人工智能數(shù)據(jù)素養(yǎng)

第1 章 人工智能下的大數(shù)據(jù)時代 ．． 001
1．1 大數(shù)據(jù)時代和人工智能 ．001
1．1．1 一切皆為數(shù)據(jù) ．001
1．1．2 數(shù)據(jù)高速增長時代 ．002
1．1．3 利用人工智能掘金大數(shù)據(jù)．003
1．2 人工智能三要素 004
1．2．1 數(shù)據(jù)――AI 之源 005
1．2．2 算法――AI 之核 006
1．2．3 算力――AI 之驅 007
1．3 數(shù)據(jù)素養(yǎng) ．007
1．3．1 何為數(shù)據(jù)素養(yǎng) ．007
1．3．2 數(shù)據(jù)素養(yǎng)為何重要 ．010
1．3．3 如何提升數(shù)據(jù)素養(yǎng) ．011
1．4 本章小結 ．012
第2 章 Python 數(shù)據(jù)分析基礎 ． 013
2．1 Python 基礎 ．013
2．1．1 Python 簡介 013
2．1．2 Python 數(shù)據(jù)類型 017
2．1．3 常用的操作、函數(shù)和方法．021
2．1．4 列表、元組、字典 ．024
2．1．5 順序結構 ．027
2．1．6 分支結構 ．027
2．1．7 循環(huán)結構 ．030
2．2 Python 數(shù)據(jù)分析環(huán)境 ．032
2．2．1 使用pip 安裝數(shù)據(jù)分析相關庫 ．032
2．2．2 安裝Anaconda 033
2．3 Python 數(shù)據(jù)分析相關庫 033
2．3．1 NumPy 庫 ．033
2．3．2 Matplotlib 庫 034
2．3．3 SciPy 庫035
2．3．4 Pandas 庫 036
2．3．5 xlrd 庫 036
2．3．6 PyMySQL 庫 037
2．3．7 其他數(shù)據(jù)分析相關庫 037
2．4 本章小結 038
第3 章 Jupyter 環(huán)境的使用 ． 039
3．1 Jupyter Notebook 概述 039
3．1．1 Jupyter Notebook 簡介及優(yōu)點 039
3．1．2 Jupyter Notebook 開發(fā)環(huán)境的搭建 039
3．1．3 使用pip 命令安裝 ．044
3．2 認識Jupyter Notebook 044
3．2．1 認識Files、Running、Clusters 頁面 ．044
3．2．2 認識Jupyter Notebook 的主頁面 046
3．3 新建、運行、保存Jupyter Notebook 文件 048
3．3．1 新建一個Jupyter Notebook ．048
3．3．2 運行代碼 049
3．3．3 重命名Jupyter Notebook 文件 ．049
3．3．4 保存Jupyter Notebook 文件 050
3．4 處理不同類型的數(shù)據(jù) ．050
3．4．1 處理txt 文件 050
3．4．2 處理CSV 文件 ．052
3．4．3 處理Excel 文件 053
3．4．4 處理sql 文件 ．053
3．5 在Markdown 中使用LaTeX 輸入數(shù)學公式 ．054
3．5．1 使用LaTeX 輸入一個數(shù)學公式 054
3．5．2 LaTeX 的2 種公式格式 ．055
3．5．3 常用數(shù)學公式的寫法 056
3．6 Jupyter Notebook 應用實例解析 ．058
3．6．1 實例1：能力六維雷達圖的繪制 058
3．6．2 實例2：詞頻統(tǒng)計 059
3．7 本章小結 ．060
第4 章 探索數(shù)據(jù)  062
4．1 走進數(shù)據(jù)的世界 062
4．1．1 定義數(shù)據(jù) ．062
4．1．2 數(shù)據(jù)的分類 063
4．1．3 深挖數(shù)據(jù)的4 種能力 065
