目 錄
第1章 數(shù)據(jù)科學基礎(chǔ) （1）
1.1 數(shù)據(jù)科學概述 （1）
1.1.1 數(shù)據(jù)的力量 （1）
1.1.2 數(shù)據(jù)科學的知識結(jié)構(gòu) （2）
1.1.3 數(shù)據(jù)科學的工作流程 （4）
1.2 數(shù)據(jù)科學的關(guān)鍵技術(shù) （5）
1.2.1 數(shù)據(jù)采集 （5）
1.2.2 數(shù)據(jù)預處理 （7）
1.2.3 數(shù)據(jù)存儲與管理 （8）
1.2.4 數(shù)據(jù)分析 （9）
1.3 Python數(shù)據(jù)分析工具 （9）
1.3.1 科學計算集成環(huán)境 （9）
1.3.2 Python編譯環(huán)境 （10）
1.3.3 Jupyter Notebook （11）
1.4 Python語言基礎(chǔ) （12）
1.4.1 常用數(shù)據(jù)類型 （12）
1.4.2 流程控制 （14）
1.4.3 函數(shù)和方法庫 （16）
綜合練習題 （17）
第2章 多維數(shù)據(jù)結(jié)構(gòu)與運算 （18）
2.1　多維數(shù)組對象 （18）
2.1.1 多維數(shù)組（張量） （18）
2.1.2　一維數(shù)組對象 （19）
2.1.3 二維數(shù)組對象 （21）
2.1.4 創(chuàng)建多維數(shù)組的常用函數(shù) （23）
2.2　多維數(shù)組運算 （25）
2.2.1　基本算術(shù)運算 （26）
2.2.2 函數(shù)和矩陣運算 （27）
2.2.3 隨機數(shù)組生成函數(shù) （29）
2.3 案例：隨機游走軌跡模擬 （30）
綜合練習題 （33）
第3章 數(shù)據(jù)匯總與統(tǒng)計 （34）
3.1 統(tǒng)計的基本概念 （34）
3.1.1 統(tǒng)計的含義 （34）
3.1.2 常用統(tǒng)計量 （35）
3.2 pandas數(shù)據(jù)結(jié)構(gòu) （37）
3.2.1 Series對象 （37）
3.2.2 Series對象的數(shù)據(jù)訪問 （38）
3.2.3 DataFrame對象 （40）
3.2.4 DataFrame對象的數(shù)據(jù)訪問 （41）
3.3 數(shù)據(jù)文件的讀/寫 （45）
3.3.1　讀/寫CSV文件和TXT文件 （45）
3.3.2 讀取Excel文件 （48）
3.4 數(shù)據(jù)清洗 （49）
3.4.1　缺失數(shù)據(jù)處理 （49）
3.4.2 去除重復數(shù)據(jù) （52）
3.5 數(shù)據(jù)規(guī)整化 （52）
3.5.1 數(shù)據(jù)合并 （52）
3.5.2 數(shù)據(jù)排序 （55）
3.6 統(tǒng)計分析 （56）
3.6.1　通用函數(shù)與運算 （57）
3.6.2 統(tǒng)計函數(shù) （57）
3.6.3 相關(guān)性分析 （60）
3.6.4 案例：問卷調(diào)查反饋表分析 （60）
綜合練習題 （63）
第4章 數(shù)據(jù)可視化 （64）
4.1 Python繪圖基礎(chǔ) （64）
4.1.1 認識基本圖形 （64）
4.1.2 pandas快速繪圖 （64）
4.1.3 Matplotlib精細繪圖 （66）
4.2 可視化數(shù)據(jù)探索 （71）
4.2.1 繪制常用圖形 （71）
4.2.2 使用pyecharts繪制交互數(shù)據(jù)圖 （81）
綜合練習題 （85）
第5章 機器學習建模分析 （88）
5.1 機器學習概述 （88）
5.1.1 機器學習與人工智能 （88）
5.1.2 Python機器學習方法庫 （90）
5.2 回歸分析 （90）
5.2.1 回歸分析原理 （90）
5.2.2 回歸分析實現(xiàn) （91）
5.2.3 回歸分析性能評估 （94）
5.3 分類分析 （96）
5.3.1 分類學習原理 （96）
