最新章節(jié)

• 索引
• 16.9 小結(jié)
• 16.8 物聯(lián)網(wǎng)和儀表板
• 16.7 Spark流：使用pyspark-notebook Docker堆棧計(jì)算Twitter主題標(biāo)簽
• 16.6 Spark
• 16.5 Hadoop

• 索引 更新時(shí)間：2021-08-13 17:17:52
• 16.9 小結(jié)
• 16.8 物聯(lián)網(wǎng)和儀表板
• 16.7 Spark流：使用pyspark-notebook Docker堆棧計(jì)算Twitter主題標(biāo)簽
• 16.6 Spark
• 16.5 Hadoop
• 16.4 案例研究：MongoDB JSON文檔數(shù)據(jù)庫(kù)
• 16.3 NoSQL和NewSQL大數(shù)據(jù)數(shù)據(jù)庫(kù)簡(jiǎn)述
• 16.2 關(guān)系數(shù)據(jù)庫(kù)和結(jié)構(gòu)化查詢(xún)語(yǔ)言
• 16.1 簡(jiǎn)介
• 第16章 大數(shù)據(jù)：Hadoop、Spark、NoSQL和IoT
• 15.12 小結(jié)
• 15.11 在ImageNet上預(yù)訓(xùn)練的CNN模型
• 15.10 調(diào)整深度學(xué)習(xí)模型
• 15.9 針對(duì)序列的遞歸神經(jīng)網(wǎng)絡(luò)：使用IMDb數(shù)據(jù)集進(jìn)行情感分析
• 15.8 ConvnetJS：基于瀏覽器的深度學(xué)習(xí)訓(xùn)練和可視化
• 15.7 用TensorBoard可視化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程
• 15.6 用于視覺(jué)的卷積神經(jīng)網(wǎng)絡(luò)：使用MNIST數(shù)據(jù)集進(jìn)行多分類(lèi)
• 15.5 張量
• 15.4 神經(jīng)網(wǎng)絡(luò)
• 15.3 自定義Anaconda環(huán)境
• 15.2 Keras內(nèi)置數(shù)據(jù)集
• 15.1 簡(jiǎn)介
• 第15章 深度學(xué)習(xí)
• 14.8 小結(jié)
• 14.7 案例研究：無(wú)監(jiān)督學(xué)習(xí)（第2部分）—k均值聚類(lèi)
• 14.6 案例研究：無(wú)監(jiān)督學(xué)習(xí)（第1部分）—降維
• 14.5 案例研究：基于加利福尼亞房?jī)r(jià)數(shù)據(jù)集的多元線(xiàn)性回歸
• 14.4 案例研究：時(shí)間序列和簡(jiǎn)單線(xiàn)性回歸
• 14.3 案例研究：利用k近鄰算法和Digits數(shù)據(jù)集進(jìn)行分類(lèi)（第2部分）
• 14.2 案例研究：用k近鄰算法和Digits數(shù)據(jù)集進(jìn)行分類(lèi)（第1部分）
• 14.1 簡(jiǎn)介
• 第14章 機(jī)器學(xué)習(xí)：分類(lèi)、回歸和聚類(lèi)
• 13.8 小結(jié)
• 13.7 Watson資源
• 13.6 案例研究：旅行者翻譯伴侶APP
• 13.5 Watson開(kāi)發(fā)者云Python SDK
• 13.4 額外的服務(wù)和工具
• 13.3 Watson服務(wù)
• 13.2 IBM云賬戶(hù)和云控制臺(tái)
• 13.1 簡(jiǎn)介
• 第13章 IBM Watson和認(rèn)知計(jì)算
• 12.18 小結(jié)
• 12.17 Twitter和時(shí)間序列
• 12.16 存儲(chǔ)推文的方法
• 12.15 地理編碼和映射
• 12.14 推文情感分析
