幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

數據分析演算法及應用實踐--基於Python3.x(富媒體體高等院校特色規劃教材)

  • 作者：編者:劉建軍//董少群//崔學慧|責編:柴毓
  • 出版社：石油工業
  • ISBN：9787518341511
  • 出版日期：2020/09/01
  • 裝幀：平裝
  • 頁數：372
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書基於Python 3.x平台，介紹了數據分析方法和應用實踐。內容涉及數據分析中的有監督和無監督方法，包括關聯規則、聚類和分類三類基本方法。重點介紹數據分析方法中的演算法思想及演算法詳細實現過程，並結合簡單實例進行說明，以達到深入淺出、通俗易懂的目標。對於一些重要定理和結論，適當增加了數學證明或公式推導等內容，以加強學習者對演算法理論的深入理解。書末附有數據分析實驗與應用實踐，給出了基於Python的項目解決方案和過程。
    本書的適用對象主要是高等院校的統計專業、大數據專業等高年級本科生和理工類學科的碩士研究生，也適用於有關領域中需要數據分析處理的廣大工作者。
作者介紹
編者:劉建軍//董少群//崔學慧|責編:柴毓
目錄
緒論
  0.1  大數據背景下的數據分析
  0.2  大數據分析與傳統數據分析的區別
  0.3  數據分析的基本過程及數據的預處理
  0.4  數據分析方法分類
  0.5  本書主要內容
第1篇  關聯規則方法
  第1章  關聯分析演算法
    1.1  Apriori演算法
    1.2  AprioriTID演算法
    習題
  第2章  FP-Growth、ECLAT和RElim演算法
    2.1  FP-Growth演算法
    2.2  ECLAT演算法
    2.3  RElim演算法
    習題
第2篇  聚類方法
  第3章  聚類問題基礎知識
    3.1  聚類分析概述
    3.2  數據變換處理方法
    3.3  聚類演算法中的距離計算
    3.4  聚類演算法評價
    習題
  第4章  基於劃分的聚類方法
    4.1  K-Means聚類演算法
    4.2  K-Means的改進演算法
    4.3  AP聚類演算法
    習題
  第5章  基於層次的聚類方法
    5.1  基於層次的聚類方法思想
    5.2  BIRCH演算法
    5.3  CURE演算法
    5.4  ROCK演算法
    習題
  第6章  基於密度的聚類方法
    6.1  DBSCAN聚類方法
    6.2  OPTICS聚類方法
    6.3  均值遷移聚類方法
    6.4  密度峰值聚類方法
    習題
  第7章  基於網格的聚類方法
    7.1  STING演算法
    7.2  WaveCluster演算法
    7.3  CLIQUE演算法
    習題
  第8章  基於圖的聚類方法
    8.1  圖的基本概念
    8.2  Chameleon演算法
    8.3  譜聚類演算法
    習題

  第9章  基於模型的聚類方法
    9.1  EM演算法
    9.2  混合高斯模型（GMM）演算法
    習題
第3篇  分類方法
  第10章  分類方法概述
    10.1  分類概述
    10.2  分類模型的評估
  第11章  k-近鄰演算法與k-d樹
    11.1  k-近鄰演算法
    11.2  k-d樹
    習題
  第12章  決策樹與隨機森林
    12.1  決策樹
    12.2  隨機森林
    12.3  決策樹與隨機森林分類演算法的Python實現
    習題
  第13章  自適應提升和梯度提升演算法
    13.1  Boosting演算法
    13.2  自適應提升演算法
    13.3  梯度提升決策樹演算法
    13.4  XGBoost演算法
    習題
  第14章  樸素貝葉斯分類演算法
    14.1  貝葉斯基礎知識
    14.2  樸素貝葉斯演算法原理
    14.3  樸素貝葉斯分類演算法的參數估計
    14.4  樸素貝葉斯演算法的Python實現
    習題
第4篇  高級數據分析方法
  第15章  基於神經網路的數據處理方法
    15.1  人工神經網路簡介
    15.2  感知器分類演算法
    15.3  BP神經網路實現分類
    15.4  SOM聚類法
    習題
  第16章  支持向量機分類演算法
    16.1  線性支持向量機
    16.2  軟間隔線性支持向量機
    16.3  非線性支持向量機
    16.4  序列最小優化演算法
    16.5  SVM實現多分類
    16.6  SVM的特點及SVM分類的Python實現
    習題
參考文獻
附錄  數據分析實驗與應用實踐
  附錄A  數據文件操作基礎
    A.1  導入導出txt文件
    A.2  導入導出csv文件
    A.3  應用pandas包讀寫數據文件

  附錄B  零售市場數據關聯分析
    B.1  項目背景
    B.2  導入數據
    B.3  數據描述性分析
    B.4  數據預處理
    B.5  尋找關聯規則
    B.6  小結
  附錄C  用K-Means聚類進行客戶細分
    C.1  項目背景
    C.2  導入數據
    C.3  數據分析
    C.4  小結
  附錄D  應用GMM識別語音人物
    D.1  項目任務
    D.2  數據準備
    D.3  GMM建模
    D.4  結果與結論
  附錄E  基於K-近鄰演算法的手寫數字識別
    E.1  項目背景
    E.2  手寫數字識別模型原理
    E.3  數據及數據前期處理
    E.4  構建KNN演算法並測試演算法
    E.5  小結
  附錄F  應用樸素貝葉斯分類器過濾垃圾郵件
    F.1  項目背景
    F.2  收集並準備數據
    F.3  構造分類函數
    F.4  訓練演算法
    F.5  測試演算法
    F.6  小結
  附錄G  基於隨機森林和GBDT的心血管疾病診斷
    G.1  項目背景
    G.2  數據說明與預處理
    G.3  探索性分析
    G.4  分類建模
    G.5  小結
  附錄H  基於SVM的圖像分類
    H.1  項目任務
    H.2  SVM圖像分類的基本流程
    H.3  實際數據處理
    H.4  結果與小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032