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数据科学 常国珍,赵仁乾,张秋剑 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 常国珍,赵仁乾,张秋剑 著著
    • 出版社: 机械工业出版社
    • 出版时间:2018-07-01 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: 常国珍,赵仁乾,张秋剑 著著
    • 出版社:机械工业出版社
    • 出版时间:2018-07-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-07-01
    • 页数:422
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111603092
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    Python数据科学

    作  者:常国珍,赵仁乾,张秋剑 著
    定  价:99
    出 版 社:机械工业出版社
    出版日期:2018年07月01日
    页  数:422
    装  帧:平装
    ISBN:9787111603092
    主编推荐

    内容简介

    本书共19章,靠前章介绍数据科学中涉及的基本领域;第2~3章介绍与数据工作紧密相关的Python语言基础;第4章讲解描述性统计分析在宏观业务领域的分析;第5章讲解数据规整、清洗的重要技能;第6章介绍数据科学领域实用的四大统计检验;第7章讲解当被解释变量为连续变量时,如何使用线性回归作预测;第8章讲解使用逻辑回归作评分卡模型;第9章讲解另外一个可解释模型——决策树。靠前0~12章分别讲解了BP神经网络、朴素贝叶斯、近邻域、支持向量机的原理和在决策类模型中的运用;靠前3~14章作为一个整体讲解商业分析场景下的信息压缩;靠前5章以产品推荐作为案例,讲解发现事件与事件伴生关系的关联分析和序列分析算法;靠前6章使用欺诈识别案例讲解当被解释变量分布极 端不平衡时的处理方法;靠前7章继续使用欺诈识别案例讲解集成学习算法;靠前8章讲解了使用效应分解和ARIMA方法实现宏观业务指标预测;靠前9章用null

    作者简介

    常国珍,数据科学专家和金融技术专家。北京大学会计学博士,中国大数据产业生态联盟专家委员会委员。
    2005年进入数据科学领域,先后在亚信、德勤等企业从事电信、金融行业数据挖掘工作,现就职于中银消费金融有限公司数据管理部。专注于消费金融领域的数据治理、客户智能与风险智能。
    赵仁乾,数据科学家,在电信大数据和机器学习领域有丰富的实践经验。
    现就职于北京电信规划设计院任不错经济师,负责通信、ICT项目工程与业务咨询,专注电信市场数据分析,重点研究方向包括离网用户挖掘、市场细分与精准营销、移动网络价值区域分析、大数据及人工智能运营规划等。
    张秋剑,大数据专家和金融行业技术专家,上海师范大学计算机科学技术硕士。
    现任星环科技金融事业部总监,大数据技术架构行业顾问专家,云析学院发起人,AICUG社区联合发起人,曾在IEEE等期刊发表多篇论文。目前主要为银行、证券和null

