相關商品
商品簡介
目次
商品簡介
本書共19章，第1章介紹數據科學中涉及的基本領域；第2～3章介紹與數據工作緊密相關的Python語言基礎；第4章講解描述性統計分析在宏觀業務領域的分析；第5章講解數據規整、清洗的重要技能；第6章介紹數據科學領域實用的四大統計檢驗；第7章講解當被解釋變量為連續變量時，如何使用線性回歸作預測；第8章講解使用邏輯回歸作評分卡模型；第9章講解另外一個可解釋模型――決策樹。第10～12章分別講解了BP神經網絡、樸素貝葉斯、近鄰域、支持向量機的原理和在決策類模型中的運用；第13～14章作為一個整體講解商業分析場景下的信息壓縮；第15章以產品推薦作為案例，講解發現事件與事件伴生關係的關聯分析和序列分析算法；第16章使用欺詐識別案例講解當被解釋變量分佈極 端不平衡時的處理方法；第17章繼續使用欺詐識別案例講解集成學習算法；第18章講解了使用效應分解和ARIMA方法實現宏觀業務指標預測；第19章用案例展現了分類和聚類模型的CRISP-DM和SEMMA流程。
目次
目錄
前言
第1章數據科學家的武器庫
1.1數據科學的基本概念
1.2數理統計技術
1.2.1描述性統計分析
1.2.2統計推斷與統計建模
1.3數據挖掘的技術與方法
1.4描述性數據挖掘算法示例
1.4.1聚類分析――客戶細分
1.4.2關聯規則分析
1.5預測性數據挖掘算法示例
1.5.1決策樹
1.5.2KNN算法
1.5.3Logistic回歸
1.5.4神經網絡
1.5.5支持向量機
1.5.6集成學習
1.5.7預測類模型講解
1.5.8預測類模型評估概述
第2章Python概述
2.1Python概述
2.1.1Python簡介
2.1.2Python與數據科學
2.1.3Python2與Python3
2.2Anaconda Python的安裝、使用
2.2.1下載與安裝
2.2.2使用Jupyter Notebook
2.2.3使用Spyder
2.2.4使用conda或pip管理
第三方庫
第3章數據科學的Python編程基礎
3.1Python的基本數據類型
3.1.1字符串(str)
3.1.2浮點數和整數（float、int）
3.1.3布爾值（Bool：True/False）
3.1.4其他
3.2Python的基本數據結構
3.2.1列表（list）
3.2.2元組（tuple）
3.2.3集合（set）
3.2.4字典（dict）
3.3Python的程序控制
3.3.1三種基本的編程結構簡介
3.3.2順承結構
3.3.3分支結構
3.3.4循環結構
3.4Python的函數與模塊
3.4.1Python的函數
3.4.2Python的模塊
3.5Pandas讀取結構化數據
3.5.1讀取數據
3.5.2寫出數據
第4章描述性統計分析與繪圖
4.1描述性統計進行數據探索
4.1.1變量度量類型與分佈類型
4.1.2分類變量的統計量
4.1.3連續變量的分佈與集中趨勢
4.1.4連續變量的離散程度
4.1.5數據分佈的對稱與高矮
4.2製作報表與統計製圖
4.3製圖的步驟
第5章數據整合和數據清洗
5.1數據整合
5.1.1行列操作
5.1.2條件查詢
5.1.3橫向連接
5.1.4縱向合併
5.1.5排序
5.1.6分組匯總
5.1.7拆分、堆疊列
5.1.8賦值與條件賦值
5.2數據清洗
5.2.1重複值處理
5.2.2缺失值處理
5.2.3噪聲值處理
5.3RFM方法在客戶行為分析上的運用
5.3.1行為特徵提取的RFM方法論
5.3.2使用RFM方法計算變量
5.3.3數據整理與彙報
第6章數據科學的統計推斷基礎
6.1基本的統計學概念
6.1.1總體與樣本
6.1.2統計量
6.1.3點估計、區間估計和中心極限定理
6.2假設檢驗與單樣本t檢驗
6.2.1假設檢驗
6.2.2單樣本t檢驗
6.3雙樣本t檢驗
6.4方差分析（分類變量和連續變量關係檢驗）
6.4.1單因素方差分析
6.4.2多因素方差分析
6.5相關分析（兩連續變量關係檢驗）
6.5.1相關係數
6.5.2散點矩陣圖
6.6卡方檢驗（二分類變量關係檢驗）
6.6.1列聯表
6.6.2卡方檢驗
第7章客戶價值預測：線性回歸模型與診斷
7.1線性回歸
7.1.1簡單線性回歸
7.1.2多元線性回歸
7.1.3多元線性回歸的變量篩選
7.2線性回歸診斷
7.2.1殘差分析
7.2.2強影響點分析
7.2.3多重共線性分析
7.2.4小結線性回歸診斷
7.3正則化方法
7.3.1嶺回歸
7.3.2LASSO回歸
