您的邏輯，線性指南的基本數據科學編程。
數據科學正在以一種良好的方式迅猛發展，預計到2020年，地球上每秒鐘為每個人創造1.7兆字節的新信息，到2026年將創造1150萬個工作機會。很明顯，知情是有好處的。這個友好的指南在數據科學的基礎上繪制了一條路徑，然后深入到實際工作中: 線性回歸、邏輯回歸、機器學習、神經網絡、推薦引擎，以及模型的交叉驗證。
Data Science Programming All-In-One For Dummies是關鍵數據科學、機器學習和深度學習編程語言Python和r的匯編。它幫助你決定哪種編程語言最適合特定的數據科學需求。它還為您提供了構建自己的項目以實時解決問題的指導方針。
腳踏實地:新數據專業人士的理想起點
未來的情況:了解數據正在轉換的特定領域
有意義:找出如何講述你的數據故事
看清楚:學習可視化的藝術
無論你是剛開始學習還是已經處于職業生涯的中期，現在就拿起你的那份，給你的生活和其他人的生活增添更多的意義吧!
付費5元查看完整內容
相關內容
R語言
·
首先加速介紹R生態系統、編程語言和工具，包括R腳本和RStudio。通過使用許多例子和項目，這本書教你如何將數據導入R，以及如何使用R處理這些數據。一旦基礎扎實，《實用R 4》的其余部分將深入具體的項目和例子，從使用R和LimeSurvey運行和分析調查開始。接下來，您將使用R和MouselabWeb執行高級統計分析。然后，您將看到在沒有統計信息的情況下R如何工作，包括如何使用R自動化數據格式化、操作、報告和自定義函數。
本書的最后一部分討論了在服務器上使用R;您將使用R構建一個腳本，該腳本可以運行RStudio服務器并監視報表源的更改，以便在發生更改時向用戶發出警報。這個項目包括定期電子郵件提醒和推送通知。最后，您將使用R創建一個定制的個人最重要信息的每日綱要報告，例如天氣報告、每日日歷、待辦事項等等。這演示了如何自動化這樣一個過程，以便用戶每天早上導航到相同的web頁面并獲得更新的報告。
你將學到什么
- 設置并運行R腳本，包括在新機器上的安裝以及下載和配置R
- 使用RStudio Server將任何機器變成可從任何地方訪問的強大數據分析平臺
- 編寫基本的腳本并修改現有的腳本以滿足自己的需要。
- 在R中創建基本的HTML報告，根據需要插入信息
- 構建一個基本的R包并發布它
這本書是給誰的
- 建議您之前接觸過統計學、編程和SAS，但不是必需的。
付費5元查看完整內容
通過這個緊湊的實用指南，開始使用Python進行數據分析。這本書包括三個練習和一個用正確的格式從Python代碼中獲取數據的案例研究。使用Python學習數據分析還可以幫助您使用分析發現數據中的意義，并展示如何可視化數據。
每一節課都盡可能是獨立的，允許您根據需要插入和退出示例。如果您已經在使用Python進行數據分析，那么您會發現您希望知道如何使用Python來完成許多事情。然后，您可以將這些技術直接應用到您自己的項目中。
如果您不使用Python進行數據分析，那么本書從一開始就帶您了解基礎知識，為您在該主題中打下堅實的基礎。當你閱讀完這本書的時候，你會對如何使用Python進行數據分析有更好的理解。
你將學到什么
- 從Python代碼中獲取數據
- 準備數據及其格式
- 找出數據的意義
- 使用iPython可視化數據
這本書是給誰的
想學習使用Python進行數據分析的同學。建議您具有Python方面的經驗，但不是必需的，因為您需要具有數據分析或數據科學方面的經驗。
付費5元查看完整內容
有興趣的數據科學專業人士可以通過本書學習Scikit-Learn圖書館以及機器學習的基本知識。本書結合了Anaconda Python發行版和流行的Scikit-Learn庫，演示了廣泛的有監督和無監督機器學習算法。通過用Python編寫的清晰示例，您可以在家里自己的機器上試用和試驗機器學習的原理。
