万本电子书0元读

万本电子书0元读

顶部广告

精通数据科学:从线性回归到深度学习电子书

1.在数据学科的角度,融合了数学、计算机科学、计量经济学的精髓。 2.为读者阐释了数据科学所要解决的核心问题—数据模型、算法模型的理论内涵和适用范围 3.以常用的IT工具—Python为基础,教会读者如何建模以及通过算法实现数据模型,具有很强的实操性。 4.本书还为读者详解了分布式机器学习、神经网络、深度学习等大数据和人工智能的前沿技术。 中国工程院院士、第三世界科学院院士、前中国科学院计算技术研究所所长李国杰,

售       价:¥

纸质售价:¥68.30购买纸书

21人正在读 | 0人评论 6.8

作       者:唐亘

出  版  社:人民邮电出版社有限公司

出版时间:2018-06-01

字       数:31.3万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书全面讲解了数据科学的相关知识,从统计分析学到机器学习、深度学习中用到的算法及模型,借鉴经济学视角给出模型的相关解释,深探讨模型的可用性,并结合大量的实际案例和代码帮助读者学以致用,将具体的应用场景和现有的模型相结合,从而更好地发现模型的潜在应用场景。 本书可作为数据科学家和数据工程师的学习用书,也适合对数据科学有强烈兴趣的初学者使用,同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。 本书全面讲解了数据科学的相关知识,从统计分析学到机器学习、深度学习中用到的算法及模型,借鉴经济学视角给出模型的相关解释,深探讨模型的可用性,并结合大量的实际案例和代码帮助读者学以致用,将具体的应用场景和现有的模型相结合,从而更好地发现模型的潜在应用场景。 本书可作为数据科学家和数据工程师的学习用书,也适合对数据科学有强烈兴趣的初学者使用,同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。
【推荐语】
1.在数据学科的角度,融合了数学、计算机科学、计量经济学的精髓。 2.为读者阐释了数据科学所要解决的核心问题—数据模型、算法模型的理论内涵和适用范围 3.以常用的IT工具—Python为基础,教会读者如何建模以及通过算法实现数据模型,具有很强的实操性。 4.本书还为读者详解了分布式机器学习、神经网络、深度学习等大数据和人工智能的前沿技术。 中国工程院院士、第三世界科学院院士、前中国科学院计算技术研究所所长李国杰, 易选股金融智能证券董事长,键桥通讯董事易欢欢作序推荐; GrowingIO 创始人兼 CEO张溪梦, 复旦大学教授、博士生导师、复旦大学航空航天数据研究中心主任杨卫东, 美国罗格斯大学管理科学及信息系统系终身教授,中国计算机学会大数据专家委员会委员林晓东,诚意推荐。
【作者】
唐亘,数据科学家,专注于机器学习和大数据。曾获得复旦大学的数学和计算机双学士学位;巴黎综合理工的金融硕士学位;法国国立统计与经济管理学校的数据科学硕士学位。热爱并积极参与Apache Spark和Scikit-Learn等源项目。作为讲师和技术顾问,为多家机构(包括惠普、华为、复旦大学等)提供百余场技术培训。此前的工作和研究集中于经济和量化金融,曾参与经济合作与发展组织(OECD)的研究项目并发表论文,并担任英国知名在线出版社Packt的技术审稿人。
目录展开

内容提要

序一

序二

序三

前言

本书内容

配套代码

说明

读者反馈

致谢

资源与支持

配套资源

提交勘误

与我们联系

关于异步社区和异步图书

第1章 数据科学概述

1.1 挑战

1.2 机器学习

1.3 统计模型

1.4 关于本书

第2章 Python安装指南与简介:告别空谈

2.1 Python简介

2.2 Python安装

2.3 Python上手实践

2.4 本章小结

第3章 数学基础:恼人但又不可或缺的知识

3.1 矩阵和向量空间

3.2 概率:量化随机

3.3 微积分

3.4 本章小结

第4章 线性回归:模型之母

4.1 一个简单的例子

4.2 上手实践:模型实现

4.3 模型陷阱

4.4 模型持久化

4.5 本章小结

第5章 逻辑回归:隐藏因子

5.1 二元分类问题:是与否

5.2 上手实践:模型实现

5.3 评估模型效果:孰优孰劣

5.4 多元分类问题:超越是与否

5.5 非均衡数据集

5.6 本章小结

第6章 工程实现:计算机是怎么算的

6.1 算法思路:模拟滚动

6.2 数值求解:梯度下降法

6.3 上手实践:代码实现

6.4 更优化的算法:随机梯度下降法

6.5 本章小结

第7章 计量经济学的启示:他山之石

7.1 定量与定性:变量的数学运算合理吗

7.2 定性变量的处理

7.3 定量变量的处理

7.4 显著性

7.5 多重共线性:多变量的烦恼

7.6 内生性:变化来自何处

7.7 本章小结

第8章 监督式学习:目标明确

8.1 支持向量学习机

8.2 核函数

8.3 决策树

8.4 树的集成

8.5 本章小结

第9章 生成式模型:量化信息的价值

9.1 贝叶斯框架

9.2 朴素贝叶斯

9.3 判别分析

9.4 隐马尔可夫模型

9.5 本章小结

第10章 非监督式学习:聚类与降维

10.1 K-means

10.2 其他聚类模型

10.3 Pipeline

10.4 主成分分析

10.5 奇异值分解

10.6 本章小结

第11章 分布式机器学习:集体力量

11.1 Spark简介

11.2 最优化问题的分布式解法

11.3 大数据模型的两个维度

11.4 开源工具的另一面

11.5 本章小结

第12章 神经网络:模拟人的大脑

12.1 神经元

12.2 神经网络

12.3 反向传播算法

12.4 提高神经网络的学习效率

12.5 本章小结

第13章 深度学习:继续探索

13.1 利用神经网络识别数字

13.2 卷积神经网络[6]

13.3 其他深度学习模型

13.4 本章小结

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部