滿額折
數據科學與數學建模（簡體書）
商品資訊
相關商品
商品簡介
目次
商品簡介
本書內容分為八章，基本涵蓋了目前較為常用的數據科學建模方法，包括現在熱門的深度學習。書中不僅介紹模型的理論基礎，還以大量案例結合現實數據為讀者展示了數據分析中常見任務的處理流程，如分類、回歸、聚類、推薦、圖片識別等，幫助讀者應用這些模型和方法解決實際問題。第一章首先對數據科學的任務和重要性進行了概述，接著介紹數據科學的建模流程以及Python語言開發環境與常用庫；第二章介紹了回歸模型，包括線性回歸和邏輯回歸模型；第三章介紹了聚類模型，包括k-means算法、DBSCAN算法和DIANA算法；第四章介紹了關聯規則分析，包括Apriori算法和FP-Growth算法；第五章介紹了決策樹模型，包括ID3、C4.5和CART算法及樹的剪枝方法；第六章介紹了支持向量機，包括線性和非線性支持向量機以及向量機的求解與多分類問題；第七章介紹了貝葉斯網絡，包括樸素貝葉斯、TAN貝葉斯和無約束貝葉斯；第八章介紹了深度學習，包括卷積神經網絡和循環神經網絡。
材，整理編撰了本實驗指導教材，以供嵌入式系統課程的實驗教學之用。 目前的嵌入式系統主要分為跑操作系統和不跑操作系統兩種類型，本實驗指導教材側重於第一種類型，全書以Linux為操作系統，重點講述了Linux基本命令、Linux下的程序開發、Linux下字符型驅動程序開發、Linux按鍵中斷程序、Linux網絡應用開發以及Linux內核定制等相關內容，為學生動手實踐嵌入式Linux系統開發提供指導和幫助，力求把學生學習時的挫折感降至最低。
材，整理編撰了本實驗指導教材，以供嵌入式系統課程的實驗教學之用。 目前的嵌入式系統主要分為跑操作系統和不跑操作系統兩種類型，本實驗指導教材側重於第一種類型，全書以Linux為操作系統，重點講述了Linux基本命令、Linux下的程序開發、Linux下字符型驅動程序開發、Linux按鍵中斷程序、Linux網絡應用開發以及Linux內核定制等相關內容，為學生動手實踐嵌入式Linux系統開發提供指導和幫助，力求把學生學習時的挫折感降至最低。
目次
目錄
第一章 緒論 6
1.1數據科學概述 6
1.2 數據科學的建模流程 8
1.3 Python語言開發環境與庫入門 12
1.3.1 開發環境 12
1.3.2 Python基本語法 15
1.3.3 Python常用庫和功能 16
1.4本書內容介紹 19
第二章 回歸模型 21
2.1概述 21
2.2線性回歸 22
2.2.1 一元線性回歸 22
2.2.2 多元線性回歸 25
2.3線性回歸案例 28
2.3.1兒童體表面積預測 28
2.3.2波士頓房價因素分析 32
附錄：scikit-learn庫中的LinearRegression 34
2.4邏輯回歸 35
2.4.1 邏輯回歸模型 35
2.4.2 邏輯回歸方程中回歸係數的估計及含義 37
2.4.3 邏輯回歸方程的統計檢驗 38
2.5邏輯回歸案例 40
2.5.1考試成績預測 40
2.5.2鳶尾花分類 42
附錄：scikit-learn庫中的LogisticsRegression 44
第三章 聚類模型 46
3.1概述 46
3.1.1聚類分析概述 46
3.1.2基於距離的聚類相似度 49
3.2 K-means聚類 50
3.2.1 K-means聚類算法 50
3.2.2 K-means聚類實例 51
3.2.3 K-means聚類的優缺點 56
3.3 密度聚類 56
3.3.1 DBSCAN密度定義 56
3.3.2 DBSCAN聚類算法 56
3.3.3 DBSCAN聚類的優缺點 57
3.4 層次聚類 57
3.4.1系統聚類 58
3.4.2 DIANA算法 64
3.4.3 層次聚類算法的優缺點 67
3.5 案例 67
3.5.1 一個二維數據集聚類 67
3.5.2一個居民家庭情況案例 69
3.5.3一個醫療建設評價案例 75
附錄：scikit-learn庫中的KMeans 77
第四章 關聯規則 80
4.1 概述 80
4.1.1 問題概述 80
4.1.2 關聯規則概述 80