第8章Logistic回歸構建初始信用評級
8.1Logistic回歸的相關關係分析
8.2Logistic回歸模型及實現
8.2.1Logistic回歸與發生比
8.2.2Logistic回歸的基本原理
8.2.3在Python中實現Logistic回歸
8.3Logistic回歸的極大似然估計
8.3.1極大似然估計的概念
8.3.2Logistics回歸的極大似然估計
8.4模型評估
8.4.1模型評估方法
8.4.2ROC曲線的概念
8.4.3在Python中實現ROC曲線
第9章使用決策樹進行初始信用評級
9.1決策樹概述
9.2決策樹算法
9.2.1ID3建樹算法原理
9.2.2C4.5建樹算法原理
9.2.3CART建樹算法原理
9.2.4決策樹的剪枝
9.3在Python中實現決策樹
9.3.1建模
9.3.2模型評估
9.3.3決策樹的可視化
9.3.4參數搜索調優
第10章神經網絡
10.1神經元模型
10.2單層感知器
10.3BP神經網絡
10.4多層感知器的scikitlearn代碼實現
第11章分類器入門：最近鄰域與樸素貝葉斯
11.1KNN算法
11.1.1KNN算法原理
11.1.2在Python中實現KNN算法
11.2樸素貝葉斯分類
11.2.1貝葉斯公式
11.2.2樸素貝葉斯分類原理
11.2.3樸素貝葉斯的參數估計
11.2.4在Python中實現樸素貝葉斯
第12章高級分類器：支持向量機
12.1線性可分與線性不可分
12.2線性可分支持向量機
12.2.1函數間隔和幾何間隔
12.2.2學習策略
12.2.3對偶方法求解
12.2.4線性可分支持向量機例題
12.3線性支持向量機與軟間隔最大化
12.4非線性支持向量機與核函數
12.4.1核函數
12.4.2非線性支持向量機的學習
12.4.3示例與Python實現
12.5使用支持向量機的案例
第13章連續變量的特徵選擇與轉換
13.1方法概述
13.2主成分分析
13.2.1主成分分析簡介
13.2.2主成分分析原理
13.2.3主成分分析的運用
13.2.4在Python中實現主成分分析
13.3基於主成分的冗餘變量篩選
13.4因子分析
13.4.1因子分析模型
13.4.2因子分析算法
13.4.3在Python中實現因子分析
第14章客戶分群與聚類
14.1聚類算法概述
14.2聚類算法基本概念
14.2.1變量標準化與分佈形態轉換
14.2.2變量的維度分析
14.3聚類模型的評估
14.4層次聚類
14.4.1層次聚類原理
14.4.2層次聚類在Python中的實現
14.5基於劃分的聚類
14.5.1kmeans聚類原理
14.5.2kmeans聚類
前言
第1章數據科學家的武器庫
1.1數據科學的基本概念
1.2數理統計技術
1.2.1描述性統計分析
1.2.2統計推斷與統計建模
1.3數據挖掘的技術與方法
1.4描述性數據挖掘算法示例
1.4.1聚類分析――客戶細分
1.4.2關聯規則分析
1.5預測性數據挖掘算法示例
1.5.1決策樹
1.5.2KNN算法
1.5.3Logistic回歸
1.5.4神經網絡
1.5.5支持向量機
1.5.6集成學習
1.5.7預測類模型講解
1.5.8預測類模型評估概述
第2章Python概述
2.1Python概述
2.1.1Python簡介
2.1.2Python與數據科學
2.1.3Python2與Python3
2.2Anaconda Python的安裝、使用
2.2.1下載與安裝
2.2.2使用Jupyter Notebook
2.2.3使用Spyder
2.2.4使用conda或pip管理
第三方庫
第3章數據科學的Python編程基礎
3.1Python的基本數據類型
3.1.1字符串(str)
3.1.2浮點數和整數（float、int）
3.1.3布爾值（Bool：True/False）
3.1.4其他
3.2Python的基本數據結構
3.2.1列表（list）
3.2.2元組（tuple）
3.2.3集合（set）
3.2.4字典（dict）
3.3Python的程序控制
3.3.1三種基本的編程結構簡介
3.3.2順承結構
3.3.3分支結構
3.3.4循環結構
3.4Python的函數與模塊
3.4.1Python的函數
3.4.2Python的模塊
3.5Pandas讀取結構化數據
3.5.1讀取數據
3.5.2寫出數據
第4章描述性統計分析與繪圖
4.1描述性統計進行數據探索
