电子书
内容简介
本书共9章，主要内容包括数据科学概述、Python基础知识、Python数据科学常用库、Python数据获取、Python数据分析、Python数据挖掘、Python文本挖掘、深度学习基础、深度学习应用。
章节目录
- 基 础 篇
- 第1 章数据科学概述
- 1.1 什么是数据科学
- 1.2 如何学习数据科学
- 1.3 什么是数据科学家
- 1.4 数据科学家需要掌握的技能
- 1.5 Python 与数据科学
- 1.6 数据科学领域常用的Python 包
- 1.7 时代宠儿——深度学习
- 本章小结
- 习题
- 第2章Python 基础知识
- 2.1 Python 介绍
- 2.1.1 Jupyter Notebook 简介及使用
- 2.1.2 Python 基本概念
- 2.1.3 输入和输出
- 2.1.4 运算符
- 2.2 常见数据结构和基本语句
- 2.2.1 序列
- 2.2.2 字典
- 2.2.3 集合
- 2.3 函数和模块
- 2.3.1 函数
- 2.3.2 模块
- 2.4 异常处理
- 2.4.1 什么是异常
- 2.4.2 常见异常
- 2.4.3 捕捉异常
- 2.5 文件读写
- 2.5.1 编码
- 2.5.2 读取文本文件
- 2.5.3 Word 文件与Excel 文件的读取
- 2.6 Python 范儿编程
- 2.6.1 解析式
- 2.6.2 三元表达式
- 2.6.3 花样传参：zip()函数与星号（*）操作
- 本章小结
- 习题
- 第3章Python 数据科学常用库
- 3.1 Python 数据分析概述
- 3.2 NumPy 数值计算
- 3.2.1 NumPy 基础简介
- 3.2.2 NumPy 基础用法简介
- 3.2.3 NumPy 数据分析常用函数简介
- 3.3 Pandas 基础知识
- 3.3.1 Series 介绍及其基本操作
- 3.3.2 DataFrame 介绍及其基本操作
- 3.4 Pandas 数据预处理
- 3.4.1 数据合并
- 3.4.2 数据清洗
- 3.4.3 数据标准化
- 3.4.4 数据转换
- 3.5 Pandas 数据分析基础
- 3.5.1 分层索引
- 3.5.2 Pandas 常用函数介绍
- 3.5.3 分组
- 3.5.4 整形和旋转
- 3.6 Matplotlib 数据可视化
- 3.6.1 Matplotlib 简介
- 3.6.2 Matplotlib 绘图基础简介
- 3.6.3 常用统计图绘制简介
- 本章小结
- 习题
- 分 析 篇
- 第4章Python 数据获取
- 4.1 数据及其类型
- 4.1.1 属性与属性类型
- 4.1.2 数据类型
- 4.2 数据获取方法
- 4.2.1 从文件中获取数据
- 4.2.2 从数据库中获取数据
- 4.2.3 从网络接口获取数据
- 4.2.4 从网页抓取数据
- 4.3 网络爬虫
- 4.3.1 爬虫简介及爬虫流程
- 4.3.2 发起请求
- 4.3.3 获取响应内容
- 4.3.4 解析内容
- 4.3.5 Selenium
- 本章小结
- 习题
- 第5章Python 数据分析
- 5.1 数据分析基础
- 5.1.1 对比分析
- 5.1.2 分组分析
- 5.1.3 结构分析
- 5.1.4 分布分析
- 5.1.5 交叉分析
- 5.2 描述性统计分析
- 5.2.1 数据集中趋势分析
- 5.2.2 数据离散程度分析
- 5.2.3 数据分布形态分析
- 5.2.4 相关分析
- 5.2.5 基于Seaborn 的数据可视化分析
- 5.3 主成分分析
- 5.3.1 主成分分析原理简介
- 5.3.3 Python 实现主成分分析
- 5.4 回归分析
- 5.4.1 简单线性回归分析
- 5.4.2 多元线性回归分析
- 本章小结
- 习题
- 挖 掘 篇
- 第6章Python 数据挖掘
- 6.1 Python 数据挖掘概述
