当前位置:主页 > 计算机电子书 > 程序设计 > Python pdf电子书
Python数据科学:技术详解与商业实践

Python数据科学:技术详解与商业实践 PDF 影印版

  • 更新:2019-06-11
  • 大小:154 MB
  • 类别:Python
  • 作者:常国珍
  • 出版:机械工业出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

Python数据科学:技术详解与商业实践》是由机械工业出版社出版的一本关于Python方面的书籍,作者是常国珍,主要介绍了关于Python、数据科学、技术详解、商业实践方面的知识内容,目前在Python类书籍综合评分为:9.1分。

书籍介绍

Python数据科学:技术详解与商业实践

Python数据科学:技术详解与商业实践

读者评价

虽然我不是搞金融数据的,但这本书上的很多思路和方法却是可以借鉴的,希望以后能够多一些研究非金融类的其它行业的数据挖掘的人
课程和书同步的,上课免费拿了一本~课程讲的很详细,书就略过了一些琐碎的知识点了。非常全面,感觉是今年在数据方面特别好的内容了。非常推荐
近几年Python成为数据科学行业中大受欢迎的编程语言,初看了一下目前录,这本书为总结一下数据科学家和工程师几个最实用的python库以各种函数。如果你是正在学习Python的学生,我想你能从书中找到学习的重心。  关键是这几个作者都还是蛮牛的数据科学专家。
客户洞察是分析型客户关系管理的核心,是实现客户智能的必要手段,其旨在增加CRM系统的商业分析与辅助决策能力。分析型CRM需要整合外部客户数据、渠道数据和大量交易数据,并从中提取出隐含有用的信息,这便是数据科学的用武之地。客户生命周期是客户洞察中最常用的分析工具,企业对初次接触的客户了解甚少,随着交往时间的延长,对其洞察越深入,分析主题越丰富。本课程就按照客户产品生命周期逐步展开数据科学的不同议题

内容介绍

本书共19章,第1章介绍数据科学中涉及的基本领域;第2~3章介绍与数据工作紧密相关的Python语言基础;第4章讲解描述性统计分析在宏观业务领域的分析;第5章讲解数据规整、清洗的重要技能;第6章介绍数据科学领域实用的四大统计检验;第7章讲解当被解释变量为连续变量时,如何使用线性回归作预测;第8章讲解使用逻辑回归作评分卡模型;第9章讲解另外一个可解释模型——决策树。第10~12章分别讲解了BP神经网络、朴素贝叶斯、近邻域、支持向量机的原理和在决策类模型中的运用;第13~14章作为一个整体讲解商业分析场景下的信息压缩;第15章以产品推荐作为案例,讲解发现事件与事件伴生关系的关联分析和序列分析算法;第16章使用欺诈识别案例讲解当被解释变量分布极 端不平衡时的处理方法;第17章继续使用欺诈识别案例讲解集成学习算法;第18章讲解了使用效应分解和ARIMA方法实现宏观业务指标预测;第19章用案例展现了分类和聚类模型的CRISP-DM和SEMMA流程。