• 12.13 Twitter流API
• 12.12 推文分析前的清理或預(yù)處理
• 12.11 熱門(mén)話(huà)題發(fā)現(xiàn)：Twitter熱門(mén)話(huà)題API
• 12.10 搜索最新的推文
• 12.9 Tweepy Cursor簡(jiǎn)介：獲得一個(gè)賬戶(hù)的關(guān)注者和朋友
• 12.8 獲取一個(gè)Twitter賬戶(hù)的相關(guān)信息
• 12.7 通過(guò)Tweepy進(jìn)行Twitter身份驗(yàn)證
• 12.6 Tweepy
• 12.5 什么是推文
• 12.4 獲取Twitter憑據(jù)，創(chuàng)建應(yīng)用程序
• 12.3 創(chuàng)建一個(gè)Twitter賬戶(hù)
• 12.2 Twitter API概況
• 12.1 簡(jiǎn)介
• 第12章 Twitter數(shù)據(jù)挖掘
• 11.10 小結(jié)
• 11.9 自然語(yǔ)言數(shù)據(jù)集
• 11.8 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)自然語(yǔ)言應(yīng)用
• 11.7 其他NLP庫(kù)和工具
• 11.6 使用spaCy進(jìn)行相似性檢測(cè)
• 11.5 使用spaCy命名實(shí)體識(shí)別
• 11.4 使用Textatistic庫(kù)進(jìn)行可讀性評(píng)估
• 11.3 使用柱狀圖和詞云可視化詞頻
• 11.2 TextBlob
• 11.1 簡(jiǎn)介
• 第11章 自然語(yǔ)言處理
• 第四部分 人工智能、云和大數(shù)據(jù)案例研究
• 10.17 小結(jié)
• 10.16 數(shù)據(jù)科學(xué)入門(mén)：時(shí)間序列和簡(jiǎn)單線(xiàn)性回歸
• 10.15 命名空間和作用域
• 10.14 使用文檔字符串和doctest進(jìn)行單元測(cè)試
• 10.13 Python 3.7的新數(shù)據(jù)類(lèi)簡(jiǎn)介
• 10.12 具名元組
• 10.11 異常類(lèi)層次結(jié)構(gòu)和自定義異常
• 10.10 運(yùn)算符重載
• 10.9 鴨子類(lèi)型和多態(tài)性
• 10.8 構(gòu)建繼承層次結(jié)構(gòu)：引入多態(tài)性
• 10.7 繼承：基類(lèi)和子類(lèi)
• 10.6 案例研究：洗牌和分牌模擬
• 10.5 模擬“私有”屬性
• 10.4 用于數(shù)據(jù)訪(fǎng)問(wèn)的property
• 10.3 屬性訪(fǎng)問(wèn)控制
• 10.2 自定義Account類(lèi)
• 10.1 簡(jiǎn)介
• 第10章 面向?qū)ο缶幊?/span>
• 第三部分 Python高級(jí)主題
• 9.13 小結(jié)
• 9.12 數(shù)據(jù)科學(xué)入門(mén)：使用CSV文件
• 9.11 （選學(xué)）堆棧展開(kāi)和回溯
• 9.10 顯式地引發(fā)一個(gè)異常
• 9.9 finally子句
• 9.8 處理異常
• 9.7 關(guān)于文件的附加說(shuō)明
• 9.6 關(guān)注安全：pickle序列化和反序列化
• 9.5 使用JSON進(jìn)行序列化
• 9.4 更新文本文件
• 9.3 文本文件處理
• 9.2 文件
• 9.1 簡(jiǎn)介
• 第9章 文件和異常
• 8.14 小結(jié)
• 8.13 數(shù)據(jù)科學(xué)入門(mén)：pandas、正則表達(dá)式和數(shù)據(jù)治理
• 8.12 正則表達(dá)式介紹
• 8.11 原始字符串
• 8.10 字符串測(cè)試方法
