數據科學導引電子版

數據科學導引pdf是一部專注于大數據分析方面的電子書籍，這部電子詳細簡介了數據科學相關知識，內容豐富全面，通俗易懂，深受廣大讀者的青睞，感興趣的朋友歡迎來綠色資源網下載閱讀！

數據科學導引電子書介紹

《數據科學導引》是博雅大數據學院針對新開設的“數據科學與大數據技術”專業編寫的數據科學導論課程教材。

《數據科學導引》內容共分十五章，包括緒論、數據預處理、回歸模型、分類模型、集成模型、聚類模型、關聯規則挖掘、降維、特征選擇、EM算法、概率圖模型、文本分析、圖與網絡分析、深度學習、分布式計算。附錄部分對相關的基礎知識做了簡要介紹。

《數據科學導引》還提供了大量的數據分析實踐案例，有助于加深讀者對理論知識的理解，及培養其實際應用能力。

《數據科學導引》可作為全國高等學校數據科學相關專業的本科生和研究生教材，也可供從事相關工作的技術人員參考使用。

數據科學導引pdf目錄

第一章 緒論

1．1 數據科學的基本內容

1．2 對學科發展的影響

1．3 對科學研究的影響

1．4 數據科學的課程體系

1．5 本書內容介紹

第二章 數據預處理

2．1 特征編碼

2．2 缺失值處理

2．3 數據標準化

2．4 特征離散化

2．5 離群值檢測

2．6 其他預處理方法

案例與實戰

第三章 回歸模型

3．1 線性回歸

3．2 線性回歸正則化

3．3 非線性回歸

案例與實戰

第四章 分類模型

4．1 邏輯回歸

4．2 K近鄰

4．3 決策樹

4．4 樸素貝葉斯

4．5 支持向量機

案例與實戰

第五章 集成模型

5．1 集成方法綜述

5．2 隨機森林

5．3 AdaBoost

5．4 應用實例：個人信用風險評估

案例與實戰

第六章 聚類模型

6．1 K-means聚類

6．2 層次聚類

6．3 譜聚類

6．4 基于密度的聚類

6．5 小結

案例與實戰

第七章 關聯規則挖掘

7．1 關聯規則概述

7．2 Apriori算法

7．3 FP-Growth算法

案例與實戰

第八章 降維

8．1 主成分分析

8．2 線性判別分析

8．3 多維尺度變換

8．4 局部線性嵌入

8．5 其他降維方法

案例與實戰

第九章 特征選擇

9．1 特征選擇的一般過程

9．2 特征選擇常用的方法

9．3 無監督特征選擇

9．4 小結

案例與實戰

第十章 EM算法

10．1 EM算法

10．2 EM的應用：高斯混合模型

10．3 小結

案例與實戰

第十一章 概率圖模型

11．1 概率圖模型概述

11．2 隱馬爾可夫模型

11．3 條件隨機場

11．4 小結

案例與實戰

第十二章 文本分析

12．1 文本表示模型

12．2 主題模型

12．3 情感分析

案例與實戰

第十三章 圖與網絡分析

13．1 基本概念

13．2 幾何特征

13．3 鏈接分析

13．4 社區發現

13．5 知識圖譜

案例與實戰

第十四章 深度學習

14．1 多層感知機

14．2 深度學習模型的優化

14．3 卷積神經網絡

14．4 循環神經網絡

14．5 小結

案例與實戰

第十五章 分布式計算

15．1 Hadoop：分布式存儲與處理

15．2 常見模型的Map Reduce實現

15．3 Spark：分布式數據分析

15．4 其他分布式系統

附錄

A．矩陣運算

B．概率論基礎

C．優化算法

D．距離

E．模型評估

參考文獻