書　　名　　精通數據科學 從綫性迴歸到深度學習

ISBN        9787115479105

作　　者　　唐亙

開　　本　　16 開

印　　張　　27

字　　數　　549 韆字

頁　　數　　432 頁

裝　　幀　　平裝

版　　次　　1版1次

初版時間　　2018年6月

本 印 次　　2018年6月

定　　價　　99.00 元

本書全麵講解瞭數據科學的相關知識，從統計分析學到機器學習、深度學習中用到的算法及模型，藉鑒經濟學視角給齣模型的相關解釋，深入探討模型的可用性，並結閤大量的實際案例和代碼幫助讀者學以緻用，將具體的應用場景和現有的模型相結閤，從而*好地發現模型的潛在應用場景。

本書可作為數據科學傢和數據工程師的學習用書，也適閤對數據科學有強烈興趣的初學者使用，同時也可作為高等院校計算機、數學及相關的師生用書和培訓學校的教材。

 1章  數據科學概述 1

1.1　挑戰　2

1.1.1　工程實現的挑戰　2

1.1.2　模型搭建的挑戰　3

1.2　機器學習　5

1.2.1　機器學習與傳統編程　5

1.2.2　監督式學習和非監督式學習　8

1.3　統計模型　8

1.4　關於本書　10

　2章 Python安裝指南與簡介：告彆空談　12

2.1　Python簡介　13

2.1.1　什麼是Python　15

2.1.2　Python在數據科學中的地位　16

2.1.3　不可能繞過的三方庫　17

2.2　Python安裝　17

2.2.1　Windows下的安裝　18

2.2.2　Mac下的安裝　21

2.2.3　Linux下的安裝　24

2.3　Python上手實踐　26

2.3.1　Python shell　26

2.3.2　 一個Python程序：Word Count　28

2.3.3　Python編程基礎　30

2.3.4　Python的工程結構　34

2.4　本章小結　35

3章　數學基礎：惱人但又不可或缺的知識　36

3.1　矩陣和嚮量空間　37

3.1.1　標量、嚮量與矩陣　37

3.1.2　特殊矩陣　39

3.1.3　矩陣運算　39

3.1.4　代碼實現　42

3.1.5　嚮量空間　44

3.2　概率：量化隨機　46

3.2.1　定義概率：事件和概率空間　47

3.2.2　條件概率：信息的價值　48

3.2.3　隨機變量：兩種不同的隨機　50

3.2.4　正態分布：殊途同歸　52

3.2.5　P-value：自信的猜測　53

3.3　微積分　55

3.3.1　導數和積分：位置、速度　55

3.3.2　極限：變化的終點　57

3.3.3　復閤函數：鏈式法則　58

3.3.4　多元函數：偏導數　59

3.3.5　極值與值：優選擇　59

3.4　本章小結　61

4章　綫性迴歸：模型之母　62

4.1　一個簡單的例子　64

4.1.1　從機器學習的角度看這個問題　66

4.1.2　從統計學的角度看這個問題　69

4.2　上手實踐：模型實現　73

4.2.1　機器學習代碼實現　74

4.2.2　統計方法代碼實現　77

4.3　模型陷阱　82

4.3.1　過度擬閤：模型越復雜越好嗎　84

4.3.2　模型幻覺之統計學方案：假設檢驗　87

4.3.3　模型幻覺之機器學習方案：懲罰項　89

4.3.4　比較兩種方案　92

4.4　模型持久化　92

4.4.1　模型的生命周期　93

4.4.2　保存模型　93

4.5　本章小結　96

5章　邏輯迴歸：隱藏因子　97

5.1　二元分類問題：是與否　98

5.1.1　綫性迴歸：為何失效　98

5.1.2　窗口效應：看不見的纔是關鍵　100

5.1.3　邏輯分布：勝者生存　102

5.1.4　參數估計之似然函數：統計學角度　104

5.1.5　參數估計之損失函數：機器學習角度　104

5.1.6　參數估計之終預測：從概率到選擇　106

5.1.7　空間變換：非綫性到綫性　106

5.2　上手實踐：模型實現　108

5.2.1　初步分析數據：直觀印象　108

5.2.2　搭建模型　113

5.2.3　理解模型結果　116

5.3　評估模型效果：孰優孰劣　118

5.3.1　查準率與查全率　119

5.3.2　ROC麯綫與AUC　123

5.4　多元分類問題：越是與否　127

5.4.1　多元邏輯迴歸：邏輯分布的威力　128

5.4.2　One-vs.-all：從二元到多元　129

5.4.3　模型實現　130

5.5　非均衡數據集　132

5.5.1　準確度悖論　132

5.5.2　一個例子　133

5.5.3　解決方法　135

5.6　本章小結　136

6章　工程實現：計算機是怎麼算的　138

6.1　算法思路：模擬滾動　139

6.2　數值求解：梯度下降法　141

6.3　上手實踐：代碼實現　142

6.3.1　TensorFlow基礎　143

6.3.2　定義模型　148

6.3.3　梯度下降　149

6.3.4　分析運行細節　150

6.4　更優化的算法：隨機梯度下降法　153

6.4.1　算法細節　153

6.4.2　代碼實現　154

6.4.3　兩種算法比較　156

6.5　本章小結　158

7章　計量經濟學的啓示：他山之石　159

7.1　定量與定性：變量的數學運算閤理嗎　161

7.2　定性變量的處理　162

7.2.1　虛擬變量　162

7.2.2　上手實踐：代碼實現　164

7.2.3　從定性變量到定量變量　168

7.3　定量變量的處理　170

7.3.1　定量變量轉換為定性變量　171

7.3.2　上手實踐：代碼實現　171

7.3.3　基於卡方檢驗的方法　173

7.4　顯著性　175

7.5　多重共綫性：多變量的煩惱　176

7.5.1　多重共綫性效應　176

7.5.2　檢測多重共綫性　180

7.5.3　解決方法　185

7.5.4　虛擬變量陷阱　188

7.6　內生性：變化來自何處　191

7.6.1　來源　192

7.6.2　內生性效應　193

7.6.3　工具變量　195

【正版】精通數據科學 從綫性迴歸到深度學習 下載 mobi epub pdf txt 電子書