• 8.9 字符串拆分和連接
• 8.8 替換子字符串
• 8.7 查找子字符串
• 8.6 字符串的比較運(yùn)算符
• 8.5 字符大小寫(xiě)轉(zhuǎn)換
• 8.4 去除字符串中的空白字符
• 8.3 拼接和重復(fù)字符串
• 8.2 格式化字符串
• 8.1 簡(jiǎn)介
• 第8章 字符串：深入討論
• 7.15 小結(jié)
• 7.14 數(shù)據(jù)科學(xué)入門(mén)：pandas Series和DataFrame
• 7.13 重塑和轉(zhuǎn)置
• 7.12 視圖：深拷貝
• 7.11 視圖：淺拷貝
• 7.10 索引和切片
• 7.9 通用函數(shù)
• 7.8 NumPy計(jì)算方法
• 7.7 數(shù)組運(yùn)算符
• 7.6 列表與數(shù)組的性能比較：引入%timeit
• 7.5 從范圍創(chuàng)建數(shù)組
• 7.4 用特定值填充數(shù)組
• 7.3 數(shù)組屬性
• 7.2 從現(xiàn)有數(shù)據(jù)創(chuàng)建數(shù)組
• 7.1 簡(jiǎn)介
• 第7章 使用NumPy進(jìn)行面向數(shù)組的編程
• 6.5 小結(jié)
• 6.4 數(shù)據(jù)科學(xué)入門(mén)：動(dòng)態(tài)可視化
• 6.3 集合
• 6.2 字典
• 6.1 簡(jiǎn)介
• 第6章 字典和集合
• 第二部分 Python數(shù)據(jù)結(jié)構(gòu)、字符串和文件
• 5.18 小結(jié)
• 5.17 數(shù)據(jù)科學(xué)入門(mén)：模擬和靜態(tài)可視化
• 5.16 二維列表
• 5.15 其他的序列處理函數(shù)
• 5.14 過(guò)濾、映射和歸約
• 5.13 生成器表達(dá)式
• 5.12 列表推導(dǎo)式
• 5.11 使用列表模擬堆棧
• 5.10 列表的其他方法
• 5.9 序列搜索
• 5.8 列表排序
• 5.7 將列表傳遞給函數(shù)
• 5.6 使用del聲明
• 5.5 序列切片
• 5.4 序列解包
• 5.3 元組
• 5.2 列表
• 5.1 簡(jiǎn)介
• 第5章 序列：列表和元組
• 4.19 小結(jié)
• 4.18 數(shù)據(jù)科學(xué)入門(mén)：離中趨勢(shì)度量
• 4.17 函數(shù)式編程
• 4.16 遞歸
• 4.15 向函數(shù)傳遞參數(shù)：深入討論
• 4.14 import：深入討論
• 4.13 作用域規(guī)則
• 4.12 方法：屬于對(duì)象的函數(shù)
• 4.11 不定長(zhǎng)參數(shù)列表
• 4.10 關(guān)鍵字參數(shù)
• 4.9 默認(rèn)參數(shù)值
• 4.8 在IPython中使用制表符自動(dòng)補(bǔ)全
• 4.7 math模塊中的函數(shù)
• 4.6 Python標(biāo)準(zhǔn)庫(kù)
• 4.5 案例研究：一個(gè)運(yùn)氣游戲
• 4.4 隨機(jī)數(shù)生成
• 4.3 多參數(shù)函數(shù)
• 4.2 函數(shù)定義
• 4.1 簡(jiǎn)介
• 第4章 函數(shù)
• 3.15 小結(jié)
• 3.14 數(shù)據(jù)科學(xué)入門(mén)：集中趨勢(shì)度量—均值、中值和眾數(shù)
• 3.13 布爾運(yùn)算符and、or和not
• 3.12 break和continue語(yǔ)句
• 3.11 使用Decimal類(lèi)型處理貨幣金額
• 3.10 內(nèi)置函數(shù)range：深入討論
• 3.9 邊界值控制的迭代
• 3.8 序列控制迭代和格式化字符串
• 3.7 增強(qiáng)賦值
• 3.6 for語(yǔ)句
