掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
數據科學與數學建模 版權信息
- ISBN：9787568049351
- 條形碼：9787568049351 ; 978-7-5680-4935-1
- 裝幀：一般銅版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據科學與數學建模 本書特色
《數據科學與數學建模》從大數據挖掘中提煉出了科學的、可教學的、有模型的內容，本教材從立足于理論聯系案例，從學習者的角度出發，漸進式地把數據挖掘的技術和方法展示出來。本教材除了介紹算法的理論，還為每一類算法配備了具有代表性的、貼近實際應用的典型案例，以大程度地幫助學生做到學以致用。
數據科學與數學建模 內容簡介
本書內容分為八章, 基本涵蓋了目前較為常用的數據科學建模方法, 包括現在熱門的深度學習。書中不僅介紹模型的理論基礎, 還以大量案例結合現實數據為讀者展示了數據分析中常見任務的處理流程, 如分類、回歸、聚類、推薦、圖片識別等, 幫助讀者應用這些模型和方法解決實際問題。
數據科學與數學建模 目錄
目錄
**章 緒論 6
1.1數據科學概述 6
1.2 數據科學的建模流程 8
1.3 Python語言開發環境與庫入門 12
1.3.1 開發環境 12
1.3.2 Python基本語法 15
1.3.3 Python常用庫和功能 16
1.4本書內容介紹 19
第二章 回歸模型 21
2.1概述 21
2.2線性回歸 22
2.2.1 一元線性回歸 22
2.2.2 多元線性回歸 25
2.3線性回歸案例 28
2.3.1兒童體表面積預測 28
2.3.2波士頓房價因素分析 32
附錄：scikit-learn庫中的LinearRegression 34
2.4邏輯回歸 35
2.4.1 邏輯回歸模型 35
2.4.2 邏輯回歸方程中回歸系數的估計及含義 37
2.4.3 邏輯回歸方程的統計檢驗 38
2.5邏輯回歸案例 40
2.5.1考試成績預測 40
2.5.2鳶尾花分類 42
附錄：scikit-learn庫中的LogisticsRegression 44
第三章 聚類模型 46
3.1概述 46
3.1.1聚類分析概述 46
3.1.2基于距離的聚類相似度 49
3.2 K-means聚類 50
3.2.1 K-means聚類算法 50
3.2.2 K-means聚類實例 51
3.2.3 K-means聚類的優缺點 56
3.3 密度聚類 56
3.3.1 DBSCAN密度定義 56
3.3.2 DBSCAN聚類算法 56
3.3.3 DBSCAN聚類的優缺點 57
3.4 層次聚類 57
3.4.1系統聚類 58
3.4.2 DIANA算法 64
3.4.3 層次聚類算法的優缺點 67
3.5 案例 67
3.5.1 一個二維數據集聚類 67
3.5.2一個居民家庭情況案例 69
3.5.3一個醫療建設評價案例 75
附錄：scikit-learn庫中的KMeans 77
第四章 關聯規則 80
4.1 概述 80
4.1.1 問題概述 80
4.1.2 關聯規則概述 80
4.1.3 關聯分析的基本概念 81
4.2 Apriori算法 84
4.3 基于Apriori算法的改進算法 88
4.4 FP-Growth算法 90
4.5 關聯規則案例 94
4.5.1一個銷售記錄的關聯分析案例 94
4.5.2商品購買記錄分析 98
4.5.3電影推薦 100
第五章 決策樹 104
5.1概述 104
5.1.1 決策樹基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 ID3算法 107
5.2.1基本思想 107
5.2.2 ID3算法應用實例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基于信息增益率建模的決策樹 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基于CART算法建模的決策樹 115
5.5 決策樹的剪枝 117
5.6 案例 121
5.6.1泰坦尼克號乘客幸存預測 121
5.6.2乳腺癌診斷 125
附錄：scikit-learn庫中的DecisionTreeClassifier 129
第六章 支持向量機 132
6.1概述 132
6.2線性支持向量機 132
6.2.1 硬間隔線性支持向量機 133
6.2.2 軟間隔線性支持向量機 135
6.3非線性支持向量機 138
6.3.1特征空間硬間隔支持向量機 140
6.3.2特征空間軟間隔支持向量機 141
6.4 支持向量機的求解和多分類問題 142
6.4.1 支持向量機的求解 142
6.4.2 多分類問題 142
6.5新聞文本分類案例 144
附錄：scikit-learn庫中的SVM 147
第七章 貝葉斯網絡 150
7.1概述 150
7.1.1 貝葉斯網絡定義 150
7.1.2 貝葉斯網絡的知識推理模式 151
7.1.3 貝葉斯網絡建立的主要步驟 151
7.1.4貝葉斯網絡的結構學習 152
7.1.5 貝葉斯網絡的參數學習 153
7.1.6 主要貝葉斯網絡模型 156
7.2 樸素貝葉斯網絡 156
7.3 TAN貝葉斯網絡 162
7.4 無約束貝葉斯網絡 167
7.5 樸素貝葉斯進行垃圾郵件過濾 170
附錄 scikit-learn庫中的Naive-Bayes分類 174
第八章 深度學習 176
8.1概述 176
8.1.1 深度學習的發展歷史 176
8.1.2 神經網絡的基本模型 176
8.2多層感知機 180
8.2.1感知機 180
8.2.2多層感知機 184
8.3卷積神經網絡 190
8.3.1基本網絡結構 191
8.3.2反向傳播訓練算法 192
8.3.3 AlexNet網絡結構 193
