策树分类:自变量均为数量变量
    3.3.1 竞争拆分变量的度量:分类变量的不纯度
    3.3.2 对前面程序的增补:寻找很优分割的变量和属性
    3.3.3 分类决策树的预测及预测精度
    3.4 非哑元化分类自变量决策树训练
    3.4.1 引言
    3.4.2 分类变量的拆分方式概要
    3.4.3 分类变量竞争拆分变量编程训练
    3.4.4 本节编程汇总成单独的class
    第4章 交叉验证及组合方法训练
    4.1 引言
    4.2 多折交叉验证
    4.2.1 回归的多折交叉验证
    4.2.2 分类的多折交叉验证
    4.3 OOB交叉验证
    4.3.1 自助法抽样
    4.3.2 最简单的组合模型和OOB误差
    4.3.3 从bagging认识组合方法和OOB误差
    4.4 梯度下降法及决策树梯度增强回归训练
    4.4.1 梯度下降法
    4.4.2 梯度增强回归
    4.4.3 两个组合方法简介
    第5章 以神经网络为载体的训练
    5.1 神经网络简介
    5.1.1 一个例子
    5.1.2 线性回归和神经网络的区别
    5.1.3 神经网络是如何学习的
    5.1.4 简单神经网络的训练
    5.2 有一个隐藏层的神经网络及训练
    5.2.1 一个隐藏层的神经网络
    5.2.2 符号定义
    5.2.3 前向传播
    5.2.4 反向传播
    5.2.5 一个隐藏层神经网络训练
    第二部分 Python基本参考
    第6章 一些预备知识
    6.1 下载及安装Python
    6.2 Anaconda的几种界面
    6.2.1 使用Notebook
    6.2.2 使用Spyder
    6.2.3 使用IPython 或者终端界面
    6.3 下载并安装所需模块
    第7章 Python 基本函数
    7.1 一些基本常识
    7.1.1 利用os模块获得及改变你的工作目录
    7.1.2 目录的建立和删除,文件的重命名和删除
    7.2 数组(str,list,tuple,dict)及相关的函数和运算
    7.2.1 数组元素及下标
    7.2.2 数组元素及简单循环语句
    7.2.3 一些和数组及字符串有关的函数和方法
    7.2.4 list中元素增减所用的函数
    7.2.5 tuple不能改变或增减元素,但可以和list互相转换
    7.2.6 dict所用的一些函数
    7.2.7 zip使得数组运算更方便
    7.2.8 集合set及有关运算
    7.3 函数、自定义函数、数组元素的计算、循环语句
    7.3.1 更多的关于数组的函数
    7.3.2 函数的定义
    7.3.3 map和filter
    7.3.4 更多的函数例子
    7.4 伪随机数模块:random
    7.5 变量的存储位置
    7.6 数据输入输出
    7.6.1 终端输入输出
    7.6.2 文件开启、关闭和简单读写
    7.6.3 文字文件内容的读取
    第8章 类和子类简介
    8.1 class
    8.2 subclass
    第9章 numpy模块
    9.1 numpy数组的产生
    9.1.1 在numpy模块中生成各种分布的伪随机数
    9.1.2 从Python基本数组产生
    9.1.3 直接产生需要的数组
    9.2 数据文件的存取
    9.3 数组(包括矩阵)及有关的运算
    9.3.1 数组的维数、形状及类型
    9.3.2 数组形状的改变
    9.3.3 同维数数组间元素对元素的计算
    9.3.4

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购