译者序
原书前言
作者和贡献者简介
章 数据科学概述 // 1
1.1 什么是数据科学 //1
1.2 关于本书 //2
第2章 数据专家的工具箱 //4
2.1 引言 // 4
2.2 为什么选择Python // 4
. 数据专家的基本Python库 // 5
..1 数值和科学计算：NumPy和SciPy // 5
..2 Scikit-learn：Python中的机器学习库 // 5
.. Pandas：Python数据分析库 // 5
2.4 数据科学生态系统的安装 // 6
2.5 集成开发环境 // 6
2.5.1 网络集成开发环境：Jupyter // 7
2.6 数据专家从Python开始 // 7
2.6.1 读取 // 11
2.6.2 选择数据 // 13
2.6.3 筛选数据 // 14
2.6.4 筛选缺失的数据 // 15
2.6.5 处理数据 // 15
2.6.6 排序 // 19
2.6.7 分组数据 // 20
2.6.8 重排数据 // 21
2.6.9 对数据进行排名 // 22
2.6.10 绘图 //
2.7 小结 // 24
第3章 描述统计学 // 25
3.1 引言 // 25
3.2 数据准备 // 25
3.2.1 Adult数据集示例 // 26
3.3 探索数据分析 // 28
3.3.1 汇总数据 // 28
3.3.2 数据分布 // 31
3.3.3 离群点的处理 // 33
3.3.4 测量不对称：偏度和皮尔逊中值偏度系数 // 36
3.3.5 连续分布 // 38
3.3.6 核密度 // 39
3.4 估计 // 41
3.4.1 样本和估计均值、方差和标准记分 // 41
3.4.2 协方差、皮尔逊相关和斯皮尔曼秩相关 // 42
3.5 小结 // 44
参考文献 // 45
第4章 统计推断 // 46
4.1 引言 // 46
4.2 统计推断：频率论方法 // 46
4.3 测量估计的差异 // 47
4.3.1 点估计 // 47
4.3.2 置信区间 // 50
4.4 设检验 // 53
4.4.1 用置信区间检验设 // 53
4.4.2 使用p值检验设 // 55
4.5 效应E是真实的吗 // 57
4.6 小结 // 57
参考文献 // 58
第5章 监督学习 // 59
5.1 引言 // 59
5.2 问题 // 60
5.3 步 // 60
5.4 什么是学习？ // 69
5.5 学习曲线 // 70
5.6 训练、验和测试 // 73
5.7 两种学习模型 // 76
5.7.1 学习三要素 // 76
5.7.2 支持向量机 // 77
5.7.3 随机森林 // 79
5.8 结束学习过程 // 80
5.9 商业案例 // 81
5.10 小结 // 83
参考文献 // 83
第6章 回归分析 // 84
6.1 引言 // 84
6.2 线回归 // 84
6.2.1 简单线回归 // 85
6.2.2 多元线回归和多项式回归 // 90
6.. 稀疏模型 // 90
6.3 逻辑斯蒂回归 // 97
6.4 小结 // 99
参考文献 // 99
第7章 无监督学习 // 100
7.1 引言 // 100
7.2 聚类 // 100
7.2.1 相似度和距离 // 101
7.2.2 什么是一个好的聚类？定义衡量聚类质量的度量 // 101
7.. 聚类技术的分类标准 // 104
7.3 案例学习 // 113
7.4 小结 // 118
参考文献 // 119
第8章 网络分析 // 120
8.1 引言 // 120
8.2 图的基本定义 // 121
8.3 社交网络分析 // 122
8.3.1 NetworkX基础 // 122
8.3.2 实际案例：Facebook数据集 // 1
8.4 中心 // 125
8.4.1 在图中绘制中心 // 130
8.4.2 PageRank // 132
8.5 自我网络 // 134
8.6 社区发现 // 138
8.7 小结 // 139
参考文献 // 139
第9章 系统 // 140
9.1 引言 // 140
9.2 系统如何工作？ // 140
9.2.1 基于内容的过滤 // 141
9.2.2 协作过滤 // 141
9.. 混合系统 // 141
9.3 建模用户偏好 // 142
9.4 评估系统 // 142
9.5 实际案例 // 143
9.5.1 MovieLens数据集 // 143
9.5.2 基于用户的协作过滤 // 145
9.6 小结 // 153
参考文献 // 153
0章 用于情感分析的统计自然语言处理 // 154
10.1 引言 // 154
10.2 数据清洗 // 155
10.3 文本表示 // 158
10.3.1 二元组和n元组 // 163
10.4 实际案例 // 163
10.5 小结 // 168
参考文献 // 168
1章 并行计算 // 169
11.1 引言 // 169
11.2 架构 // 170
11.2.1 入门指南 // 171
11.2.2 连接到集群（引擎）// 171
11.3 多核编程 // 172
11.3.1 引擎的直接视图 // 172
11.3.2 引擎的负载均衡视图 // 175
11.4 分布式计算 // 176
11.5 实际应用：纽约出租车旅行 // 177
11.5.1 直接视图非阻塞方案 // 178
11.5.2 实验结果 // 180
11.6 小结 // 182
参考文献 // 182
Laura Igual博士是巴塞罗那大学数学和计算机科学系的副教授。她于2000年获得西班牙瓦伦西亚大学的数学，并于2006年获得西班牙庞培法布拉大学的博士。她的研究领域包括计算机视觉、医学成像、机器学习和数据科学。
Santi Seguí博士是巴塞罗那大学数学和计算机科学系的理教授。自2007年起，他担任了西班牙巴塞罗那自治大学的计算机科学。他于2011年获得西班牙巴塞罗那大学的博士。他的研究领域包括计算机视觉、应用机器学习和数据科学。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