4．1．4 善用指標分析問題 ．067
4．2 數(shù)據(jù)的評估 069
4．2．1 指標真的可靠嗎 069
4．2．2 統(tǒng)計數(shù)據(jù)會“說謊” 071
4．3 數(shù)據(jù)怎么用 072
4．3．1 數(shù)據(jù)清洗 ．072
4．3．2 數(shù)據(jù)的標準化 ．076
4．4 本章小結 ．078
第5 章 描述統(tǒng)計  079
5．1 數(shù)據(jù)集中趨勢 ．079
5．1．1 均值的定義與應用 ．079
5．1．2 中位數(shù)的定義與應用 081
5．1．3 眾數(shù)的定義與應用 ．083
5．1．4 案例分析 ．085
5．2 數(shù)據(jù)離散程度 ．087
5．2．1 極差的定義與應用 ．088
5．2．2 方差的定義與應用 ．090
5．3 本章小結 091
第6 章 推斷統(tǒng)計 ． 092
6．1 基礎知識要點 092
6．1．1 排列與組合 ．092
6．1．2 隨機事件及其概率 ．095
6．2 概率分布及其特征 095
6．2．1 二項分布 096
6．2．2 正態(tài)分布 098
6．3 統(tǒng)計量 ．104
6．3．1 總體與樣本 ．105
6．3．2 參數(shù)估計 109
6．3．3 假設檢驗 112
6．4 本章小結 116
第7 章 數(shù)據(jù)可視化 ． 117
7．1 什么是數(shù)據(jù)可視化 117
7．1．1 數(shù)據(jù)可視化的定義和意義 117
7．1．2 數(shù)據(jù)可視化的發(fā)展歷史 ．118
7．2 圖形對象與元素 ．119
7．2．1 如何建立坐標系121
7．2．2 如何設置坐標軸的文本和圖例 122
7．3 可視化色彩的運用原理 123
7．3．1 RGB 顏色模式 123
7．3．2 HSL 顏色模式 124
7．3．3 顏色搭配的技巧和案例 ．124
7．4 圖表的基本類型 ．126
7．4．1 如何繪制柱形圖126
7．4．2 如何繪制散點圖127
7．4．3 如何繪制餅形圖129
7．4．4 如何繪制折線圖 130
7．5 數(shù)據(jù)分析及可視化案例 ．132
7．5．1 數(shù)據(jù)可視化經(jīng)典案例 132
7．5．2 非結構化數(shù)據(jù)的可視化案例 132
7．6 常見的數(shù)據(jù)可視化流程 ．133
7．7 本章小結 ．133
第8 章 NumPy 數(shù)組  134
8．1 NumPy 庫簡介 134
8．2 NumPy 數(shù)組的生成 134
8．2．1 生成一般數(shù)組 ．135
8．2．2 生成特殊數(shù)組 ．136
8．2．3 生成隨機數(shù)組 ．138
8．3 NumPy 數(shù)組基礎 ．140
8．3．1 NumPy 數(shù)組的基本屬性 ．140
8．3．2 數(shù)組索引：獲取單個元素．141
8．3．3 數(shù)組切片：獲取子數(shù)組 ．141
8．4 NumPy 數(shù)組重塑 ．143
8．4．1 NumPy 數(shù)組的變形 144
8．4．2 NumPy 數(shù)組的轉置和換軸 144
8．4．3 NumPy 數(shù)組的拼接與分裂 146
8．5 NumPy 庫中的線性代數(shù) 147
8．5．1 矩陣乘法 ．147
8．5．2 行列式 148
8．5．3 求線性方程的解 148
8．6 通用函數(shù) ．150
8．6．1 一元通用函數(shù) ．150
8．6．2 二元通用函數(shù) ．150
8．6．3 廣播 ．152
8．7 常用的數(shù)據(jù)分析函數(shù) 154
8．7．1 條件函數(shù) ．154
8．7．2 聚合函數(shù) 154
8．7．3 快速排序 156
8．7．4 唯一值與其他集合邏輯 ．157
8．8 本章小結 158
第9 章 時間序列數(shù)據(jù) ． 159
9．1 時間序列的定義及分類 159
