数据科学概念与实践（原书第2版） PDF下载

编辑推荐

暂无

内容简介

数据科学已经成为从数据中提取价值的基本工具，任何企业都可以将数据收集、存储和处理作为其业务的一部分。本书搭建了一个易于理解的概念框架，帮助读者掌握数据科学的基础知识，并在学习理论的过程中同步使用RapidMiner平台进行实践。书中将分享实用的数据分析方法，讨论如何揭示隐藏的模式和关系，无论你是新手还是专家，都能借助这些方法做出更好的决策和预测。本书非常适合商务用户、数据分析师、商务分析师、工程师和分析专家以及任何与数据打交道的人。

作者简介

暂无

数据科学概念与实践（原书第2版） PDF下载

赞誉
译者序
序言
前言
致谢
作者简介
第1章　简介 1
1.1　AI、机器学习和数据科学 2
1.2　什么是数据科学 3
1.2.1　提取有意义的模式 3
1.2.2　构建表示模型 3
1.2.3　统计、机器学习和计算的结合 4
1.2.4　学习算法 4
1.2.5　相关领域 4
1.3　数据科学的案例 5
1.3.1　体量 5
1.3.2　维度 5
1.3.3　复杂问题 6
1.4　数据科学的分类 6
1.5　数据科学的算法 7
1.6　本书路线图 8
1.6.1　数据科学入门 8
1.6.2　练习使用RapidMiner 8
1.6.3　核心算法 9
参考文献 11
第2章　数据科学过程 12
2.1　先验知识 13
2.1.1　目标 13
2.1.2　主题范围 14
2.1.3　数据 14
2.1.4　因果关系与相关性 15
2.2　数据准备 15
2.2.1　数据探索 15
2.2.2　数据质量 16
2.2.3　缺失值 16
2.2.4　数据类型和转换 16
2.2.5　转换 17
2.2.6　异常值 17
2.2.7　特征选择 17
2.2.8　数据采样 17
2.3　建模 18
2.3.1　训练数据集和测试数据集 18
2.3.2　学习算法 19
2.3.3　模型评估 20
2.3.4　集成模型 20
2.4　应用 21
2.4.1　生产准备 21
2.4.2　技术整合 21
2.4.3　响应时间 21
2.4.4　模型刷新 22
2.4.5　同化 22
2.5　知识 22
参考文献 23
第3章　数据探索 24
3.1　数据探索的目标 24
3.2　数据集 25
3.3　描述性统计 26
3.3.1　单变量探索 27
3.3.2　多变量探索 28
3.4　数据可视化 30
3.4.1　单变量的可视化 31
3.4.2　多变量的可视化 34
3.4.3　可视化高维数据 38
3.5　数据探索的路线图 40
参考文献 41
第4章　分类 42
4.1　决策树 42
4.1.1　工作原理 42
4.1.2　实现过程 47
4.1.3　小结 55
4.2　规则归纳 56
4.2.1　工作原理 58
4.2.2　实现过程 60
4.2.3　小结 63
4.3　k-NN（k-近邻） 63
4.3.1　工作原理 64
4.3.2　实现过程 69
4.3.3　小结 71
4.4　朴素贝叶斯 71
4.4.1　工作原理 72
4.4.2　实现过程 77
4.4.3　小结 79
4.5　人工神经网络 80
4.5.1　工作原理 82
4.5.2　实现过程 84
4.5.3　小结 86
4.6　支持向量机 87
4.6.1　工作原理 89
4.6.2　实现过程 91
4.6.3　小结 95
4.7　集成学习 95
4.7.1　工作原理 97
4.7.2　实现过程 98
4.7.3　小结 105
参考文献 105
第5章　回归方法 107
5.1　线性回归 107
5.1.1　工作原理 108
5.1.2　实现过程 112
5.1.3　检查点 117
5.2　逻辑回归 120
5.2.1　工作原理 122
5.2.2　实现过程 124
5.2.3　总结要点 127
5.3　总结 127
参考文献 127
第6章　关联分析 128
6.1　挖掘关联规则 129
6.1.1　项集 130
6.1.2　规则生成 132
6.2　Apriori算法 133
6.3　频繁模式增长算法 136
6.3.1　工作原理 136
6.3.2　实现过程 138
6.4　总结 141
参考文献 141
第7章　聚类 142
7.1　k-means聚类 145
7.1.1　工作原理 147
7.1.2　实现过程 149
7.2　DBSCAN聚类 153
7.2.1　工作原理 153
7.2.2　实现过程 155
7.3　自组织映射 158
7.3.1　工作原理 159
7.3.2　实现过程 161
参考文献 166
第8章　模型评估 168
8.1　混淆矩阵 169
8.2　ROC和AUC 170
8.3　提升曲线 172
8.4　实现过程 174
8.5　总结 177
参考文献 178
第9章　文本挖掘 179
9.1　工作原理 180
9.1.1　词频–逆文档频率 180
9.1.2　词语 181
9.2　实现过程 184
9.2.1　实现1：关键词聚类 184
9.2.2　实现2：预测博客作者的性别 187
9.3　总结 193
参考文献 194
第10章　深度学习 195
10.1　AI冬天 197
10.1.1　AI冬天：20世纪70年代 197
10.1.2　冬季解冻：20世纪80年代 198
10.1.3　人工智能的春夏：2006年至今 200
10.2　工作原理 201
10.2.1　神经网络的回归模型 201
10.2.2　梯度下降法 202
10.2.3　需要反向传播 204
10.2.4　分类超过2个：softmax 205
10.2.5　卷积神经网络 207
10.2.6　密集层 211
10.2.7　随机失活层 211
10.2.8　循环神经网络 212
10.2.9　自动编码器 213
10.2.10　相关AI模型 213
10.3　实现过程 214
10.4　总结 217
参考文献 218
第11章　推荐引擎 219
11.1　推荐引擎的概念 221
11.2　协同过滤 225
11.2.1　基于邻域的方法 226
11.2.2　矩阵分解 233
11.3　基于内容的过滤 238
11.3.1　用户画像的计算 239
11.3.2　有监督学习方法 245
11.4　混合推荐器 249
11.5　总结 250
参考文献 251
第12章　时间序列预测 253
12.1　时间序列分解 256
12.1.1　经典分解 258
12.1.2　实现过程 258
12.2　基于平滑的方法 260
12.2.1　简单预测方法 260
12.2.2　指数平滑 261
12.2.3　实现过程 263
12.3　基于回归的方法 264
12.3.1　回归 265
12.3.2　周期性回归 266
12.3.3　集成移动平均自回归模型 268
12.3.4　周期性ARIMA 272
12.4　机器学习方法 274
12.4.1　窗口化 275
12.4.2　神经网络自回归 280
12.