4.1.3 關聯分析的基本概念 81
4.2 Apriori算法 84
4.3 基於Apriori算法的改進算法 88
4.4 FP-Growth算法 90
4.5 關聯規則案例 94
4.5.1一個銷售記錄的關聯分析案例 94
4.5.2商品購買記錄分析 98
4.5.3電影推薦 100
第五章 決策樹 104
5.1概述 104
5.1.1 決策樹基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 ID3算法 107
5.2.1基本思想 107
5.2.2 ID3算法應用實例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基於信息增益率建模的決策樹 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基於CART算法建模的決策樹 115
5.5 決策樹的剪枝 117
5.6 案例 121
5.6.1泰坦尼克號乘客倖存預測 121
5.6.2乳腺癌診斷 125
附錄：scikit-learn庫中的DecisionTreeClassifier 129
第六章 支持向量機 132
6.1概述 132
6.2線性支持向量機 132
6.2.1 硬間隔線性支持向量機 133
6.2.2 軟間隔線性支持向量機 135
6.3非線性支持向量機 138
6.3.1特徵空間硬間隔支持向量機 140
6.3.2特徵空間軟間隔支持向量機 141
6.4 支持向量機的求解和多分類問題 142
6.4.1 支持向量機的求解 142
6.4.2 多分類問題 142
6.5新聞文本分類案例 144
附錄：scikit-learn庫中的SVM 147
第七章 貝葉斯網絡 150
7.1概述 150
7.1.1 貝葉斯網絡定義 150
7.1.2 貝葉斯網絡的知識推理模式 151
7.1.3 貝葉斯網絡建立的主要步驟 151
7.1.4貝葉斯網絡的結構學習 152
7.1.5 貝葉斯網絡的參數學習 153
7.1.6 主要貝葉斯網絡模型 156
7.2 樸素貝葉斯網絡 156
7.3 TAN貝葉斯網絡 162
7.4 無約束貝葉斯網絡 167
7.5 樸素貝葉斯進行垃圾郵件過濾 170
附錄 scikit-learn庫中的Naive-Bayes分類 174
第八章 深度學習 176
8.1概述 176
8.1.1 深度學習的發展歷史 176
8.1.2 神經網絡的基本模型 176
8.2多層感知機 180
8.2.1感知機 180
8.2.2多層感知機 184
8.3卷積神經網絡 190
8.3.1基本網絡結構 191
8.3.2反向傳播訓練算法 192
8.3.3 AlexNet網絡結構 193
8.4循環神經網絡 194
8.4.1基本網絡結構 195
8.4.2反向傳播訓練算法 195
8.4.3長短時間記憶單元 196
8.5 構建卷積神經網絡模型對CIFAR圖片數據集分類 197
附錄：TensorFlow基本用法 203
參考文獻 207
第一章 緒論 6
1.1數據科學概述 6
1.2 數據科學的建模流程 8
1.3 Python語言開發環境與庫入門 12
1.3.1 開發環境 12
1.3.2 Python基本語法 15
1.3.3 Python常用庫和功能 16
1.4本書內容介紹 19
第二章 回歸模型 21
2.1概述 21
2.2線性回歸 22
2.2.1 一元線性回歸 22
2.2.2 多元線性回歸 25
2.3線性回歸案例 28
2.3.1兒童體表面積預測 28
2.3.2波士頓房價因素分析 32
附錄：scikit-learn庫中的LinearRegression 34
2.4邏輯回歸 35
2.4.1 邏輯回歸模型 35
2.4.2 邏輯回歸方程中回歸係數的估計及含義 37
2.4.3 邏輯回歸方程的統計檢驗 38
2.5邏輯回歸案例 40
2.5.1考試成績預測 40
2.5.2鳶尾花分類 42
附錄：scikit-learn庫中的LogisticsRegression 44
第三章 聚類模型 46
3.1概述 46
