电子书
内容简介
本书共7章，主要介绍数据科学的基础理论、统计学与模型、机器学习与算法、数据可视化、数据加工、大数据技术、数据产品开发及数据科学中的人文与管理等内容。
章节目录
- A-FY
- 数据科学导论—基于Python语言 （微课版）
- 54820-bq
- C-bwh
- 编委会
- D-xu
- 推荐序
- E-qy
- 前言
- F-ML
- 目录
- 01
- 数据科学的基础理论
- 第1章
- 1.1 为什么要学习数据科学
- 1.2 数据科学的定义
- 1.3 数据科学的知识体系
- 1.4 数据科学的基本流程
- 1.5 数据科学与其他学科的区别
- 1.5.1 学科定位
- 1.5.2 研究视角
- 1.5.3 研究范式
- 1.6 数据科学的人才类型
- 1．数据科学家
- 2．数据工程师
- 3．数据分析师
- 1.7 数据科学的常用工具
- 1．Python在数据科学中应用的优缺点
- 2．Python和R的对比分析
- 3．Python和R在数据科学中广泛应用的原因
- 1.8 数据科学的相关应用
- 1．医学领域
- 2．零售领域
- 3．建筑领域
- 4．银行领域
- 5．交通领域
- 6．自动驾驶与机器翻译领域
- 1.9 继续学习本章知识
- 1．学术期刊
- 2．国际会议
- 3．研究机构
- 4．课程资源
- 5．硕士学位项目
- 6．专家学者
- 7．相关工具
- 习 题
- 一、选择题
- 二、调研与分析题
- 02
- 统计学与模型
- 第2章
- 2.1 统计学与数据科学
- 2.1.1 描述统计与推断统计
- 1．描述统计
- 2．推断统计
- 2.1.2 基本分析法和元分析法
- 1．基本分析法
- 2．元分析法
- 2.2 统计方法的选择思路
- 2.3 数据划分及准备方法
- 2.3.1 自变量与因变量
- 2.3.2 数据抽样
- 1．概率抽样
- 2．非概率抽样
- 2.4 参数估计与假设检验
- 2.4.1 参数估计
- 1．点估计
- 2．区间估计
- 2.4.2 假设检验
- 2.5 常用统计方法及选择
- 2.5.1 相关分析
- 2.5.2 回归分析
- 2.5.3 方差分析
- 2.5.4 分类分析
- 1．决策树
- 2．贝叶斯网络
- 3．KNN算法
- 2.5.5 聚类分析
- 1．分层聚类
- 2．k-means聚类
- 3．DBSCAN聚类
- 2.5.6 时间序列分析
- 2.5.7 关联规则分析
- 2.6 统计学面临的挑战
- 2.7 Python编程实践
- Step 1：数据读取
- Step 2：数据理解
- Step 3：数据准备
- Step 4：模型类型的选择与超级参数的设置
- Step 5：训练具体模型及查看其统计量
- Step 6：拟合优度评价
- Step 7：建模前提假定的讨论
- Step 8：模型的应用
- 2.8 继续学习本章知识
- 习 题
- 一、选择题
- 二、调研与分析题
- 03
- 机器学习与算法
- 第3章
- 3.1 数据科学与机器学习
- 3.2 机器学习的应用步骤
- 1．数据理解
- 2．数据准备
- 3．模型训练
- 4．模型评估
- 5．模型优化与重新选择
- 6．模型应用
- 3.3 数据划分及准备方法
- 3.4 算法类型及选择方法
- 1．有监督学习
- 2．无监督学习
- 3．半监督学习
- 3.5 模型的评估方法
- 1．学习曲线
- 2．混淆矩阵
- 3．ROC曲线与AUC面积
- 3.6 机器学习面临的挑战
- 1．算法的可解释性
- 2．过拟合
- 3．维度灾难（Curse of Dimensionality）
- 4．特征工程（Feature Engineering）
- 5．算法的可扩展性（Scalability）
- 6．模型集成
- 3.7 Python编程实践
- Step 1：数据读取
- Step 2：数据理解
- Step 3：数据准备
- Step 4：算法选择及其超级参数的设置
- Step 5：具体模型的训练
- Step 6：用模型进行预测
- Step 7：模型评估
- Step 8：模型的应用与优化
- 3.8 继续学习本章知识
- 习 题
- 一、选择题
- 二、调研与分析题
- 04
- 数据可视化
- 第4章
- 4.1 数据科学与数据可视化
- 4.2 数据可视化的基本原则
- 1．忠于原始数据
- 2．尊重目标用户
- 3．突出重点
- 4．强调用户体验
- 5．具备较高的信度和效度
- 4.3 视觉编码与数据类型
- 1．视觉编码
- 2．数据类型
- 4.4 可视分析学
- 1．强调数据到知识的转换过程
- 2．强调可视化分析与自动化建模之间的相互作用
- 3．强调数据映射和数据挖掘的重要性
- 4．强调数据加工活动的必要性
- 5．强调人机交互的重要性
- 4.5 常用统计图表
- 1．饼图
- 2．箱线图
- 3．散点图
- 4．维恩图
- 5．热地图
- 6．等值线
- 7．雷达图
- 4.6 数据可视化的发展趋势
- 1．从通用技术到专业化技术的过渡
- 2．从无交互到可交互的过渡
- 3．从人工处理到人机协同处理的过渡
- 4．从单媒体到富媒体的过渡
- 5．从信息可视化到可视分析学的过渡
- 6．从重视结果到重视过程的过渡
- 7．从小数据到大数据的过渡
- 4.7 Python编程实践
- Step 1：数据准备
- Step 2：导入Python包
- Step 3：可视化绘图
- 4.8 继续学习本章知识
- 习 题
- 一、选择题
- 二、调研与分析题
- 05
- 数据加工
- 第5章
- 5.1 数据科学与数据加工
- 5.2 探索性数据分析
- 1．耐抗性分析
- 2．残差分析
- 3．重新表达
- 4．启示
