数据科学技术与应用pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

数据科学技术与应用PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 数据科学基础 1

1.1 数据科学概述 1

1.1.1 数据的力量 1

1.1.2 数据科学的知识结构 3

1.1.3 数据科学的工作流程 4

1.1.4 数据科学与大数据 5

1.2 Python数据分析工具 7

1.2.1 科学计算集成环境Anaconda 7

1.2.2 Python编译环境 7

1.2.3 Jupyter Notebook 8

1.3 Python语言基础 10

1.3.1 常用数据类型 10

1.3.2 流程控制 11

1.3.3 函数和方法库 13

综合练习题 14

第2章 多维数据结构与运算 15

2.1 多维数组对象 15

2.1.1 一维数组对象 16

2.1.2 二维数组对象 17

2.1.3 创建多维数组的常用方法 19

2.2 多维数组运算 21

2.2.1 基本算术运算 21

2.2.2 函数和矩阵运算 22

2.2.3 随机数组生成函数 25

2.3 案例：随机游走轨迹模拟 26

综合练习题 29

第3章 数据汇总与统计 30

3.1 统计基本概念 30

3.1.1 统计的含义 30

3.1.2 常用统计量 31

3.2 pandas数据结构 33

3.2.1 Series对象 33

3.2.2 Series数据访问 34

3.2.3 DataFrame对象 37

3.2.4 DataFrame数据访问 37

3.3 数据文件读写 41

3.3.1 读写CSV和TXT文件 41

3.3.2 读取Excel文件 44

3.4 数据清洗 45

3.4.1 缺失数据处理 46

3.4.2 去除重复数据 48

3.5 数据规整化 49

3.5.1 数据合并 49

3.5.2 数据排序 51

3.6 统计分析 53

3.6.1 通用函数与运算 53

3.6.2 统计函数 54

3.6.3 相关性分析 56

3.6.4 案例：调查反馈表分析 56

综合练习题 59

第4章 数据可视化 60

4.1 Python绘图基础 60

4.1.1 认识基本图形 60

4.1.2 pandas快速绘图 61

4.1.3 Matplotlib精细绘图 63

4.2 可视化数据探索 67

4.2.1 绘制常用图形 67

4.2.2 绘制数据地图 77

综合练习题 81

第5章 机器学习建模分析 83

5.1 机器学习概述 83

5.1.1 机器学习与人工智能 83

5.1.2 Python机器学习方法库 85

5.2 回归分析 85

5.2.1 回归分析原理 85

5.2.2 回归分析实现 86

5.2.3 回归分析性能评估 89

5.3 分类分析 91

5.3.1 分类学习原理 91

5.3.2 决策树 93

5.3.3 支持向量机 96

5.4 聚类分析 100

5.4.1 聚类任务 100

5.4.2 K-means算法 101

5.4.3 聚类方法的性能评估 104

5.5 神经网络和深度学习 106

5.5.1 神经元与感知器 106

5.5.2 神经网络 107

5.5.3 神经网络分类实现 108

5.5.4 深度学习 110

综合练习题 111

第6章 文本数据处理 112

6.1 文本处理概述 112

6.1.1 文本处理的常见任务 112

6.1.2 文本处理的基本步骤 113

6.2 中文文本处理 115

6.2.1 中文分词 115

6.2.2 词性标注 116

6.2.3 特征提取 117

6.3 实例：垃圾邮件识别 120

6.3.1 数据来源 121

6.3.2 构建文本分类特征训练集 122

6.3.3 模型训练和验证 122

综合练习题 123

第7章 图像数据处理 124

7.1 数字图像概述 124

7.1.1 数字图像 124

7.1.2 数字图像类型 125

7.1.3 数字图像处理 125

7.2 Python图像处理 126

7.2.1 Python图像处理库 126

7.2.2 图像基本操作 127

7.3 案例：深度学习实现图像分类 129

7.3.1 卷积神经网络 129

7.3.2 深度学习库Keras 130

7.3.3 用Keras实现图像分类 132

综合练习题 136

第8章 时序数据与语音处理 137

8.1 时序数据概述 137

8.1.1 时序数据特性 137

8.1.2 时序数据特征的提取 138

8.2 时序数据分析方法 140

8.2.1 时序数据分析过程 140

8.2.2 股票预测实例 142

8.3 语音识别实例 146

8.3.1 语音识别技术简介 146

8.3.2 语音识别中的时序数据处理 147

8.3.3 语音识别实例 149

综合练习题 151

参考文献 152