數(shù)據(jù)分析原理與實踐：基于經(jīng)典算法及Python編程實現(xiàn)

 
第1章數(shù)據(jù)分析概述
1.1數(shù)據(jù)分析的基本類型
1.2數(shù)據(jù)分析與機器學習
1.2.1統(tǒng)計學與機器學習
1.2.2機器學習算法的類型
1.2.3機器學習中的算法、模型、
參數(shù)和超參數(shù)
1.2.4數(shù)據(jù)分析中的基礎算法
1.2.5數(shù)據(jù)分析中的高級算法
1.3數(shù)據(jù)分析的主要流程
1.4數(shù)據(jù)分析中的算法選擇
1.5數(shù)據(jù)分析中常用的Python包
1.5.1NumPy
1.5.2Pandas
1.5.3Matplotlib
1.5.4Seaborn
1.5.5statsmodels
1.5.6scikitlearn
1.5.7jieba
1.5.8OpenCV
1.5.9TensorFlow和PyTorch
1.6數(shù)據(jù)分析的注意事項
1.7數(shù)據(jù)分析的現(xiàn)狀與趨勢
1.8習題
1.9主要參考文獻及推薦閱讀書目
第2章關聯(lián)規(guī)則分析
2.1應用場景
2.2算法原理
2.2.1Apriori算法的假設
2.2.2Apriori算法的流程
2.3核心術語
2.3.1事務型數(shù)據(jù)
2.3.2項集
2.3.3支持度
2.3.4置信度
2.3.5提升度
2.3.6關聯(lián)規(guī)則
2.4Python編程實踐——購物車分析
2.4.1業(yè)務理解
2.4.2數(shù)據(jù)讀入
2.4.3數(shù)據(jù)理解
2.4.4數(shù)據(jù)預處理
2.4.5生成頻繁項集
2.4.6計算關聯(lián)度
2.4.7可視化
2.5重點與難點解讀
2.6習題
2.7主要參考文獻及推薦閱讀書目
第3章回歸分析
3.1應用場景
3.2算法原理
3.2.1基本思路
3.2.2評價方法
3.3核心術語
3.3.1回歸分析中常用的統(tǒng)計量
3.3.2特征矩陣與目標向量
3.3.3過擬合與欠擬合
3.3.4高杠桿點、離群點和強影響點
3.4Python編程實踐
3.4.1線性回歸——女性身高與體重
數(shù)據(jù)分析
3.4.2多元回歸——廣告收入數(shù)據(jù)分析
3.4.3泊松回歸——航班數(shù)據(jù)分析
3.5重點與難點解讀
3.5.1參數(shù)解讀——線性回歸算法
3.5.2ZScore標準化
3.5.3方差
3.5.4相關系數(shù)
3.5.5泊松分布
3.5.6L1和L2正則化
3.5.7閔氏距離、歐氏距離、曼哈頓距離
和切比雪夫距離
3.6習題
3.7主要參考文獻及推薦閱讀書目
第4章分類分析
4.1應用場景
4.2算法原理
4.1.1KNN
4.1.2貝葉斯分類
4.1.3支持向量機
4.1.4邏輯回歸
4.3核心術語
4.3.1偏差和方差之間的權衡
4.3.2學習曲線
4.3.3混淆矩陣
4.3.4ROC曲線與AUC面積
4.3.5貝葉斯理論
4.3.6核函數(shù)及核技巧
4.4Python編程實踐——病例自動診斷
分析
4.4.1使用KNN算法實現(xiàn)
4.4.2使用貝葉斯分類算法實現(xiàn)
4.4.3使用SVM算法實現(xiàn)
4.4.4使用邏輯回歸算法實現(xiàn)
4.5重點與難點解讀
4.5.1參數(shù)解讀——KNN、貝葉斯分類、
SVM和邏輯回歸算法
4.5.2數(shù)據(jù)標準化處理
4.5.3混淆矩陣及分類算法的評價指標
4.5.4最大似然估計
4.5.5判別模型與生成模型
4.5.6類別不平衡問題
4.5.7KD Tree與Ball Tree
4.5.8GridSearchCV及其原理
4.5.9GaussianNB、MultinomialNB和
BernoulliNB的區(qū)別
4.5.10LabelEncoder及其原理