前沿

我们的目标是介绍数据科学。
我们将为你提供基础数据科学概念的综述以及实际实施的分步指导——足以让你开始这个激动人心的旅程。
为什么要有数据科学？
我们可以用尽各类形容词来描述数据的增长趋势。技术革命带来了以有意义的方式处理、存储、分析和理解大量不同数据的需求。但是，除非对其进行操作，否则存储数据的价值为零。数据体量和种类的规模对组织提出了新的要求，以便快速发现隐藏的关系和模式。这就是数据科学技术被证明非常有用的地方。它们越来越多地进入了商业和政府职能部门的日常活动，无论是确定哪些客户可能在其他地方开展业务，还是使用社交媒体来描绘流感大流行。
数据科学是从数据中提取价值的技术汇总。数据科学中使用的一些技术历史悠久，源于应用统计、机器学习、可视化、逻辑和计算机科学。一些技术刚刚达到应有的普及程度，大多数新兴技术都经历了所谓的“炒作周期”。这是一种将夸张或炒作的数量与新兴技术产生的生产力进行对比的方式。炒作周期有三个主要阶段：膨胀期望的高峰、幻灭的低谷和生产力的高原。第三阶段是指技术的成熟和价值创造阶段。数据科学的炒作周期表明它处于成熟阶段。这是否意味着数据科学已停止增长或已达到饱和点？一点也不。相反，该学科已超出其最初的市场营销应用范围，并已发展到在技术、互联网领域、医疗保健、政府、金融和制造业方面的应用。
为什么要写本书?
本书的目标有两个：以易于理解的方式阐明许多数据科学技术背后的基本概念；帮助基本掌握数学知识的人在他们的组织中实现这些技术，而无须编写任何程序代码。
除了数据科学的实用价值之外，我们还想向你展示其学习算法是优雅、美观且极其有效的。一旦学习了学习算法的概念，你将永远不会以相同的方式查看数据。
要阐明概念，必须构建数据科学模型。虽然有许多数据科学工具可用于执行算法和开发应用程序，但解决数据科学问题的方法在这些工具中是相似的。我们希望选择一个功能齐全、开源、免费、基于图形用户界面的数据科学工具，以便读者可以遵循这些概念并实施数据科学算法。 RapidMiner是一个领先的数据科学平台，符合要求，因此，我们将其用作实现每章介绍的数据科学算法的配套工具。
谁能使用本书？
本书中描述的概念和实现适用于每天使用数据的业务员、分析师和技术人员。读者将全面了解可用于预测和发现模式的不同数据科学技术，为给定的数据问题选择正确的技术，并且能够创建通用分析过程。
我们试图按照一个过程来描述这一知识体系，重点是引入目前广泛使用的大约30种关键算法。我们在以下框架中提出这些算法：
1）每种算法的高级实际用例。
2）以简单的语言解释算法如何工作。许多算法在统计学和计算机科学中具有坚实的基础。在描述中，我们试图在更广泛的受众可理解性和学术严谨性之间取得平衡。
3）使用RapidMiner详细介绍实现过程，并使用示例数据集描述常用的设置和参数选项。你可以从配套网站（www.IntroDataScience.com）下载这些过程，我们建议你通过构建实际的数据科学过程来跟进学习。
分析师，财务、工程、营销和业务专业人员，或任何分析数据的人，很可能会在现在或不久的将来使用数据科学技术。对于离实际数据科学过程一步之遥的业务经理而言，重要的是了解这些技术的可能性和不可能性，以便提出正确的问题并设定适当的期望。虽然通过标准商业智能工具对数据进行基本的电子表格分析、切片和切块将继续构成业务中数据探索的基础，但数据科学技术对于在组织中建立完整的分析大厦是必要的。

维贾伊·库图，美国加利福尼亚州
巴拉·德斯潘德博士，美国密歇根州