3.1.1聚類分析概述 46
3.1.2基於距離的聚類相似度 49
3.2 K-means聚類 50
3.2.1 K-means聚類算法 50
3.2.2 K-means聚類實例 51
3.2.3 K-means聚類的優缺點 56
3.3 密度聚類 56
3.3.1 DBSCAN密度定義 56
3.3.2 DBSCAN聚類算法 56
3.3.3 DBSCAN聚類的優缺點 57
3.4 層次聚類 57
3.4.1系統聚類 58
3.4.2 DIANA算法 64
3.4.3 層次聚類算法的優缺點 67
3.5 案例 67
3.5.1 一個二維數據集聚類 67
3.5.2一個居民家庭情況案例 69
3.5.3一個醫療建設評價案例 75
附錄：scikit-learn庫中的KMeans 77
第四章 關聯規則 80
4.1 概述 80
4.1.1 問題概述 80
4.1.2 關聯規則概述 80
4.1.3 關聯分析的基本概念 81
4.2 Apriori算法 84
4.3 基於Apriori算法的改進算法 88
4.4 FP-Growth算法 90
4.5 關聯規則案例 94
4.5.1一個銷售記錄的關聯分析案例 94
4.5.2商品購買記錄分析 98
4.5.3電影推薦 100
第五章 決策樹 104
5.1概述 104
5.1.1 決策樹基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 ID3算法 107
5.2.1基本思想 107
5.2.2 ID3算法應用實例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基於信息增益率建模的決策樹 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基於CART算法建模的決策樹 115
5.5 決策樹的剪枝 117
5.6 案例 121
5.6.1泰坦尼克號乘客倖存預測 121
5.6.2乳腺癌診斷 125
附錄：scikit-learn庫中的DecisionTreeClassifier 129
第六章 支持向量機 132
6.1概述 132
6.2線性支持向量機 132
6.2.1 硬間隔線性支持向量機 133
6.2.2 軟間隔線性支持向量機 135
6.3非線性支持向量機 138
6.3.1特徵空間硬間隔支持向量機 140
6.3.2特徵空間軟間隔支持向量機 141
6.4 支持向量機的求解和多分類問題 142
6.4.1 支持向量機的求解 142
6.4.2 多分類問題 142
6.5新聞文本分類案例 144
附錄：scikit-learn庫中的SVM 147
第七章 貝葉斯網絡 150
7.1概述 150
7.1.1 貝葉斯網絡定義 150
7.1.2 貝葉斯網絡的知識推理模式 151
7.1.3 貝葉斯網絡建立的主要步驟 151
7.1.4貝葉斯網絡的結構學習 152
7.1.5 貝葉斯網絡的參數學習 153
7.1.6 主要貝葉斯網絡模型 156
7.2 樸素貝葉斯網絡 156
7.3 TAN貝葉斯網絡 162
7.4 無約束貝葉斯網絡 167
7.5 樸素貝葉斯進行垃圾郵件過濾 170
附錄 scikit-learn庫中的Naive-Bayes分類 174
第八章 深度學習 176
8.1概述 176
8.1.1 深度學習的發展歷史 176
8.1.2 神經網絡的基本模型 176
8.2多層感知機 180
8.2.1感知機 180
8.2.2多層感知機 184
8.3卷積神經網絡 190
8.3.1基本網絡結構 191
8.3.2反向傳播訓練算法 192
8.3.3 AlexNet網絡結構 193
8.4循環神經網絡 194
8.4.1基本網絡結構 195
8.4.2反向傳播訓練算法 195
8.4.3長短時間記憶單元 196
8.5 構建卷積神經網絡模型對CIFAR圖片數據集分類 197
附錄：TensorFlow基本用法 203
參考文獻 207
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。