5.3.2 決策樹 （98）
5.3.3 支持向量機 （102）
5.4 聚類分析 （106）
5.4.1 聚類任務 （106）
5.4.2 K-means算法 （107）
5.4.3 聚類方法的性能評估 （110）
5.5 數(shù)據(jù)降維 （112）
5.5.1 降維分析方法 （112）
5.5.2 主成分分析 （113）
5.6 集成學習 （115）
5.6.1 隨機森林算法的基本原理 （116）
5.6.2 梯度提升機算法的基本原理 （116）
5.6.3 集成學習建模分析 （117）
綜合練習題 （119）
第6章 神經(jīng)網(wǎng)絡(luò)與深度學習建模分析 （120）
6.1 神經(jīng)網(wǎng)絡(luò)概述 （120）
6.1.1 神經(jīng)元與感知器 （120）
6.1.2 神經(jīng)網(wǎng)絡(luò)模型 （121）
6.1.3 神經(jīng)網(wǎng)絡(luò)分類實現(xiàn) （122）
6.2 深度學習 （125）
6.2.1 深度學習的基本原理 （125）
6.2.2 深度學習框架Keras （126）
6.2.3 深度學習建模分析實例 （128）
綜合練習題 （130）
第7章 文本數(shù)據(jù)處理 （131）
7.1 文本處理概述 （131）
7.1.1 文本處理的常見任務 （131）
7.1.2 文本處理的基本步驟 （132）
7.2 中文文本處理 （134）
7.2.1 中文分詞 （134）
7.2.2 詞性標注 （135）
7.2.3 特征提取 （136）
7.3 實例：垃圾郵件的識別 （140）
7.3.1 數(shù)據(jù)來源 （140）
7.3.2 基于詞袋模型識別垃圾郵件 （141）
7.3.3 基于詞向量模型識別垃圾郵件 （143）
綜合練習題 （146）
第8章 圖像數(shù)據(jù)處理 （147）
8.1 數(shù)字圖像概述 （147）
8.1.1 數(shù)字圖像 （147）
8.1.2 數(shù)字圖像類型 （147）
8.1.3 數(shù)字圖像處理 （148）
8.2 Python圖像處理 （149）
8.2.1 Python圖像處理庫 （149）
8.2.2 圖像的基本操作 （150）
8.3 案例：深度學習實現(xiàn)圖像分類 （152）
8.3.1 卷積神經(jīng)網(wǎng)絡(luò) （152）
8.3.2 基于Keras實現(xiàn)圖像分類 （153）
綜合練習題 （157）
第9章 時序數(shù)據(jù)與語音處理 （158）
9.1 時序數(shù)據(jù)概述 （158）
9.1.1 時序數(shù)據(jù)特性 （158）
9.1.2 時序數(shù)據(jù)特征的提取 （159）
9.2 時序數(shù)據(jù)分析方法 （161）
9.2.1 時序數(shù)據(jù)分析過程 （161）
9.2.2 溫度預測實例 （162）
9.3 語音識別技術(shù) （166）
9.3.1 語音識別技術(shù)簡介 （166）
9.3.2 語音識別中的時序數(shù)據(jù)處理 （167）
9.3.3 在線語音識別實例 （169）
綜合練習題 （171）
第10章 大數(shù)據(jù)技術(shù) （172）
10.1 大數(shù)據(jù)概述 （172）
10.1.1 大數(shù)據(jù)的特點 （172）
10.1.2 大數(shù)據(jù)技術(shù) （174）
10.1.3 大數(shù)據(jù)基礎(chǔ)設(shè)施 （175）
10.2 分布式計算框架 （177）
10.2.1 Hadoop概述 （178）
10.2.2 MapReduce分布式計算 （180）
10.2.3 Spark分布式計算 （182）
10.2.4 Spark分布式計算 （183）
10.3 分布式建模分析工具 （185）
10.3.1 Hadoop Mahout （185）
10.3.2 Spark MLlib （186）
10.3.3 Spark MLlib建模分析 （187）
綜合練習題 （188）
參考資料 （189）