• 3.5 while語(yǔ)句
• 3.4 if...else和if...elif...else語(yǔ)句
• 3.3 if語(yǔ)句
• 3.2 控制語(yǔ)句概述
• 3.1 簡(jiǎn)介
• 第3章 控制語(yǔ)句
• 2.10 小結(jié)
• 2.9 數(shù)據(jù)科學(xué)入門(mén)：基礎(chǔ)的描述性統(tǒng)計(jì)
• 2.8 對(duì)象和動(dòng)態(tài)類(lèi)型
• 2.7 決策：if語(yǔ)句和比較運(yùn)算符
• 2.6 從用戶(hù)處獲取輸入
• 2.5 三引號(hào)字符串
• 2.4 print函數(shù)、單引號(hào)和雙引號(hào)
• 2.3 算術(shù)運(yùn)算
• 2.2 變量和賦值語(yǔ)句
• 2.1 簡(jiǎn)介
• 第2章 Python程序設(shè)計(jì)概述
• 1.10 小結(jié)
• 1.9 數(shù)據(jù)科學(xué)入門(mén)：人工智能—計(jì)算機(jī)科學(xué)與數(shù)據(jù)科學(xué)的交叉學(xué)科
• 1.8 案例研究：大數(shù)據(jù)移動(dòng)應(yīng)用程序
• 1.7 大數(shù)據(jù)有多大
• 1.6 云和物聯(lián)網(wǎng)
• 1.5 試用IPython和Jupyter Notebook
• 1.4 Python庫(kù)
• 1.3 Python
• 1.2 快速回顧面向?qū)ο蠹夹g(shù)的基礎(chǔ)知識(shí)
• 1.1 簡(jiǎn)介
• 第1章 Python及大數(shù)據(jù)概述
• 第一部分 Python基礎(chǔ)知識(shí)快速入門(mén)
• 開(kāi)始閱讀本書(shū)之前 Before you begin
• 作者簡(jiǎn)介 About the Authers
• 前言 Preface
• 譯者序 The Translator’s Words
• 審稿人評(píng)論 Reviewers’ Comments
• 版權(quán)信息
• 封面

• 封面
• 版權(quán)信息
• 審稿人評(píng)論 Reviewers’ Comments
• 譯者序 The Translator’s Words
• 前言 Preface
• 作者簡(jiǎn)介 About the Authers
• 開(kāi)始閱讀本書(shū)之前 Before you begin
• 第一部分 Python基礎(chǔ)知識(shí)快速入門(mén)
• 第1章 Python及大數(shù)據(jù)概述
• 1.1 簡(jiǎn)介
• 1.2 快速回顧面向?qū)ο蠹夹g(shù)的基礎(chǔ)知識(shí)
• 1.3 Python
• 1.4 Python庫(kù)
• 1.5 試用IPython和Jupyter Notebook
• 1.6 云和物聯(lián)網(wǎng)
• 1.7 大數(shù)據(jù)有多大
• 1.8 案例研究：大數(shù)據(jù)移動(dòng)應(yīng)用程序
• 1.9 數(shù)據(jù)科學(xué)入門(mén)：人工智能—計(jì)算機(jī)科學(xué)與數(shù)據(jù)科學(xué)的交叉學(xué)科
• 1.10 小結(jié)
• 第2章 Python程序設(shè)計(jì)概述
• 2.1 簡(jiǎn)介
• 2.2 變量和賦值語(yǔ)句
• 2.3 算術(shù)運(yùn)算
• 2.4 print函數(shù)、單引號(hào)和雙引號(hào)
• 2.5 三引號(hào)字符串
• 2.6 從用戶(hù)處獲取輸入
• 2.7 決策：if語(yǔ)句和比較運(yùn)算符
• 2.8 對(duì)象和動(dòng)態(tài)類(lèi)型
• 2.9 數(shù)據(jù)科學(xué)入門(mén)：基礎(chǔ)的描述性統(tǒng)計(jì)
