失效链接处理 |
Python机器学习_5个数据科学家案例解析 PDF 下蝲
下蝲地址Q?/strong>
版权归出版社和原作者所有,链接已删除,误买正?br style="padding: 0px; margin: 0px;" />
用户下蝲说明Q?/strong>
电子版仅供预览,下蝲?4时内务必删除,支持正版Q喜Ƣ的误买正版书c:
https://product.dangdang.com/11625606560.html
相关截图Q?br /> ![]() 资料介: 《Python机器学习5个数据科学家案例解析》涵盖了机器学习Ҏ(gu)和PythonQ可以自动呈现对业务问题的丰富见解和解决Ҏ(gu)。《Python机器学习5个数据科学家案例解析》用基于案例研I的实践Ҏ(gu)来破解真实世界的应用Q里面涉及的机器学习概念再适合不过。这些更的机器将使你的业务流E以很短的时间和很少的资源获得更高的效率。《Python机器学习5个数据科学家案例解析》将引导你逐步完善业务程Q帮助你发现构徏公司战略的关键点。你阅d以ؓ产品和服务提供支持的机器学习技术。《Python机器学习5个数据科学家案例解析》还H出了这些机器学习概늚优缺点,以帮助你军_哪一个很适合你的需求。通过逐步的编码方法,你将能够理解机器学习q程中模型选择背后的基本原理。《Python机器学习5个数据科学家案例解析》配备了实用的示例和代码片段Q以保你了解用于解军_际问题的数据U学的方法。《Python机器学习5个数据科学家案例解析》可以帮助来自技术和非技术背景的Z机器学习技术应用于现实世界问题。每一章都从一个具有明定义的业务问题的案例研I开始,然后通过整合案例情节和代码片D|军_很好解决Ҏ(gu)。练习诏I于整个章节Q所学概念得以动手实现。每章很后都以现实世界应用的亮点为结,q些概念可以应用到实践中?/span> 资料目录Q?br /> 章统计与概率1 1.1案例研究Q自行R׃n计划——定品牌角色1 1.2q行探烦性数据分? 1.2.1特征探烦4 1.2.2变量的类? 1.2.3单变量分? 1.2.4多变量分?2 1.2.5旉序列成分15 1.3度量度中心17 1.3.1q_?7 1.3.2中位?8 1.3.3众数19 1.3.4方差19 1.3.5标准?9 1.3.6׃帔R的存在而导致中心统计度量的变化20 1.3.7正态分?2 1.4相关?9 1.4.1PearsonR相关29 1.4.2KendallU相?9 1.4.3SpearmanU相?0 1.5假设验:比较两组31 1.5.1t-l计?2 1.5.2t-分布和样本容?2 1.6中心极限定理34 1.7案例研究发现35 1.8l计和概率的应用36 1.8.1_U学36 1.8.2生物l计?6 1.8.3天文l计?6 1.8.4商业分析37 1.8.5计量l济?7 1.8.6机器学习37 1.8.7l计信号处理37 1.8.8选D37 W?章回?9 2.1案例研究Q消除凝土抗压强度的不一致?9 2.2回归的概?2 2.2.1内插和外?2 2.2.2U性回?2 2.2.3y在x上的二乘回归U?3 2.2.4多重回归44 2.2.5逐步回归45 2.2.6多项式回?6 2.3回归的假?7 2.3.1案例数量47 2.3.2~失数据47 2.3.3多重q性与奇异?8 2.4特征探烦49 2.5q拟合和Ơ拟?5 2.6回归度量的评?8 2.6.1解释方差得分58 2.6.2q_误差58 2.6.3均方误差59 2.6.4R259 2.6.5D差60 2.6.6D差?0 2.6.7D差qx?0 2.7回归的类?1 2.7.1U性回?1 2.7.2|格搜烦65 2.7.3岭回?5 2.7.4套烦回归68 2.7.5ElasticNet70 2.7.6梯度boosting回归71 2.7.7支持向量?4 2.8回归的应?8 2.8.1预测销售额78 2.8.2预测债券价?8 2.8.3通货膨胀?8 2.8.4保险公司79 2.8.5呼叫中心79 2.8.6农业79 2.8.7预测薪水79 2.8.8房地产行?0 W?章时间序?3 3.1案例研究Q预雅虎的每日调整的收盘h(hun)83 3.2特征探烦85 3.3评估旉序列对象的^Ex?6 3.3.1hq稳本质的时间序列的性质87 3.3.2试以确定时间序列是否^E?7 3.3.3制作旉序列对象的方?0 3.4试以确定时间序列是否具有自相关?00 3.4.1自相兛_?00 3.4.2偏自相关函数100 3.4.3度量自相?01 3.4.4DurbinWatsonl计101 3.5建模旉序列102 3.5.1验证预测序列的实?02 3.5.2定建模参数103 3.6自回归综合移动^?05 3.6.1自回归移动^?05 3.6.2自回?06 3.6.3Udq_U?07 3.6.4l合模型108 3.7~减预测规模109 3.8旉序列分析应用113 3.8.1销售预?13 3.8.2天气预测113 3.8.3׃率估?13 3.8.4疄爆发113 3.8.5股市预测114 W?章聚c?15 4.1案例研究Q确定营销短尾关键?15 4.2特征的探?17 4.3有监督学习与无监督学?18 4.3.1有监督学?19 4.3.2无监督学?19 4.4聚类分析120 4.5为徏模作数据转换120 4.6聚类模型124 4.6.1k-means聚类124 4.6.2k-means聚类应用于簇的数?29 4.6.3L分分?30 4.6.4高斯混合模型137 4.6.5贝叶斯高斯合模?42 4.7聚类的应?44 4.7.1疄识别144 4.7.2搜烦引擎中的文聚类144 4.7.3Z人口l计的客户划?45 W?章分c?47 5.1案例研究Q俄亥俄州诊所——满供求147 5.2特征探究149 5.3实施数据整理154 5.4实施探烦性数据分?57 5.5特征的生?62 5.6分类164 5.6.1模型评估技?64 5.6.2二元分类器:受试者工作特?65 5.6.3决策树分c?68 5.7核近?69 5.7.1SGD分类?69 5.7.2集成Ҏ(gu)172 5.8林分类173 5.9分类应用178 5.9.1囑փ分类178 5.9.2音乐分类178 5.9.3E-的垃N件过?78 5.9.4保险179 |