4.1.1變量度量類型與分佈類型
4.1.2分類變量的統計量
4.1.3連續變量的分佈與集中趨勢
4.1.4連續變量的離散程度
4.1.5數據分佈的對稱與高矮
4.2製作報表與統計製圖
4.3製圖的步驟
第5章數據整合和數據清洗
5.1數據整合
5.1.1行列操作
5.1.2條件查詢
5.1.3橫向連接
5.1.4縱向合併
5.1.5排序
5.1.6分組匯總
5.1.7拆分、堆疊列
5.1.8賦值與條件賦值
5.2數據清洗
5.2.1重複值處理
5.2.2缺失值處理
5.2.3噪聲值處理
5.3RFM方法在客戶行為分析上的運用
5.3.1行為特徵提取的RFM方法論
5.3.2使用RFM方法計算變量
5.3.3數據整理與彙報
第6章數據科學的統計推斷基礎
6.1基本的統計學概念
6.1.1總體與樣本
6.1.2統計量
6.1.3點估計、區間估計和中心極限定理
6.2假設檢驗與單樣本t檢驗
6.2.1假設檢驗
6.2.2單樣本t檢驗
6.3雙樣本t檢驗
6.4方差分析（分類變量和連續變量關係檢驗）
6.4.1單因素方差分析
6.4.2多因素方差分析
6.5相關分析（兩連續變量關係檢驗）
6.5.1相關係數
6.5.2散點矩陣圖
6.6卡方檢驗（二分類變量關係檢驗）
6.6.1列聯表
6.6.2卡方檢驗
第7章客戶價值預測：線性回歸模型與診斷
7.1線性回歸
7.1.1簡單線性回歸
7.1.2多元線性回歸
7.1.3多元線性回歸的變量篩選
7.2線性回歸診斷
7.2.1殘差分析
7.2.2強影響點分析
7.2.3多重共線性分析
7.2.4小結線性回歸診斷
7.3正則化方法
7.3.1嶺回歸
7.3.2LASSO回歸
第8章Logistic回歸構建初始信用評級
8.1Logistic回歸的相關關係分析
8.2Logistic回歸模型及實現
8.2.1Logistic回歸與發生比
8.2.2Logistic回歸的基本原理
8.2.3在Python中實現Logistic回歸
8.3Logistic回歸的極大似然估計
8.3.1極大似然估計的概念
8.3.2Logistics回歸的極大似然估計
8.4模型評估
8.4.1模型評估方法
8.4.2ROC曲線的概念
8.4.3在Python中實現ROC曲線
第9章使用決策樹進行初始信用評級
9.1決策樹概述
9.2決策樹算法
9.2.1ID3建樹算法原理
9.2.2C4.5建樹算法原理
9.2.3CART建樹算法原理
9.2.4決策樹的剪枝
9.3在Python中實現決策樹
9.3.1建模
9.3.2模型評估
9.3.3決策樹的可視化
9.3.4參數搜索調優
第10章神經網絡
10.1神經元模型
10.2單層感知器
10.3BP神經網絡
10.4多層感知器的scikitlearn代碼實現
第11章分類器入門：最近鄰域與樸素貝葉斯
11.1KNN算法
11.1.1KNN算法原理
11.1.2在Python中實現KNN算法
11.2樸素貝葉斯分類
11.2.1貝葉斯公式
11.2.2樸素貝葉斯分類原理
11.2.3樸素貝葉斯的參數估計
11.2.4在Python中實現樸素貝葉斯
第12章高級分類器：支持向量機
12.1線性可分與線性不可分
12.2線性可分支持向量機
12.2.1函數間隔和幾何間隔
12.2.2學習策略
12.2.3對偶方法求解
12.2.4線性可分支持向量機例題
12.3線性支持向量機與軟間隔最大化
12.4非線性支持向量機與核函數
12.4.1核函數
12.4.2非線性支持向量機的學習
12.4.3示例與Python實現
12.5使用支持向量機的案例
第13章連續變量的特徵選擇與轉換
13.1方法概述
13.2主成分分析
13.2.1主成分分析簡介
13.2.2主成分分析原理
13.2.3主成分分析的運用
13.2.4在Python中實現主成分分析
13.3基於主成分的冗餘變量篩選
13.4因子分析
13.4.1因子分析模型
13.4.2因子分析算法
13.4.3在Python中實現因子分析
第14章客戶分群與聚類
14.1聚類算法概述
14.2聚類算法基本概念
14.2.1變量標準化與分佈形態轉換
14.2.2變量的維度分析
14.3聚類模型的評估
14.4層次聚類
14.4.1層次聚類原理
14.4.2層次聚類在Python中的實現
14.5基於劃分的聚類
14.5.1kmeans聚類原理
14.5.2kmeans聚類
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。