8.4循環神經網絡 194
8.4.1基本網絡結構 195
8.4.2反向傳播訓練算法 195
8.4.3長短時間記憶單元 196
8.5 構建卷積神經網絡模型對CIFAR圖片數據集分類 197
附錄：TensorFlow基本用法 203
參考文獻 207
**章 緒論 6
1.1數據科學概述 6
1.2 數據科學的建模流程 8
1.3 Python語言開發環境與庫入門 12
1.3.1 開發環境 12
1.3.2 Python基本語法 15
1.3.3 Python常用庫和功能 16
1.4本書內容介紹 19
第二章 回歸模型 21
2.1概述 21
2.2線性回歸 22
2.2.1 一元線性回歸 22
2.2.2 多元線性回歸 25
2.3線性回歸案例 28
2.3.1兒童體表面積預測 28
2.3.2波士頓房價因素分析 32
附錄：scikit-learn庫中的LinearRegression 34
2.4邏輯回歸 35
2.4.1 邏輯回歸模型 35
2.4.2 邏輯回歸方程中回歸系數的估計及含義 37
2.4.3 邏輯回歸方程的統計檢驗 38
2.5邏輯回歸案例 40
2.5.1考試成績預測 40
2.5.2鳶尾花分類 42
附錄：scikit-learn庫中的LogisticsRegression 44
第三章 聚類模型 46
3.1概述 46
3.1.1聚類分析概述 46
3.1.2基于距離的聚類相似度 49
3.2 K-means聚類 50
3.2.1 K-means聚類算法 50
3.2.2 K-means聚類實例 51
3.2.3 K-means聚類的優缺點 56
3.3 密度聚類 56
3.3.1 DBSCAN密度定義 56
3.3.2 DBSCAN聚類算法 56
3.3.3 DBSCAN聚類的優缺點 57
3.4 層次聚類 57
3.4.1系統聚類 58
3.4.2 DIANA算法 64
3.4.3 層次聚類算法的優缺點 67
3.5 案例 67
3.5.1 一個二維數據集聚類 67
3.5.2一個居民家庭情況案例 69
3.5.3一個醫療建設評價案例 75
附錄：scikit-learn庫中的KMeans 77
第四章 關聯規則 80
4.1 概述 80
4.1.1 問題概述 80
4.1.2 關聯規則概述 80
4.1.3 關聯分析的基本概念 81
4.2 Apriori算法 84
4.3 基于Apriori算法的改進算法 88
4.4 FP-Growth算法 90
4.5 關聯規則案例 94
4.5.1一個銷售記錄的關聯分析案例 94
4.5.2商品購買記錄分析 98
4.5.3電影推薦 100
第五章 決策樹 104
5.1概述 104
5.1.1 決策樹基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 ID3算法 107
5.2.1基本思想 107
5.2.2 ID3算法應用實例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基于信息增益率建模的決策樹 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基于CART算法建模的決策樹 115
5.5 決策樹的剪枝 117
5.6 案例 121
5.6.1泰坦尼克號乘客幸存預測 121
5.6.2乳腺癌診斷 125
附錄：scikit-learn庫中的DecisionTreeClassifier 129
第六章 支持向量機 132
6.1概述 132
6.2線性支持向量機 132
6.2.1 硬間隔線性支持向量機 133
6.2.2 軟間隔線性支持向量機 135
6.3非線性支持向量機 138
6.3.1特征空間硬間隔支持向量機 140
6.3.2特征空間軟間隔支持向量機 141
6.4 支持向量機的求解和多分類問題 142
6.4.1 支持向量機的求解 142
6.4.2 多分類問題 142
6.5新聞文本分類案例 144
附錄：scikit-learn庫中的SVM 147
第七章 貝葉斯網絡 150
7.1概述 150
7.1.1 貝葉斯網絡定義 150
7.1.2 貝葉斯網絡的知識推理模式 151
7.1.3 貝葉斯網絡建立的主要步驟 151
7.1.4貝葉斯網絡的結構學習 152
7.1.5 貝葉斯網絡的參數學習 153
7.1.6 主要貝葉斯網絡模型 156
7.2 樸素貝葉斯網絡 156
7.3 TAN貝葉斯網絡 162
7.4 無約束貝葉斯網絡 167
7.5 樸素貝葉斯進行垃圾郵件過濾 170
附錄 scikit-learn庫中的Naive-Bayes分類 174
第八章 深度學習 176
8.1概述 176
8.1.1 深度學習的發展歷史 176
8.1.2 神經網絡的基本模型 176
8.2多層感知機 180
8.2.1感知機 180
8.2.2多層感知機 184
8.3卷積神經網絡 190
8.3.1基本網絡結構 191
8.3.2反向傳播訓練算法 192
8.3.3 AlexNet網絡結構 193
8.4循環神經網絡 194
8.4.1基本網絡結構 195
8.4.2反向傳播訓練算法 195
8.4.3長短時間記憶單元 196
8.5 構建卷積神經網絡模型對CIFAR圖片數據集分類 197
附錄：TensorFlow基本用法 203
參考文獻 207
展開全部
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
苦雨齋序跋文-周作人自編集
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
姑媽的寶刀
- >
伯納黛特,你要去哪(2021新版)
- >
龍榆生：詞曲概論/大家小書
- >
我從未如此眷戀人間
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
本類暢銷