    精彩内容

    目录
    前言
    第1章数据科学家的武器库
    1.1数据科学的基本概念
    1.2数理统计技术
    1.2.1描述性统计分析
    1.2.2统计推断与统计建模
    1.3数据挖掘的技术与方法
    1.4描述性数据挖掘算法示例
    1.4.1聚类分析——客户细分
    1.4.2关联规则分析
    1.5预测性数据挖掘算法示例
    1.5.1决策树
    1.5.2KNN算法
    1.5.3Logistic回归
    1.5.4神经网络
    1.5.5支持向量机
    1.5.6集成学习
    1.5.7预测类模型讲解
    1.5.8预测类模型评估概述
    第2章Python概述
    2.1Python概述
    2.1.1Python简介
    2.1.2Python与数据科学
    2.1.3Python2与Python3
    2.2AnacondaPython的安装、使用
    2.2.1下载与安装
    2.2.2使用JupyterNotebook
    2.2.3使用Spyder
    2.2.4使用conda或pip管理
    第三方库
    第3章数据科学的Python编程基础
    3.1Python的基本数据类型
    3.1.1字符串(str)
    3.1.2浮点数和整数(float、int)
    3.1.3布尔值(Bool:True/False)
    3.1.4其他
    3.2Python的基本数据结构
    3.2.1列表(list)
    3.2.2元组(tuple)
    3.2.3集合(set)
    3.2.4字典(dict)
    3.3Python的程序控制
    3.3.1三种基本的编程结构简介
    3.3.2顺承结构
    3.3.3分支结构
    3.3.4循环结构
    3.4Python的函数与模块
    3.4.1Python的函数
    3.4.2Python的模块
    3.5Pandas读取结构化数据
    3.5.1读取数据
    3.5.2写出数据
    第4章描述性统计分析与绘图
    4.1描述性统计进行数据探索
    4.1.1变量度量类型与分布类型
    4.1.2分类变量的统计量
    4.1.3连续变量的分布与集中趋势
    4.1.4连续变量的离散程度
    4.1.5数据分布的对称与高矮
    4.2制作报表与统计制图
    4.3制图的步骤
    第5章数据整合和数据清洗
    5.1数据整合
    5.1.1行列操作
    5.1.2条件查询
    5.1.3横向连接
    5.1.4纵向合并
    5.1.5排序
    5.1.6分组汇总
    5.1.7拆分、堆叠列
    5.1.8赋值与条件赋值
    5.2数据清洗
    5.2.1重复值处理
    5.2.2缺失值处理
    5.2.3噪声值处理
    5.3RFM方法在客户行为分析上的运用
    5.3.1行为特征提取的RFM方法论
    5.3.2使用RFM方法计算变量
    5.3.3数据整理与汇报
    第6章数据科学的统计推断基础
    6.1基本的统计学概念
    6.1.1总体与样本
    6.1.2统计量
    6.1.3点估计、区间估计和中心极限定理
    6.2假设检验与单样本t检验
    6.2.1假设检验
    6.2.2单样本t检验
    6.3双样本t检验
    6.4方差分析(分类变量和连续变量关系检验)
    6.4.1单因素方差分析
    6.4.2多因素方差分析
    6.5相关分析(两连续变量关系检验)
    6.5.1相关系数
    6.5.2散点矩阵图
    6.6卡方检验(二分类变量关系检验)
    6.6.1列联表
    6.6.2卡方检验
    第7章客户价值预测:线性回归模型与诊断
    7.1线性回归
    7.1.1简单线性回归
    7.1.2多元线性回归
    7.1.3多元线性回归的变量筛选
    7.2线性回归诊断
    7.2.1残差分析
    7.2.2强影响点分析
    7.2.3多重共线性分析
    7.2.4小结线性回归诊断
    7.3正则化方法
    7.3.1岭回归
    7.3.2LASSO回归
    第8章Logistic回归构建初始信用评级
    8.1Logistic回归的相关关系分析
    8.2Logistic回归模型及实现
    8.2.1Logistic回归与发生比
    8.2.2Logistic回归的基本原理
    8.2.3在Python中实现Logistic回归
    8.3Logistic回归的极大似然估计
    8.3.1极大似然估计的概念
    8.3.2Logistics回归的极大似然估计
    8.4模型评估
    8.4.1模型评估方法
    8.4.2ROC曲线的概念
    8.4.3在Python中实现ROC曲线
    第9章使用决策树进行初始信用评级
    9.1决策树概述
    9.2决策树算法
    9.2.1ID3建树算法原理
    9.2.2C4.5建树算法原理
    9.2.3CART建树算法原理
    9.2.4决策树的剪枝
    9.3在Python中实现决策树
    9.3.1建模
    9.3.2模型评估
    9.3.3决策树的可视化
    9.3.4参数搜索调优
    第10章神经网络
    10.1神经元模型
    10.2单层感知器
    10.3BP神经网络
    10.4多层感知器的scikit-learn代码实现
    第11章分类器入门:最近邻域与朴素贝叶斯
    11.1KNN算法
    11.1.1KNN算法原理
    11.1.2在Python中实现KNN算法
    11.2朴素贝叶斯分类
    11.2.1贝叶斯公式
    11.2.2朴素贝叶斯分类原理
    11.2.3朴素贝叶斯的参数估计
    11.2.4在Python中实现朴素贝叶斯
    第12章高级分类器:支持向量机
    12.1线性可分与线性不可分
    12.2线性可分支持向量机
    12.2.1函数间隔和几何间隔
    12.2.2学习策略
    12.2.3对偶方法求解
    12.2.4线性可分支持向量机例题
    12.3线性支持向量机与软间隔优选化
    12.4非线性支持向量机与核函数
    12.4.1核函数
    12.4.2非线性支持向量机的学习
    12.4.3示例与Python实现
    12.5使用支持向量机的案例
    第13章连续变量的特征选择与转换
    13.1方法概述
    13.2主成分分析
    13.2.1主成分分析简介
    13.2.2主成分分析原理
    13.2.3主成分分析的运用
    13.2.4在Python中实现主成分分析
    13.3基于主成分的冗余变量筛选
    13.4因子分析
    13.4.1因子分析模型
    13.4.2因子分析算法
    13.4.3在Python中实现因子分析
    第14章客户分群与聚类
    14.1聚类算法概述
    14.2聚类算法基本概念
    14.2.1变量标准化与分布形态转换
    14.2.2变量的维度分析
    14.3聚类模型的评估
    14.4层次聚类
    14.4.1层次聚类原理
    14.4.2层次聚类在Python中的实现
    14.5基于划分的聚类
    14.5.1k-means聚类原理
    14.5.2k-means聚类
    ……

    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