- 6.1.1 数据挖掘方法分类及常用方法
- 6.1.2 使用Scikit-learn 构建数据挖掘模型
- 6.2 分类预测：决策树算法
- 6.2.1 分类算法
- 6.2.2 决策树算法
- 6.2.3 决策树分枝
- 6.2.4 决策树剪枝
- 6.2.5 分类算法评估
- 6.2.6 决策树的Python 实现
- 6.3 朴素贝叶斯
- 6.3.1 贝叶斯简介
- 6.3.2 构建朴素贝叶斯模型
- 6.3.3 朴素贝叶斯的Python 实现
- 6.4 人工神经网络
- 6.4.1 人工神经网络简介
- 6.4.2 神经元与激活函数
- 6.4.3 前馈神经网络
- 6.4.4 反向传播机制
- 6.4.5 神经网络的Python 实现
- 6.5 集成学习
- 6.5.1 集成学习简介
- 6.5.2 装袋法的代表——随机森林
- 6.5.3 提升法的代表——XGBoost
- 6.6 关联分析
- 6.6.1 关联分析概述
- 6.6.2 Apriori 算法
- 6.6.3 FP-Growth 算法
- 6.7 聚类分析
- 6.7.1 聚类分析概述
- 6.7.2 常用聚类算法
- 6.7.3 聚类算法的Python 实现
- 本章小结
- 习题
- 第7章Python 文本挖掘
- 7.1 文本挖掘概述
- 7.1.1 文本挖掘的定义
- 7.1.2 Python 中的文本挖掘包
- 7.1.3 文本挖掘的过程
- 7.1.4 文本挖掘的应用
- 7.2 Python 文本特征提取
- 7.2.1 中文分词与词云
- 7.2.2 特征词量化与文本特征提取
- 7.2.3 文本表示
- 7.3 文本分类
- 7.3.1 文本分类概述
- 7.3.2 文本分类的Python 实现
- 7.4 文本情感分析
- 7.4.1 情感分析概述
- 7.4.2 情感分析的具体应用和示例
- 7.5 主题模型
- 7.5.1 主题模型简介
- 7.5.2 主题模型在文本语义挖掘中的应用
- 本章小结
- 习题
- 深度学习篇
- 第8章深度学习基础
- 8.1 深度学习概述
- 8.1.1 机器学习与深度学习
- 8.1.2 深度学习的发展
- 8.1.3 深度学习框架
- 8.2 PyTorch 概述
- 8.2.1 PyTorch 简介
- 8.2.2 PyTorch 安装
- 8.3 PyTorch 基础
- 8.3.1 Tensor
- 8.3.2 Variable
- 8.3.3 优化器
- 8.3.4 PyTorch 与NumPy
- 8.4 卷积神经网络
- 8.4.1 卷积神经网络简介
- 8.4.2 二维卷积运算的基础
- 8.4.3 二维卷积运算的填充与步长
- 8.4.4 三维卷积运算
- 8.4.5 其他卷积神经网络组件
- 8.5 循环神经网络
- 8.5.1 RNN 的结构
- 8.5.2 RNN 存在的问题
- 8.5.3 LSTM
- 8.5.4 GRU
- 8.6 CNN 与RNN 的PyTorch 实现
- 8.6.1 卷积层
- 8.6.2 池化层
- 8.6.3 全连接层
- 8.6.4 RNN
- 8.6.5 LSTM
- 本章小结
- 习题
- 第9章深度学习应用
- 9.1 图片分类与迁移学习
- 9.1.1 迁移学习与传统模型
- 9.1.2 图片分类的经典案例
- 9.1.3 PyTorch 实现DenseNet
- 9.2 命名实体识别
- 9.2.1 命名实体识别基础
- 9.2.2 PyTorch 实现命名实体识别
- 本章小结
- 习题
- 参考文献
展开全部
Python数据科学基础与实践是2021年由人民邮电出版社出版,作者编著。
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《Python数据科学基础与实践》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