- 5.3 数据大小及标准化
- 1．0-1标准化
- 2．z-score标准化
- 5.4 缺失数据及其处理方法
- 5.5 噪声数据及其处理方法
- 5.5.1 离群点处理
- 5.5.2 分箱处理
- 5.6 数据维度及其降维处理方法
- 5.6.1 特征选择
- 1．过滤法
- 2．包裹法
- 3．嵌入法
- 5.6.2 主成分分析
- 5.7 数据脱敏及其处理方法
- 1．单向性
- 2．无残留
- 3．易于实现
- 5.8 数据形态及其规整化方法
- 5.9 Python编程实践
- Step 1：数据读取
- Step 2：探索性分析
- Step 3：缺失值处理
- Step 4：数据排序
- Step 5：分组统计
- Step 6：条件过滤
- Step 7：标准化处理
- 5.10 继续学习本章知识
- 1．数据质量要求
- 2．数据计算要求
- 习 题
- 一、选择题
- 二、调研与分析题
- 06
- 大数据技术
- 第6章
- 6.1 数据科学与大数据技术
- 6.2 Hadoop生态系统
- 1．Hadoop MapReduce
- 2．HDFS
- 3．HBase
- 4．Hive
- 5．Pig
- 6．Mahout
- 7．ZooKeeper
- 8．Flume
- 9．Sqoop
- 6.3 大数据计算技术与Spark
- 6.3.1 大数据计算与Lambda架构
- 6.3.2 Spark的出现及其特点
- 1．速度快
- 2．通用性
- 3．易用性
- 6.3.3 Spark的计算流程
- 6.3.4 Spark的关键技术
- 1．RDD
- 2．调度机制
- 3．存储模块
- 4．Spark Shuffle
- 6.4 大数据管理技术与MongoDB
- 1．传统数据管理技术
- 2．新兴数据管理技术
- 6.4.1 关系数据库及其优缺点
- 1．关系数据库的核心技术
- 2．关系数据库的优缺点
- 6.4.2 NoSQL及其数据模型
- 6.4.3 CAP理论与BASE原则
- 1．CAP理论
- 2．BASE原则
- 6.4.4 分片技术与复制技术
- 1．分片
- 2．复制
- 6.4.5 MongoDB
- 1．MongoDB的优点
- 2．MongoDB的缺点
- 3．MongoDB的数据组织方式
- 4．MongoDB的操作方法
- 6.5 大数据分析技术
- 6.5.1 Analytics 3.0
- 1．Analytics 1.0
- 2．Analytics 2.0
- 3．Analytics 3.0
- 6.5.2 Gartner分析学价值扶梯模型
- 6.5.3 数据分析中的陷阱
- 6.6 Python编程实践
- Step1：创建SparkSession
- Step 2：数据读取
- Step 3：数据理解
- Step 4：数据准备
- Step 5：模型训练
- Step 6：模型评估
- Step 7：模型应用
- 6.7 继续学习本章知识
- 1．大数据技术的可扩展性
- 2．大数据的实时处理
- 3．大数据技术的多样性
- 4．统一分析
- 习 题
- 一、选择题
- 二、调研与分析题
- 07
- 数据产品开发及数据科学中的人文与管理
- 第7章
- 7.1 数据产品开发及数据科学的人文与管理属性
- 7.2 数据产品及开发
- 1．数据产品研发的特征
- 2．数据产品研发与数据柔术
- 7.3 数据科学的项目管理
- 7.3.1 数据科学项目中的主要角色
- 7.3.2 数据科学项目中的主要活动
- 1．项目目标的定义
- 2．数据的获得与管理
- 3．模式/模型的洞见
- 4．模式/模型的验证和优化
- 5．结果的可视化与文档化
- 6．模式/模型的应用及维护
- 7.4 数据能力
- 7.4.1 关键过程域
- 1．数据管理战略
- 2．数据治理
- 3．数据质量
- 4．数据操作
- 5．平台与架构
- 6．辅助性过程
- 7.4.2 成熟度等级
- 1．已执行级（Performed Level）
- 2．已管理级（Managed Level）
- 3．已定义级（Defined Level）
- 4．已测量级（Measured Level）
- 5．已优化级（Optimized Level）
- 7.4.3 成熟度评价
- 7.5 数据治理
- 7.5.1 主要内容
- 7.5.2 基本过程
- 7.5.3 参考框架
- 7.6 数据安全
- 1．数据安全只是技术问题
- 2．数据安全的主要威胁是外部入侵
- 3．数据安全等同于数据保密
- 7.6.1 信息系统安全等级保护
- 7.6.2 P2DR模型
- 7.7 数据偏见
- 7.7.1 数据来源选择偏见
- 7.7.2 数据加工和准备偏见
- 7.7.3 算法与模型选择偏见
- 7.7.4 分析结果的解读和呈现上的偏见
- 7.8 数据伦理与道德
- 1．算法歧视
- 2．数据攻击
- 3．隐私保护
- 7.9 继续学习本章知识
- 习 题
- 一、选择题
- 二、调研与分析题
- 08-sl
- 术语索引
- 附录D
- A
- B
- C
- D
- F
- G
- H
- J
- K
- L
- M
- N
- O
- P
- Q
- R
- S
- T
- W
- X
- Y
- Z
- 09-ck
- 参考文献
- 附录D
展开全部
数据科学导论——基于Python语言（微课版）是2021年由人民邮电出版社出版,作者朝乐门。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《数据科学导论——基于Python语言（微课版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
电子书
电子书