最新章節

• 第20章 案例研究4
• 第19章 案例研究3
• 第18章 案例研究2
• 第17章 案例研究1
• 16.5 小結
• 16.4 預測網頁的未來流量

• 第20章 案例研究4 更新時間：2020-11-21 11:57:09
• 第19章 案例研究3
• 第18章 案例研究2
• 第17章 案例研究1
• 16.5 小結
• 16.4 預測網頁的未來流量
• 16.3 時間序列預測的技術
• 16.2 預測的基本步驟
• 16.1 時間序列預測的定義
• 第16章 時間序列法
• 15.7 小結
• 15.6 如何改變時間序列頻率
• 15.5 比較時間序列的增長率
• 15.4 操作時間序列數據
• 15.3 轉換時間序列數據
• 15.2 如何處理日期和時間
• 15.1 為何時間序列重要
• 第15章 處理時間序列數據
• 14.5 小結
• 14.4 驗證無監督式機器學習
• 14.3 案例研究
• 14.2 無監督式機器學習技術
• 14.1 為何選擇無監督式機器學習
• 第14章 無監督式機器學習
• 13.11 小結
• 13.10 處理缺失數據的高級技術
• 13.9 如何處理sklearn中的分類變量
• 13.8 如何調整機器學習模型
• 13.7 解決回歸機器學習問題
• 13.6 為何要進行訓練/測試拆分和交叉驗證
• 13.5 解決分類機器學習問題
• 13.4 監督式機器學習基礎
• 13.3 常用機器學習算法列述
• 13.2 機器學習導論
• 13.1 常見的機器學習術語
• 第13章 監督式機器學習
• 12.6 小結
• 12.5 特征工程
• 12.4 數據清洗與預處理
• 12.3 探索性數據分析
• 12.2 導入數據集
• 12.1 關于案例研究
• 第12章 數據預處理
• 11.7 小結
• 11.6 箱線圖
• 11.5 堆積圖
• 11.4 散點圖
• 11.3 直方圖
• 11.2 折線圖
• 11.1 條形圖
• 第11章 數據可視化
• 10.9 小結
• 10.8 清洗不一致的數據
• 10.7 如何應用字符編碼
• 10.6 如何解析日期
• 10.5 如何縮放和歸一化數據
• 10.4 自動填充缺失值
• 10.3 丟棄缺失值
• 10.2 分析缺失值
• 10.1 了解數據
• 第10章 清洗導入的數據
• 9.7 小結
• 9.6 導入壓縮數據
• 9.5 導入腌制數據
• 9.4 導入JSON數據
• 9.3 導入Excel數據
• 9.2 導入CSV數據
• 9.1 導入TXT數據
• 第9章 如何在Python中導入數據
• 8.10 小結
• 8.9 統計推斷與假設檢驗
• 8.8 真實案例
• 8.7 概率密度函數
• 8.6 Pearson相關系數
• 8.5 統計分布
• 8.4 概率的基本概念
• 8.3 平均數、中位數和眾數
• 8.2 統計數據/變量的類型
• 8.1 數據科學中的統計學
• 第8章 數據科學中的統計思維
• 7.9 小結
• 7.8 如何合并表格
• 7.7 更新記錄
• 7.6 在表中插入數據
• 7.5 在數據庫中新建表
• 7.4 SQLAlchemy引擎配置
• 7.3 如何使用SQLAlchemy
• 7.2 安裝SQLAlchemy包
• 7.1 SQLAlchemy
• 第7章 與數據庫交互
• 6.6 小結
• 6.5 處理數據幀中的缺失值
• 6.4 一些有用的數據幀函數
• 6.3 .loc[]和.iloc[]
• 6.2 Pandas數據結構
• 6.1 導入Pandas
• 第6章 Pandas和數據幀
• 5.8 小結
• 5.7 數組連接
• 5.6 NumPy數組的切片
• 5.5 訪問NumPy數組中的元素
• 5.4 創建NumPy數組
• 5.3 NumPy數組屬性
• 5.2 為何NumPy數組優于列表
• 5.1 導入NumPy包
• 第5章 NumPy基本概念
• 4.10 小結
• 4.9 了解Python中的main方法
• 4.8 Lambda函數
• 4.7 函數的全局與本地變量
• 4.6 如何在函數中使用未知參數
• 4.5 函數的默認參數
• 4.4 在函數中傳遞參數
• 4.3 如何創建并調用函數
• 4.2 如何導入Python包
• 4.1 Python的Help()函數
• 第4章 函數與包
• 3.8 小結
• 3.7 字典的相關操作
• 3.6 如何創建字典
• 3.5 什么是字典
• 3.4 列表與數組的差異
• 3.3 列表的不同操作
• 3.2 如何創建列表
• 3.1 什么是列表
• 第3章 列表與字典
• 2.8 小結
• 2.7 了解筆記本
• 2.6 打開筆記本——Jupyter
• 2.5 如何在Anaconda中安裝新的Python庫
• 2.4 在Linux系統上安裝Anaconda
• 2.3 在Windows系統上安裝Anaconda
• 2.2 下載Anaconda
• 2.1 系統要求
• 第2章 軟件安裝與配置
• 1.6 小結
• 1.5 為何Python適合數據科學
• 1.4 數據科學應用實例
• 1.3 數據科學家的工作
• 1.2 數據科學的定義
• 1.1 數據的概念
• 第1章 數據科學基本概念
• 資源與支持
• 前言
• 致謝
• 譯者簡介
• 作者簡介
• 內容提要
• 版權頁
• 封面