4.6習題
4.7主要參考文獻及推薦閱讀書目
第5章聚類分析
5.1應用場景
5.2算法原理
5.2.1kmeans算法
5.2.2聚類效果的評價
5.3核心術語
5.4Python編程實踐——蛋白質消費特征
分析
5.4.1業(yè)務理解
5.4.2數(shù)據(jù)讀入
5.4.3數(shù)據(jù)理解
5.4.4數(shù)據(jù)準備
5.4.5模型訓練
5.4.6模型評價
5.4.7模型調參
5.4.8模型預測
5.5重點與難點解讀
5.5.1參數(shù)解讀——kmeans算法
5.5.2kmeans 方法
5.5.3elkan方法
5.6習題
5.7主要參考文獻及推薦閱讀書目
第6章集成學習
6.1應用場景
6.2算法原理
6.2.1隨機森林
6.2.2XGBoost
6.3核心術語
6.4Python編程實踐——房屋價格預測
分析
6.4.1使用隨機森林算法實現(xiàn)
6.4.2使用XGBoost實現(xiàn)
6.5重點與難點解讀
6.5.1參數(shù)解讀——隨機森林和
XGBoost
6.5.2純度最大化
6.5.3數(shù)據(jù)標準化
6.5.4泰勒展開式
6.5.5集成學習中幾個注意事項
6.6習題
6.7主要參考文獻及推薦閱讀書目
第7章自然語言處理
7.1應用場景
7.2算法原理
7.2.1中文分詞
7.2.2詞袋模型
7.2.3Ngrams模型
7.2.4TFIDF算法
7.2.5文本規(guī)范化
7.2.6詞性標注
7.3核心術語
7.4Python編程實踐——2021年政府工作
報告分析
7.4.1業(yè)務理解
7.4.2數(shù)據(jù)讀入
7.4.3分詞處理
7.4.4添加自定義詞匯
7.4.5詞性標注
7.4.6停用詞處理
7.4.7詞性分布分析
7.4.8高頻詞分析
7.4.9關鍵詞抽取
7.4.10繪制詞云圖
7.5重點與難點解讀
7.5.1NLTK的詞性標注
7.5.2NLTK的功能模塊
7.6習題
7.7主要參考文獻及推薦閱讀書目
第8章圖像處理
8.1應用場景
8.2算法原理
8.2.1建模階段
8.2.2檢測階段
8.3核心術語
8.4Python編程實踐——人臉檢測分析
8.4.1安裝并導入OpenCVpython包
8.4.2讀取圖像文件
8.4.3將RGB圖像轉換為灰度圖
8.4.4人臉檢測與矩陣標識
8.4.5圖像顯示
8.4.6圖像保存
8.5重點與難點解讀
8.5.1參數(shù)解讀——OpenCV
8.5.2AdaBoost算法
8.5.3基于OpenCV和CNN的圖像處理
的對比
8.5.4Haar特征和LBP特征的
對比分析
8.5.5AdaBoost算法和XGboost算法的
主要區(qū)別
8.6習題
8.7主要參考文獻及推薦閱讀書目
第9章深度學習
9.1應用場景
9.2算法原理
9.2.1全連接神經(jīng)網(wǎng)絡及其缺點
9.2.2全連接神經(jīng)網(wǎng)絡的改進及卷積
神經(jīng)網(wǎng)絡的提出
9.2.3卷積神經(jīng)網(wǎng)絡的基本思路
9.2.4CNN的整體流程
9.3核心術語
9.4Python編程實踐——手寫數(shù)字識別
分析
9.4.1業(yè)務理解
9.4.2數(shù)據(jù)讀入及理解
9.4.3數(shù)據(jù)準備
9.4.4數(shù)據(jù)理解
9.4.5定義CNN的學習框架
9.4.6執(zhí)行CNN學習及模型訓練
9.4.7模型評價
9.4.8模型預測
9.5重點與難點解讀
9.5.1參數(shù)解讀——CNN算法
9.5.2機器學習中的性能與可解釋性
的矛盾
9.5.3隨機梯度下降及學習率
9.5.4Onehot encoding
9.5.5端到端的學習
9.5.6CNN與其他深度學習方法的區(qū)別
及聯(lián)系
9.5.7CNN算法設置超參數(shù)的
經(jīng)驗法則
9.6習題
9.7主要參考文獻及推薦閱讀書目
附錄習題參考答案