《數據科學技術與套用》是2018年8月電子工業出版社出版的圖書，作者是宋暉,劉曉強。
基本介紹
- 書名：數據科學技術與套用
- 作者：宋暉,劉曉強
- ISBN：9787121346651
- 頁數：160
- 出版時間：2018-08
- 開本：16開
- 千 字 數：256
- 版次：01-01
本書內容涵蓋數據科學基礎知識，介紹了數據科學的工作流程，包括數據採集、數據整理和探索、數據可視化和數據建模預測等技術，並通過文本、圖像、語音等前沿套用，引入人工智慧技術在數據科學領域套用的最新成果。全書設計收集了多個數據分析案例，採用Python及相關科學計算工具包介紹數據分析實現的方法，幫助讀者通過實際套用理解數據科學知識，掌握實踐技能，運用統計學、人工智慧等技術解決實際問題。本書通俗易懂、實例豐富、技術先進，配備豐富的教學資源，可作為各類大專院校數據科學、大數據技術的入門教材，計算機基礎教學較高層次課程的教材，也可以作為數據科學實踐的技術參考書。
目 錄
第1章 數據科學基礎 （1）
1.1 數據科學概述 （1）
1.1.1 數據的力量 （1）
1.1.2 數據科學的知識結構 （3）
1.1.3 數據科學的工作流程 （4）
1.1.4 數據科學與大數據 （5）
1.2 Python數據分析工具 （7）
1.2.1 科學計算集成環境Anaconda （7）
1.2.2 Python編譯環境 （7）
1.2.3 Jupyter Notebook （8）
1.3 Python語言基礎 （10）
1.3.1 常用數據類型 （10）
1.3.2 流程控制 （11）
1.3.3 函式和方法庫 （13）
綜合練習題 （14）
第2章 多維數據結構與運算 （15）
2.1 多維數組對象 （15）
2.1.1 一維數組對象 （16）
2.1.2 二維數組對象 （17）
2.1.3 創建多維數組的常用方法 （19）
2.2 多維數組運算 （21）
2.2.1 基本算術運算 （21）
2.2.2 函式和矩陣運算 （22）
2.2.3 隨機數組生成函式 （25）
2.3 案例：隨機遊走軌跡模擬 （26）
綜合練習題 （29）
第3章 數據匯總與統計 （30）
3.1 統計基本概念 （30）
3.1.1 統計的含義 （30）
3.1.2 常用統計量 （31）
3.2 pandas數據結構 （33）
3.2.1 Series對象 （33）
3.2.2 Series數據訪問 （34）
3.2.3 DataFrame對象 （37）
3.2.4 DataFrame 數據訪問 （37）
3.3 數據檔案讀寫 （41）
3.3.1 讀寫CSV和TXT檔案 （41）
3.3.2 讀取Excel檔案 （44）
3.4 數據清洗 （45）
3.4.1 缺失數據處理 （46）
3.4.2 去除重複數據 （48）
3.5 數據規整化 （49）
3.5.1 數據合併 （49）
3.5.2 數據排序 （51）
3.6 統計分析 （53）
3.6.1 通用函式與運算 （53）
3.6.2 統計函式 （54）
3.6.3 相關性分析 （56）
3.6.4 案例：調查反饋表分析 （56）
綜合練習題 （59）
第4章 數據可視化 （60）
4.1 Python繪圖基礎 （60）
4.1.1 認識基本圖形 （60）
4.1.2 pandas快速繪圖 （61）
4.1.3 Matplotlib精細繪圖 （63）
4.2 可視化數據探索 （67）
4.2.1 繪製常用圖形 （67）
4.2.2 繪製數據地圖 （77）
綜合練習題 （81）
第5章 機器學習建模分析 （83）
5.1 機器學習概述 （83）
5.1.1 機器學習與人工智慧 （83）
5.1.2 Python機器學習方法庫 （85）
5.2 回歸分析 （85）
5.2.1 回歸分析原理 （85）
5.2.2 回歸分析實現 （86）
5.2.3 回歸分析性能評估 （89）
5.3 分類分析 （91）
5.3.1 分類學習原理 （91）
5.3.2 決策樹 （93）
5.3.3 支持向量機 （96）
5.4 聚類分析 （100）
5.4.1 聚類任務 （100）
5.4.2 K-means算法 （101）
5.4.3 聚類方法的性能評估 （104）
5.5 神經網路和深度學習 （106）
5.5.1 神經元與感知器 （106）
5.5.2 神經網路 （107）
5.5.3 神經網路分類實現 （108）
5.5.4 深度學習 （110）
綜合練習題 （111）
第6章 文本數據處理 （112）
6.1 文本處理概述 （112）
6.1.1 文本處理的常見任務 （112）
6.1.2 文本處理的基本步驟 （113）
6.2 中文文本處理 （115）
6.2.1 中文分詞 （115）
6.2.2 詞性標註 （116）
6.2.3 特徵提取 （117）
6.3 實例：垃圾郵件識別 （121）
6.3.1 數據來源 （121）
6.3.2 構建文本分類特徵訓練集 （122）
6.3.3 模型訓練和驗證 （123）
綜合練習題 （124）
第7章 圖像數據處理 （125）
7.1 數字圖像概述 （125）
7.1.1 數字圖像 （125）
7.1.2 數字圖像類型 （126）
7.1.3 數字圖像處理 （126）
7.2 Python圖像處理 （127）
7.2.1 Python圖像處理庫 （127）
7.2.2 圖像基本操作 （128）
7.3 案例：深度學習實現圖像分類 （130）
7.3.1 卷積神經網路 （130）
7.3.2 深度學習庫Keras （131）
7.3.3 用Keras實現圖像分類 （133）
綜合練習題 （137）
第8章 時序數據與語音處理 （138）
8.1 時序數據概述 （138）
8.1.1 時序數據特性 （138）
8.1.2 時序數據特徵的提取 （139）
8.2 時序數據分析方法 （141）
8.2.1 時序數據分析過程 （141）
8.2.2 股票預測實例 （143）
8.3 語音識別實例 （147）
8.3.1 語音識別技術簡介 （147）
8.3.2 語音識別中的時序數據處理 （148）
8.3.3 語音識別的實例 （150）
綜合練習題 （151）
參考文獻 （152）