• 2.10 小結(jié)
• 第3章 控制語(yǔ)句
• 3.1 簡(jiǎn)介
• 3.2 控制語(yǔ)句概述
• 3.3 if語(yǔ)句
• 3.4 if...else和if...elif...else語(yǔ)句
• 3.5 while語(yǔ)句
• 3.6 for語(yǔ)句
• 3.7 增強(qiáng)賦值
• 3.8 序列控制迭代和格式化字符串
• 3.9 邊界值控制的迭代
• 3.10 內(nèi)置函數(shù)range：深入討論
• 3.11 使用Decimal類(lèi)型處理貨幣金額
• 3.12 break和continue語(yǔ)句
• 3.13 布爾運(yùn)算符and、or和not
• 3.14 數(shù)據(jù)科學(xué)入門(mén)：集中趨勢(shì)度量—均值、中值和眾數(shù)
• 3.15 小結(jié)
• 第4章 函數(shù)
• 4.1 簡(jiǎn)介
• 4.2 函數(shù)定義
• 4.3 多參數(shù)函數(shù)
• 4.4 隨機(jī)數(shù)生成
• 4.5 案例研究：一個(gè)運(yùn)氣游戲
• 4.6 Python標(biāo)準(zhǔn)庫(kù)
• 4.7 math模塊中的函數(shù)
• 4.8 在IPython中使用制表符自動(dòng)補(bǔ)全
• 4.9 默認(rèn)參數(shù)值
• 4.10 關(guān)鍵字參數(shù)
• 4.11 不定長(zhǎng)參數(shù)列表
• 4.12 方法：屬于對(duì)象的函數(shù)
• 4.13 作用域規(guī)則
• 4.14 import：深入討論
• 4.15 向函數(shù)傳遞參數(shù)：深入討論
• 4.16 遞歸
• 4.17 函數(shù)式編程
• 4.18 數(shù)據(jù)科學(xué)入門(mén)：離中趨勢(shì)度量
• 4.19 小結(jié)
• 第5章 序列：列表和元組
• 5.1 簡(jiǎn)介
• 5.2 列表
• 5.3 元組
• 5.4 序列解包
• 5.5 序列切片
• 5.6 使用del聲明
• 5.7 將列表傳遞給函數(shù)
• 5.8 列表排序
• 5.9 序列搜索
• 5.10 列表的其他方法
• 5.11 使用列表模擬堆棧
• 5.12 列表推導(dǎo)式
• 5.13 生成器表達(dá)式
• 5.14 過(guò)濾、映射和歸約
• 5.15 其他的序列處理函數(shù)
• 5.16 二維列表
• 5.17 數(shù)據(jù)科學(xué)入門(mén)：模擬和靜態(tài)可視化
• 5.18 小結(jié)
• 第二部分 Python數(shù)據(jù)結(jié)構(gòu)、字符串和文件
• 第6章 字典和集合
• 6.1 簡(jiǎn)介
• 6.2 字典
• 6.3 集合
• 6.4 數(shù)據(jù)科學(xué)入門(mén)：動(dòng)態(tài)可視化
• 6.5 小結(jié)
• 第7章 使用NumPy進(jìn)行面向數(shù)組的編程
• 7.1 簡(jiǎn)介
• 7.2 從現(xiàn)有數(shù)據(jù)創(chuàng)建數(shù)組
• 7.3 數(shù)組屬性
• 7.4 用特定值填充數(shù)組
• 7.5 從范圍創(chuàng)建數(shù)組
• 7.6 列表與數(shù)組的性能比較：引入%timeit
• 7.7 數(shù)組運(yùn)算符
• 7.8 NumPy計(jì)算方法
• 7.9 通用函數(shù)
• 7.10 索引和切片
• 7.11 視圖：淺拷貝
• 7.12 視圖：深拷貝
• 7.13 重塑和轉(zhuǎn)置
• 7.14 數(shù)據(jù)科學(xué)入門(mén)：pandas Series和DataFrame
• 7.15 小結(jié)
• 第8章 字符串：深入討論