9．1．1 時間序列的定義159
9．1．2 時間序列的分類159
9．2 時間序列的描述性分析 162
9．2．1 圖形描述 162
9．2．2 增長率分析 ．163
9．3 時間序列的預測 ．164
9．3．1 確定時間序列成分 ．165
9．3．2 選擇預測方法 166
9．3．3 預測方法評估 167
9．4 平穩(wěn)時間序列的預測 ．169
9．4．1 簡單平均法 ．169
9．4．2 移動平均法 ．170
9．4．3 指數(shù)平滑法 ．171
9．5 趨勢型和復合型時間序列的預測 ．172
9．5．1 線性趨勢預測 172
9．5．2 非線性趨勢預測173
9．5．3 復合型時間序列的分解預測 ．174
9．6 使用Python 處理時間序列數(shù)據(jù) ．174
9．6．1 時間序列數(shù)據(jù)處理工具的選擇 175
9．6．2 時間序列數(shù)據(jù)的導入 175
9．6．3 時間序列數(shù)據(jù)預處理 176
9．6．4 時間序列數(shù)據(jù)處理 ．177
9．7 本章小結 185
第10 章 文本數(shù)據(jù)  186
10．1 文本數(shù)據(jù)的導入 186
10．1．1 文本數(shù)據(jù)與自然語言處理 ．186
10．1．2 分詞 ．187
10．2 文本數(shù)據(jù)的處理 189
10．2．1 文本特征初探 189
10．2．2 文本信息的提取 ．194
10．2．3 文本向量化 ．198
10．3 文本分析的應用 200
10．3．1 文本分類 200
10．3．2 文本情感分析 201
10．4 本章小結 ．204
第11 章 回歸分析  205
11．1 叩響人工智能之門 205
11．1．1 人工智能與機器學習 ．205
11．1．2 工欲善其事，必先利其器 ．208
11．1．3 算法，該“出道”了 ．208
11．2 萬朝歸宗：線性回歸 ．209
11．2．1 一元之道 210
11．2．2 從一元到多元 216
11．2．3 學習和工作中的線性回歸 ．218
11．3 回歸增強術 221
11．3．1 非線性回歸 ．221
11．3．2 可分類的回歸 224
11．3．3 能降維的回歸 227
11．4 本章小結 ．228
第12 章 聚類分析  229
12．1 數(shù)據(jù)之眼看聚類 229
12．1．1 什么是聚類 229
12．1．2 人工智能的未來：無監(jiān)督學習 231
12．1．3 距離產(chǎn)生美 232
12．2 K 均值聚類 234
12．2．1 K 均值聚類的思想 ．234
12．2．2 抽絲剝繭K 均值 234
12．2．3 鳶尾花的K 均值聚類 238
12．3 案例：數(shù)據(jù)下的省、區(qū)、市 ．240
12．3．1 提出問題 ．240
12．3．2 數(shù)據(jù)獲取與處理 241
12．3．3 建模分析與結果 242
12．4 本章小結 244
第13 章 數(shù)據(jù)素養(yǎng)綜合案例  245
13．1 綜合案例1：利用人工智能爬取大數(shù)據(jù)，輕松掌握股市動態(tài) 245
13．1．1 認識人工智能網(wǎng)絡爬蟲 ．245
13．1．2 爬取股市大數(shù)據(jù)，分析需求 ．246
13．1．3 爬取股市大數(shù)據(jù)案例 246
13．2 綜合案例2：人工智能數(shù)據(jù)――體型分析 251
13．2．1 K 最鄰近分類算法原理251
13．2．2 使用KNN 分類算法對體型進行分類的案例 253
13．3 其他案例集 254
13．3．1 計算生肖和星座 254
13．3．2 猜數(shù)游戲 255
13．3．3 二維列表排序 255
13．3．4 學生信息錄入 255
13．3．5 打印回文素數(shù)（合數(shù)）256
13．3．6 數(shù)據(jù)庫加密 256
13．3．7 計算圓臺的體積和表面積 256
13．4 本章小結 257