*章 绪论 6
1.1数据科学概述 6
1.2 数据科学的建模流程 8
1.3 Python语言开发环境与库入门 12
1.3.1 开发环境 12
1.3.2 Python基本语法 15
1.3.3 Python常用库和功能 16
1.4本书内容介绍 19
第二章 回归模型 21
2.1概述 21
2.2线回归 22
2.2.1 一元线回归 22
2.2.2 多元线回归 25
.线回归案例 28
..1儿童体表面积预测 28
..2波士顿房价因素分析 32
附录：scikit-learn库中的LinearRegression 34
2.4逻辑回归 35
2.4.1 逻辑回归模型 35
2.4.2 逻辑回归方程中回归系数的估计及含义 37
2.4.3 逻辑回归方程的统计检验 38
2.5逻辑回归案例 40
2.5.1预测 40
2.5.2鸢尾花分类 42
附录：scikit-learn库中的LogisticsRegression 44
第三章 聚类模型 46
3.1概述 46
3.1.1聚类分析概述 46
3.1.2基于距离的聚类相似度 49
3.2 K-means聚类 50
3.2.1 K-means聚类算法 50
3.2.2 K-means聚类实例 51
3.. K-means聚类的优缺点 56
3.3 密度聚类 56
3.3.1 DBSCAN密度定义 56
3.3.2 DBSCAN聚类算法 56
3.3.3 DBSCAN聚类的优缺点 57
3.4 层次聚类 57
3.4.1系统聚类 58
3.4.2 DIANA算法 64
3.4.3 层次聚类算法的优缺点 67
3.5 案例 67
3.5.1 一个二维数据集聚类 67
3.5.2一个居民家庭情况案例 69
3.5.3一个医疗建设评价案例 75
附录：scikit-learn库中的KMeans 77
第四章 关联规则 80
4.1 概述 80
4.1.1 问题概述 80
4.1.2 关联规则概述 80
4.1.3 关联分析的基本概念 81
4.2 Apriori算法 84
4.3 基于Apriori算法的改进算法 88
4.4 FP-Growth算法 90
4.5 关联规则案例 94
4.5.1一个销售记录的关联分析案例 94
4.5.2商品购买记录分析 98
4.5.3电影 100
第五章 决策树 104
5.1概述 104
5.1.1 决策树基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 3算法 107
5.2.1基本思想 107
5.2.2 3算法应用实例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基于信息增益率建模的决策树 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基于CART算法建模的决策树 115
5.5 决策树的剪枝 117
5.6 案例 121
5.6.1泰尼号乘客幸存预测 121
5.6.2乳腺癌诊断 125
附录：scikit-learn库中的DecisionTreeClassifier 129
第六章 支持向量机 132
6.1概述 132
6.2线支持向量机 132
6.2.1 硬间隔线支持向量机 133
6.2.2 软间隔线支持向量机 135
6.3非线支持向量机 138
6.3.1特征空间硬间隔支持向量机 140
6.3.2特征空间软间隔支持向量机 141
6.4 支持向量机的求解和多分类问题 142
6.4.1 支持向量机的求解 142
6.4.2 多分类问题 142
6.5新闻文本分类案例 144
附录：scikit-learn库中的SVM 147
第七章 贝叶斯网络 150
7.1概述 150
7.1.1 贝叶斯网络定义 150
7.1.2 贝叶斯网络的知识推理模式 151
7.1.3 贝叶斯网络建立的主要步骤 151
7.1.4贝叶斯网络的结构学习 152
7.1.5 贝叶斯网络的参数学习 153
7.1.6 主要贝叶斯网络模型 156
7.2 朴素贝叶斯网络 156
7.3 TAN贝叶斯网络 162
7.4 无约束贝叶斯网络 167
7.5 朴素贝叶斯进行垃圾邮件过滤 170
附录 scikit-learn库中的Naive-Bayes分类 174
第八章 深度学习 176
8.1概述 176
8.1.1 深度学习的发展历史 176
8.1.2 神经网络的基本模型 176
8.2多层感知机 180
8.2.1感知机 180
8.2.2多层感知机 184
8.3卷积神经网络 190
8.3.1基本网络结构 191
8.3.2反向传播训练算法 192
8.3.3 AlexNet网络结构 193
8.4循环神经网络 194
8.4.1基本网络结构 195
8.4.2反向传播训练算法 195
8.4.3长短时间记忆单元 196
8.5 构建卷积神经网络模型对CIFR图数据集分类 197
附录：TensorFlow基本用法 203
参考文献 207
本书内容分为八章，基本涵盖了目前较为常用的数据科学建模方法，包括现在热门的深度学习。书中不仅介绍模型的理论基础，还以大量案例结合现实数据为读者展示了数据分析中常见任务的处理流程，如分类、回归、聚类、、图片识别等，帮读者应用这些模型和方法解决实际问题。
章首先对数据科学的任务和重要进行了概述，接着介绍数据科学的建模流程以及Python语言开发环境与常用库；
第二章介绍了回归模型，包括线回归和逻辑回归模型；
第三章介绍了聚类模型，包括k-means算法、DBSCAN算法和DIANA算法；
第四章介绍了关联规则分析，包括Apriori算法和FP-Growth算法；
第五章介绍了决策树模型，包括3、C4.5和CART算法及树的剪枝方法；
第六章介绍了支持向量机，包括线和非线支持向量机以及向量机的求解与多分类问题；
第七章介绍了贝叶斯网络，包括朴素贝叶斯、TAN贝叶斯和无约束贝叶斯；
第八章介绍了深度学习，包括卷积神经网络和循环神经网络。材，整理编撰了本实验指导教材，以供嵌入式系统课程的实验教学之用。
目前的嵌入式系统主要分为跑操作系统和不跑操作系统两种类型，本实验指导教材侧重于种类型，全书以Linux为操作系统，重点讲述了Linux基本命令、Linux下的程序开发、Linux下字符型驱动程序开发、Linux按键中断程序、Linux网络应用开发以及Linux内核定制等相关内容，为学生动手实践嵌入式Linux系统开发提供指导和帮，力求把学生学习时的挫折感降至低。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
