机工 数据驱动:机器学习实战之道 牛亚运

-----
本书旨在帮助读者从零开始，系统掌握数据科学核心技术，并通过实战案例深化理解。本书共分为8章，包括数据科学技术简介，数据可视化技术，数据科学任务完整流程，初步探索性数据分析(EDA)，数据工程(数据分析+数据处理)，模型训练、评估与推理，模型发布、部署与监控，模型项目整体性分析、反思与优化，同时涵盖了数据采集、处理、可视化、建模及评估的全流程，配备详尽理论讲解与代码示例，助力读者在数据驱动的世界中游刃有余，解决实际问题，实现数据价值优化。本书相关代码可扫描封底二维码获得。 无论是想要转行数据科学的职场人士，还是对数据科学充满好奇的学生和爱好者，这本书都将是宝贵资源。
-----
前言 第1部分 数据科学技术实战 第1章 数据科学技术简介/ 1.1数据科学技术概述/ 1.2数据科学生命周期简介/ 1.2.1数据科学生命周期概述/ 1.2.2CRISP-DM模型简介/ 1.2.3TDSP模型简介/ 1.2.4五大模型对比与总结/ 第2章 数据可视化技术/ 2.1基础图简介及代码实现/ 2.1.1单维度可视化/ 2.1.2多维度可视化/ 2.1.3其他图的简介/ 2.2多图组合的简介及代码实现/ 2.2.1单关系图(Jointplot/JointGrid函数)/ 2.2.2多变量关系矩阵图(pairplot/PairGrid函数)/ 2.2.3数据分组矩阵图(FacetGrid函数)/ 2.3三维图简介及其代码实现/ 2.3.1三维散点图、三维柱状图、三维折线图/ 2.3.2三维标签图——八象空间三维图/ 2.4动态图简介及其代码实现/ 2.4.1动态趋势图/ 2.4.2动态轨迹图/ 2.5常用的图可视化相关库/ 2.5.1常用库的概述/ 2.5.2不同库的对比/ 第3章 数据科学任务完整流程/ 3.1数据科学任务流程概述/ 3.2问题定义/ 3.3数据认知/ 3.3.1数据认知概述/ 3.3.2数据收集/ 3.3.3数据渠道/ 3.3.4数据存储/ 3.3.5数据采样/ 3.3.6数据不均衡/ 3.3.7特征初筛/ 3.4机器学习核心流程/ 3.5决策支持/ 第2部分机器学习流程五大阶段详解 第4章 初步探索性数据分析(EDA)/ 4.1EDA概述/ 4.2载入数据/ 4.2.1载入数据概述/ 4.2.2载入数据代码实战/ 4.3初步概览数据集信息/ 4.3.1初步概览数据集信息概述/ 4.3.2初步概览数据集信息代码实战/ 4.4划分特征类型/ 4.4.1相关术语解释/ 4.4.2四大特征类型概述/ 4.4.3划分特征类型代码实战/ 4.5分离特征与标签/ 4.5.1分离特征与标签概述/ 4.5.2分离特征与标签代码实战/ 第5章 数据工程(数据分析+数据处理)/ 5.1数据工程概述/ 5.2数据清洗/ 5.2.1数据对齐——针对原生“类别型”特征/ 5.2.2缺失值的分析与处理/ 5.2.3异常值的分析与处理/ 5.2.4特殊值的分析与处理/ 5.3数据分析与处理/ 5.3.1数据分析与处理概述/ 5.3.2校验两份数据集是否同分布/ 5.3.3目标变量的分析与处理/ 5.3.4“类别型”特征分析与处理/ 5.3.5“数值型”特征分析与处理/ 5.3.6组合关联统计分析/ 5.4构造特征/ 5.4.1基于常识经验和领域知识构造特征/ 5.4.2基于纯技术构造特征/ 5.4.3基于业务规则和意义构造特征/ 5.4.4利用深度学习技术自动构造特征/ 5.4.5相关库和框架/ 5.5特征三化/ 5.5.1特征三化概述/ 5.5.2“数值型”特征归一化/ 5.5.3“类别型”特征编码化/ 5.5.4特征向量化/ 5.6优化特征集/ 5.6.1优化特征集概述/ 5.6.2特征删除/ 5.6.3特征筛选/ 5.6.4特征降维（狭义）/ 5.7特征导出(可选)/ 第6章 模型训练、评估与推理/ 6.1模型训练、评估与推理概述/ 6.2数据集划分/ 6.3模型选择与训练/ 6.3.1选择算法/ 6.3.2模型训练/ 6.4模型评估与调优/ 6.4.1模型评估/ 6.4.2模型调优/ 6.5模型预测结果剖析/ 6.5.1Bad-case分析/ 6.5.2特征重要性挖掘/ 6.6模型可解释性分析/ 6.6.1模型可解释相关图的简介/ 6.6.2模型可解释性分析代码实战/ 6.7模型导出并推理/ 6.7.1模型导出/ 6.7.2模型推理（基于无标签的新数据）/ 6.7.3模型导出并推理代码实战/ 第7章 模型发布、部署与监控/ 7.1模型发布、部署与监控概述/ 7.2模型发布/ 7.2.1模型发布概述/ 7.2.2模型发布代码实战/ 7.3模型部署/ 7.3.1模型部署概述/ 7.3.2模型部署的实现/ 7.3.3模型部署的流程/ 7.3.4模型部署代码实战/ 7.4模型监控/ 7.4.1模型监控概述/ 7.4.2模型监控常用工具/ 7.4.3模型监控代码实战/ 第8章 模型项目整体性分析、反思与优化/ 8.1模型项目整体性分析、反思与优化概述/ 8.2模型过拟合/欠拟合问题/ 8.2.1模型过拟合/欠拟合问题概述/ 8.2.2L1正则化和L2正则化对比/ 8.2.3模型过拟合/欠拟合问题代码实战/ 8.3数据层面优化/ 8.3.1数据层面优化概述/ 8.3.2数据增强/ 8.3.3数据稀疏及其优化/ 8.3.4数据泄露及其优化/ 8.3.5数据降内存/ 8.4算法层面优化/ 8.4.1算法层面优化概述/ 8.4.2单算法优化/ 8.4.3多算法模型融合——模型提效技巧点/ 8.5系统优化/ 8.5.1系统优化概述/ 8.5.2系统优化的常用思路和方法/ 8.5.3机器学习系统架构设计简介/ 8.6代码优化/ 8.6.1代码优化概述/ 8.6.2代码优化代码实战/