• 8.1 簡(jiǎn)介
• 8.2 格式化字符串
• 8.3 拼接和重復(fù)字符串
• 8.4 去除字符串中的空白字符
• 8.5 字符大小寫(xiě)轉(zhuǎn)換
• 8.6 字符串的比較運(yùn)算符
• 8.7 查找子字符串
• 8.8 替換子字符串
• 8.9 字符串拆分和連接
• 8.10 字符串測(cè)試方法
• 8.11 原始字符串
• 8.12 正則表達(dá)式介紹
• 8.13 數(shù)據(jù)科學(xué)入門(mén)：pandas、正則表達(dá)式和數(shù)據(jù)治理
• 8.14 小結(jié)
• 第9章 文件和異常
• 9.1 簡(jiǎn)介
• 9.2 文件
• 9.3 文本文件處理
• 9.4 更新文本文件
• 9.5 使用JSON進(jìn)行序列化
• 9.6 關(guān)注安全：pickle序列化和反序列化
• 9.7 關(guān)于文件的附加說(shuō)明
• 9.8 處理異常
• 9.9 finally子句
• 9.10 顯式地引發(fā)一個(gè)異常
• 9.11 （選學(xué)）堆棧展開(kāi)和回溯
• 9.12 數(shù)據(jù)科學(xué)入門(mén)：使用CSV文件
• 9.13 小結(jié)
• 第三部分 Python高級(jí)主題
• 第10章 面向?qū)ο缶幊?/span>
• 10.1 簡(jiǎn)介
• 10.2 自定義Account類(lèi)
• 10.3 屬性訪(fǎng)問(wèn)控制
• 10.4 用于數(shù)據(jù)訪(fǎng)問(wèn)的property
• 10.5 模擬“私有”屬性
• 10.6 案例研究：洗牌和分牌模擬
• 10.7 繼承：基類(lèi)和子類(lèi)
• 10.8 構(gòu)建繼承層次結(jié)構(gòu)：引入多態(tài)性
• 10.9 鴨子類(lèi)型和多態(tài)性
• 10.10 運(yùn)算符重載
• 10.11 異常類(lèi)層次結(jié)構(gòu)和自定義異常
• 10.12 具名元組
• 10.13 Python 3.7的新數(shù)據(jù)類(lèi)簡(jiǎn)介
• 10.14 使用文檔字符串和doctest進(jìn)行單元測(cè)試
• 10.15 命名空間和作用域
• 10.16 數(shù)據(jù)科學(xué)入門(mén)：時(shí)間序列和簡(jiǎn)單線(xiàn)性回歸
• 10.17 小結(jié)
• 第四部分 人工智能、云和大數(shù)據(jù)案例研究
• 第11章 自然語(yǔ)言處理
• 11.1 簡(jiǎn)介
• 11.2 TextBlob
• 11.3 使用柱狀圖和詞云可視化詞頻
• 11.4 使用Textatistic庫(kù)進(jìn)行可讀性評(píng)估
• 11.5 使用spaCy命名實(shí)體識(shí)別
• 11.6 使用spaCy進(jìn)行相似性檢測(cè)
• 11.7 其他NLP庫(kù)和工具
• 11.8 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)自然語(yǔ)言應(yīng)用
• 11.9 自然語(yǔ)言數(shù)據(jù)集
• 11.10 小結(jié)
• 第12章 Twitter數(shù)據(jù)挖掘
• 12.1 簡(jiǎn)介
• 12.2 Twitter API概況
• 12.3 創(chuàng)建一個(gè)Twitter賬戶(hù)
• 12.4 獲取Twitter憑據(jù)，創(chuàng)建應(yīng)用程序
• 12.5 什么是推文
• 12.6 Tweepy
• 12.7 通過(guò)Tweepy進(jìn)行Twitter身份驗(yàn)證
• 12.8 獲取一個(gè)Twitter賬戶(hù)的相關(guān)信息