• 封面
• 版權頁
• 內容提要
• 作者簡介
• 譯者簡介
• 致謝
• 前言
• 資源與支持
• 第1章 數據科學基本概念
• 1.1 數據的概念
• 1.2 數據科學的定義
• 1.3 數據科學家的工作
• 1.4 數據科學應用實例
• 1.5 為何Python適合數據科學
• 1.6 小結
• 第2章 軟件安裝與配置
• 2.1 系統要求
• 2.2 下載Anaconda
• 2.3 在Windows系統上安裝Anaconda
• 2.4 在Linux系統上安裝Anaconda
• 2.5 如何在Anaconda中安裝新的Python庫
• 2.6 打開筆記本——Jupyter
• 2.7 了解筆記本
• 2.8 小結
• 第3章 列表與字典
• 3.1 什么是列表
• 3.2 如何創建列表
• 3.3 列表的不同操作
• 3.4 列表與數組的差異
• 3.5 什么是字典
• 3.6 如何創建字典
• 3.7 字典的相關操作
• 3.8 小結
• 第4章 函數與包
• 4.1 Python的Help()函數
• 4.2 如何導入Python包
• 4.3 如何創建并調用函數
• 4.4 在函數中傳遞參數
• 4.5 函數的默認參數
• 4.6 如何在函數中使用未知參數
• 4.7 函數的全局與本地變量
• 4.8 Lambda函數
• 4.9 了解Python中的main方法
• 4.10 小結
• 第5章 NumPy基本概念
• 5.1 導入NumPy包
• 5.2 為何NumPy數組優于列表
• 5.3 NumPy數組屬性
• 5.4 創建NumPy數組
• 5.5 訪問NumPy數組中的元素
• 5.6 NumPy數組的切片
• 5.7 數組連接
• 5.8 小結
• 第6章 Pandas和數據幀
• 6.1 導入Pandas
• 6.2 Pandas數據結構
• 6.3 .loc[]和.iloc[]
• 6.4 一些有用的數據幀函數
• 6.5 處理數據幀中的缺失值
• 6.6 小結
• 第7章 與數據庫交互
• 7.1 SQLAlchemy
• 7.2 安裝SQLAlchemy包
• 7.3 如何使用SQLAlchemy
• 7.4 SQLAlchemy引擎配置
• 7.5 在數據庫中新建表
• 7.6 在表中插入數據
• 7.7 更新記錄
• 7.8 如何合并表格
• 7.9 小結
• 第8章 數據科學中的統計思維
• 8.1 數據科學中的統計學
• 8.2 統計數據/變量的類型
• 8.3 平均數、中位數和眾數
• 8.4 概率的基本概念
• 8.5 統計分布
• 8.6 Pearson相關系數
• 8.7 概率密度函數
• 8.8 真實案例
• 8.9 統計推斷與假設檢驗
• 8.10 小結
• 第9章 如何在Python中導入數據
• 9.1 導入TXT數據
• 9.2 導入CSV數據
• 9.3 導入Excel數據
• 9.4 導入JSON數據
• 9.5 導入腌制數據
• 9.6 導入壓縮數據
• 9.7 小結
• 第10章 清洗導入的數據
• 10.1 了解數據
• 10.2 分析缺失值
• 10.3 丟棄缺失值
• 10.4 自動填充缺失值
• 10.5 如何縮放和歸一化數據
• 10.6 如何解析日期
• 10.7 如何應用字符編碼
• 10.8 清洗不一致的數據
• 10.9 小結
• 第11章 數據可視化
• 11.1 條形圖
• 11.2 折線圖
• 11.3 直方圖
• 11.4 散點圖
• 11.5 堆積圖
• 11.6 箱線圖
• 11.7 小結
• 第12章 數據預處理
• 12.1 關于案例研究
• 12.2 導入數據集
• 12.3 探索性數據分析
• 12.4 數據清洗與預處理
• 12.5 特征工程
• 12.6 小結
• 第13章 監督式機器學習
• 13.1 常見的機器學習術語
• 13.2 機器學習導論
• 13.3 常用機器學習算法列述
• 13.4 監督式機器學習基礎
• 13.5 解決分類機器學習問題
• 13.6 為何要進行訓練/測試拆分和交叉驗證
• 13.7 解決回歸機器學習問題
• 13.8 如何調整機器學習模型
• 13.9 如何處理sklearn中的分類變量
• 13.10 處理缺失數據的高級技術
• 13.11 小結
• 第14章 無監督式機器學習
• 14.1 為何選擇無監督式機器學習
• 14.2 無監督式機器學習技術
• 14.3 案例研究
• 14.4 驗證無監督式機器學習
• 14.5 小結
• 第15章 處理時間序列數據
• 15.1 為何時間序列重要
• 15.2 如何處理日期和時間
• 15.3 轉換時間序列數據
• 15.4 操作時間序列數據
• 15.5 比較時間序列的增長率
• 15.6 如何改變時間序列頻率
• 15.7 小結
• 第16章 時間序列法
• 16.1 時間序列預測的定義
• 16.2 預測的基本步驟
• 16.3 時間序列預測的技術
• 16.4 預測網頁的未來流量
• 16.5 小結
• 第17章 案例研究1
• 第18章 案例研究2
• 第19章 案例研究3
• 第20章 案例研究4 更新時間：2020-11-21 11:57:09