牛亚运 （网名：一个处女座的程序猿）机器学习和大模型算法专家，国内知名AI博主，入选“50位创业者和技术人”榜单，担任达摩院评测官及多个头部社区的专家博主。累计 获得20余项专业资质，包括AI认证、软件著作权、国家发明专利及国际期刊SCI等。AI领域粉丝超200万，文章浏览量突破6000万。

在数据驱动决策成为主流的当下，无论是想入行数据科学的 “萌新”，还是渴望提升技能的从业者，都急需一本系统全面的实战指南。《数据驱动：机器学习实战之道》正是这样一本佳作，它将带领你开启数据科学的进阶之旅。 本书的亮点在于其系统性与实战性的完美结合。全书围绕数据科学全流程展开，从数据科学技术基础概念引入，到数据可视化、任务完整流程，再深入机器学习流程五大阶段详解，内容环环相扣。每一个知识点都搭配了详尽的理论讲解与 Python 3.9.20 代码实例，让读者能够边学边练，真正将知识转化为解决实际问题的能力。例如，在数据可视化章节，书中不仅介绍了基础图、多图组合、三维图、动态图等多种可视化技术，还对常用的可视化库进行了细致对比，读者可以根据实际需求快速选择合适的工具，将枯燥的数据转化为直观易懂的图表。 在技术介绍方面，本书同样表现出色。对于 CRISP-DM 和 TDSP 等常见的数据科学生命周期模型，书中不仅进行了详细介绍，还深入对比了它们的优缺点，为读者在实际项目规划中提供了有力参考。在机器学习流程讲解中，从初步探索性数据分析、数据工程，到模型训练、评估与推理，再到模型发布、部署与监控，每一个环节都剖析得十分透彻。以数据工程为例，对数据清洗中缺失值、异常值处理，以及特征工程中特征构造、特征三化等技术细节的讲解，能够帮助读者有效提升模型性能。 当模型项目进入收尾阶段，《数据驱动：机器学习实战之道》也没有止步。第 8 章专门针对模型项目进行整体性分析、反思与优化，无论是模型过拟合 / 欠拟合问题，还是数据层面、算法层面、系统层面以及代码层面的优化，书中都给出了实用的解决方案和代码实战示例，助力读者打造出更高效、更优质的模型项目。 无论你是想要转行数据科学的职场人士，渴望在新领域一展身手；还是对数据科学充满好奇的学生和爱好者，希望深入探索这个充满魅力的领域，《数据驱动：机器学习实战之道》都能成为你坚实的学习伙伴。

1