• 12.9 Tweepy Cursor簡(jiǎn)介：獲得一個(gè)賬戶(hù)的關(guān)注者和朋友
• 12.10 搜索最新的推文
• 12.11 熱門(mén)話(huà)題發(fā)現(xiàn)：Twitter熱門(mén)話(huà)題API
• 12.12 推文分析前的清理或預(yù)處理
• 12.13 Twitter流API
• 12.14 推文情感分析
• 12.15 地理編碼和映射
• 12.16 存儲(chǔ)推文的方法
• 12.17 Twitter和時(shí)間序列
• 12.18 小結(jié)
• 第13章 IBM Watson和認(rèn)知計(jì)算
• 13.1 簡(jiǎn)介
• 13.2 IBM云賬戶(hù)和云控制臺(tái)
• 13.3 Watson服務(wù)
• 13.4 額外的服務(wù)和工具
• 13.5 Watson開(kāi)發(fā)者云Python SDK
• 13.6 案例研究：旅行者翻譯伴侶APP
• 13.7 Watson資源
• 13.8 小結(jié)
• 第14章 機(jī)器學(xué)習(xí)：分類(lèi)、回歸和聚類(lèi)
• 14.1 簡(jiǎn)介
• 14.2 案例研究：用k近鄰算法和Digits數(shù)據(jù)集進(jìn)行分類(lèi)（第1部分）
• 14.3 案例研究：利用k近鄰算法和Digits數(shù)據(jù)集進(jìn)行分類(lèi)（第2部分）
• 14.4 案例研究：時(shí)間序列和簡(jiǎn)單線(xiàn)性回歸
• 14.5 案例研究：基于加利福尼亞房?jī)r(jià)數(shù)據(jù)集的多元線(xiàn)性回歸
• 14.6 案例研究：無(wú)監(jiān)督學(xué)習(xí)（第1部分）—降維
• 14.7 案例研究：無(wú)監(jiān)督學(xué)習(xí)（第2部分）—k均值聚類(lèi)
• 14.8 小結(jié)
• 第15章 深度學(xué)習(xí)
• 15.1 簡(jiǎn)介
• 15.2 Keras內(nèi)置數(shù)據(jù)集
• 15.3 自定義Anaconda環(huán)境
• 15.4 神經(jīng)網(wǎng)絡(luò)
• 15.5 張量
• 15.6 用于視覺(jué)的卷積神經(jīng)網(wǎng)絡(luò)：使用MNIST數(shù)據(jù)集進(jìn)行多分類(lèi)
• 15.7 用TensorBoard可視化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程
• 15.8 ConvnetJS：基于瀏覽器的深度學(xué)習(xí)訓(xùn)練和可視化
• 15.9 針對(duì)序列的遞歸神經(jīng)網(wǎng)絡(luò)：使用IMDb數(shù)據(jù)集進(jìn)行情感分析
• 15.10 調(diào)整深度學(xué)習(xí)模型
• 15.11 在ImageNet上預(yù)訓(xùn)練的CNN模型
• 15.12 小結(jié)
• 第16章 大數(shù)據(jù)：Hadoop、Spark、NoSQL和IoT
• 16.1 簡(jiǎn)介
• 16.2 關(guān)系數(shù)據(jù)庫(kù)和結(jié)構(gòu)化查詢(xún)語(yǔ)言
• 16.3 NoSQL和NewSQL大數(shù)據(jù)數(shù)據(jù)庫(kù)簡(jiǎn)述
• 16.4 案例研究：MongoDB JSON文檔數(shù)據(jù)庫(kù)
• 16.5 Hadoop
• 16.6 Spark
• 16.7 Spark流：使用pyspark-notebook Docker堆棧計(jì)算Twitter主題標(biāo)簽
• 16.8 物聯(lián)網(wǎng)和儀表板
• 16.9 小結(jié)
• 索引 更新時(shí)間：2021-08-13 17:17:52