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：¥73.70购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
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
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