目录

  • 前言
  • 第1章数据科学家的武器库
  • 1.1数据科学的基本概念
  • 1.2数理统计技术
  • 1.2.1描述性统计分析
  • 1.2.2统计推断与统计建模
  • 1.3数据挖掘的技术与方法
  • 1.4描述性数据挖掘算法示例
  • 1.4.1聚类分析——客户细分
  • 1.4.2关联规则分析
  • 1.5预测性数据挖掘算法示例
  • 1.5.1决策树
  • 1.5.2KNN算法
  • 1.5.3Logistic回归
  • 1.5.4神经网络
  • 1.5.5支持向量机
  • 1.5.6集成学习
  • 1.5.7预测类模型讲解
  • 1.5.8预测类模型评估概述
  • 第2章Python概述
  • 2.1Python概述
  • 2.1.1Python简介
  • 2.1.2Python与数据科学
  • 2.1.3Python2与Python3
  • 2.2Anaconda Python的安装、使用
  • 2.2.1下载与安装
  • 2.2.2使用Jupyter Notebook
  • 2.2.3使用Spyder
  • 2.2.4使用conda或pip管理
  • 第三方库
  • 第3章数据科学的Python编程基础
  • 3.1Python的基本数据类型
  • 3.1.1字符串(str)
  • 3.1.2浮点数和整数(float、int)
  • 3.1.3布尔值(Bool:True/False)
  • 3.1.4其他
  • 3.2Python的基本数据结构
  • 3.2.1列表(list)
  • 3.2.2元组(tuple)
  • 3.2.3集合(set)
  • 3.2.4字典(dict)
  • 3.3Python的程序控制
  • 3.3.1三种基本的编程结构简介
  • 3.3.2顺承结构
  • 3.3.3分支结构
  • 3.3.4循环结构
  • 3.4Python的函数与模块
  • 3.4.1Python的函数
  • 3.4.2Python的模块
  • 3.5Pandas读取结构化数据
  • 3.5.1读取数据
  • 3.5.2写出数据
  • 第4章描述性统计分析与绘图
  • 4.1描述性统计进行数据探索
  • 4.1.1变量度量类型与分布类型
  • 4.1.2分类变量的统计量
  • 4.1.3连续变量的分布与集中趋势
  • 4.1.4连续变量的离散程度
  • 4.1.5数据分布的对称与高矮
  • 4.2制作报表与统计制图
  • 4.3制图的步骤
  • 第5章数据整合和数据清洗
  • 5.1数据整合
  • 5.1.1行列操作
  • 5.1.2条件查询
  • 5.1.3横向连接
  • 5.1.4纵向合并
  • 5.1.5排序
  • 5.1.6分组汇总
  • 5.1.7拆分、堆叠列
  • 5.1.8赋值与条件赋值
  • 5.2数据清洗
  • 5.2.1重复值处理
  • 5.2.2缺失值处理
  • 5.2.3噪声值处理
  • 5.3RFM方法在客户行为分析上的运用
  • 5.3.1行为特征提取的RFM方法论
  • 5.3.2使用RFM方法计算变量
  • 5.3.3数据整理与汇报
  • 第6章数据科学的统计推断基础
  • 6.1基本的统计学概念
  • 6.1.1总体与样本
  • 6.1.2统计量
  • 6.1.3点估计、区间估计和中心极限定理
  • 6.2假设检验与单样本t检验
  • 6.2.1假设检验
  • 6.2.2单样本t检验
  • 6.3双样本t检验
  • 6.4方差分析(分类变量和连续变量关系检验)
  • 6.4.1单因素方差分析
  • 6.4.2多因素方差分析
  • 6.5相关分析(两连续变量关系检验)
  • 6.5.1相关系数
  • 6.5.2散点矩阵图
  • 6.6卡方检验(二分类变量关系检验)
  • 6.6.1列联表
  • 6.6.2卡方检验
  • 第7章客户价值预测:线性回归模型与诊断
  • 7.1线性回归
  • 7.1.1简单线性回归
  • 7.1.2多元线性回归
  • 7.1.3多元线性回归的变量筛选
  • 7.2线性回归诊断
  • 7.2.1残差分析
  • 7.2.2强影响点分析
  • 7.2.3多重共线性分析
  • 7.2.4小结线性回归诊断
  • 7.3正则化方法
  • 7.3.1岭回归
  • 7.3.2LASSO回归
  • 第8章Logistic回归构建初始信用评级
  • 8.1Logistic回归的相关关系分析
  • 8.2Logistic回归模型及实现
  • 8.2.1Logistic回归与发生比
  • 8.2.2Logistic回归的基本原理
  • 8.2.3在Python中实现Logistic回归
  • 8.3Logistic回归的极大似然估计
  • 8.3.1极大似然估计的概念
  • 8.3.2Logistics回归的极大似然估计
  • 8.4模型评估
  • 8.4.1模型评估方法
  • 8.4.2ROC曲线的概念
  • 8.4.3在Python中实现ROC曲线
  • 第9章使用决策树进行初始信用评级
  • 9.1决策树概述
  • 9.2决策树算法
  • 9.2.1ID3建树算法原理
  • 9.2.2C4.5建树算法原理
  • 9.2.3CART建树算法原理
  • 9.2.4决策树的剪枝
  • 9.3在Python中实现决策树
  • 9.3.1建模
  • 9.3.2模型评估
  • 9.3.3决策树的可视化
  • 9.3.4参数搜索调优
  • 第10章神经网络
  • 10.1神经元模型
  • 10.2单层感知器
  • 10.3BP神经网络
  • 10.4多层感知器的scikitlearn代码实现
  • 第11章分类器入门:最近邻域与朴素贝叶斯
  • 11.1KNN算法
  • 11.1.1KNN算法原理
  • 11.1.2在Python中实现KNN算法
  • 11.2朴素贝叶斯分类
  • 11.2.1贝叶斯公式
  • 11.2.2朴素贝叶斯分类原理
  • 11.2.3朴素贝叶斯的参数估计
  • 11.2.4在Python中实现朴素贝叶斯
  • 第12章高级分类器:支持向量机
  • 12.1线性可分与线性不可分
  • 12.2线性可分支持向量机
  • 12.2.1函数间隔和几何间隔
  • 12.2.2学习策略
  • 12.2.3对偶方法求解
  • 12.2.4线性可分支持向量机例题
  • 12.3线性支持向量机与软间隔最大化
  • 12.4非线性支持向量机与核函数
  • 12.4.1核函数
  • 12.4.2非线性支持向量机的学习
  • 12.4.3示例与Python实现
  • 12.5使用支持向量机的案例
  • 第13章连续变量的特征选择与转换
  • 13.1方法概述
  • 13.2主成分分析
  • 13.2.1主成分分析简介
  • 13.2.2主成分分析原理
  • 13.2.3主成分分析的运用
  • 13.2.4在Python中实现主成分分析
  • 13.3基于主成分的冗余变量筛选
  • 13.4因子分析
  • 13.4.1因子分析模型
  • 13.4.2因子分析算法
  • 13.4.3在Python中实现因子分析
  • 第14章客户分群与聚类
  • 14.1聚类算法概述
  • 14.2聚类算法基本概念
  • 14.2.1变量标准化与分布形态转换
  • 14.2.2变量的维度分析
  • 14.3聚类模型的评估
  • 14.4层次聚类
  • 14.4.1层次聚类原理
  • 14.4.2层次聚类在Python中的实现
  • 14.5基于划分的聚类
  • 14.5.1kmeans聚类原理
  • 14.5.2kmeans聚类

资源获取

资源地址1:https://pan.baidu.com/s/1EJs44il9z08vcLLW5DbezQ(密码:cgav)

相关资源

网友留言