所有的應用數學和編程技能需要掌握的內容，在這本書中涵蓋。不需要深入的面向對象編程知識，因為工作和完整的例子被提供和解釋。必要時，編碼示例是深入和復雜的。它們也簡潔、準確、完整，補充了介紹的機器學習概念。使用示例有助于建立必要的技能，以理解和應用復雜的機器學習算法。
對于那些在機器學習方面追求職業生涯的人來說，Scikit-Learn機器學習應用手冊是一個很好的起點。學習這本書的學生將學習基本知識，這是勝任工作的先決條件。讀者將接觸到專門為數據科學專業人員設計的蟒蛇分布，并將在流行的Scikit-Learn庫中構建技能，該庫是Python世界中許多機器學習應用程序的基礎。
你將學習
- 使用Scikit-Learn中常見的簡單和復雜數據集
- 將數據操作為向量和矩陣，以進行算法處理
- 熟悉數據科學中使用的蟒蛇分布
- 應用帶有分類器、回歸器和降維的機器學習
- 優化算法并為每個數據集找到最佳算法
- 從CSV、JSON、Numpy和panda格式加載數據并保存為這些格式
這本書是給誰的
- 有抱負的數據科學家渴望通過掌握底層的基礎知識進入機器學習領域，而這些基礎知識有時在急于提高生產力的過程中被忽略了。一些面向對象編程的知識和非常基本的線性代數應用將使學習更容易，盡管任何人都可以從這本書獲益。
付費5元查看完整內容
概率圖模型是機器學習中的一種技術，它使用圖論的概念來簡明地表示和最佳地預測數據問題中的值。
圖模型為我們提供了在數據中發現復雜模式的技術，廣泛應用于語音識別、信息提取、圖像分割和基因調控網絡建模等領域。
這本書從概率論和圖論的基礎開始，然后繼續討論各種模型和推理算法。所有不同類型的模型都將與代碼示例一起討論，以創建和修改它們，并在它們上運行不同的推理算法。有一整章是關于樸素貝葉斯模型和隱馬爾可夫模型的。這些模型已經通過實際例子進行了詳細的討論。
你會學到什么
- 掌握概率論和圖論的基本知識
- 使用馬爾可夫網絡
- 實現貝葉斯網絡
- 圖模型中的精確推理技術，如變量消除算法
- 了解圖模型中的近似推理技術，如消息傳遞算法
圖模型中的示例算法 通過真實的例子來掌握樸素貝葉斯的細節 使用Python中的各種庫部署PGMs 獲得隱馬爾可夫模型的工作細節與現實世界的例子
詳細 概率圖模型是機器學習中的一種技術，它使用圖論的概念來簡潔地表示和最佳地預測數據問題中的值。在現實問題中，往往很難選擇合適的圖模型和合適的推理算法，這對計算時間和精度有很大的影響。因此，了解這些算法的工作細節是至關重要的。
這本書從概率論和圖論的基礎開始，然后繼續討論各種模型和推理算法。所有不同類型的模型都將與代碼示例一起討論，以創建和修改它們，并在它們上運行不同的推理算法。有一個完整的章節專門討論最廣泛使用的網絡樸素貝葉斯模型和隱馬爾可夫模型(HMMs)。這些模型已經通過實際例子進行了詳細的討論。
風格和方法 一個易于遵循的指南，幫助您理解概率圖模型使用簡單的例子和大量的代碼例子，重點放在更廣泛使用的模型。
付費5元查看完整內容
本書通過提供真實的案例研究和示例，為使用Python庫進行機器學習提供了堅實的基礎。它涵蓋了諸如機器學習基礎、Python入門、描述性分析和預測分析等主題。包括高級機器學習概念，如決策樹學習、隨機森林、增強、推薦系統和文本分析。這本書在理論理解和實際應用之間采取了一種平衡的方法。所有的主題都包括真實世界的例子，并提供如何探索、構建、評估和優化機器學習模型的逐步方法。
付費5元查看完整內容
本書是為那些對數據科學感興趣的Python程序員編寫的。唯一的先決條件是Python的基本知識。不需要有使用復雜算法的經驗。數學背景不是必須的。讀完這本書的業余愛好者將獲得獲得第一份高薪數據科學工作所必需的技能。這些技能包括:
- 概率論和統計學的基礎。
- 監督和非監督機器學習技術。
- 關鍵的數據科學圖書館，如NumPy, SciPy, panda, Matplotlib和Scikit-Learn。
- 解決問題的能力。
開放式解決問題的能力對于數據科學職業來說是必不可少的。不幸的是，這些能力不能通過閱讀來獲得。要成為一個問題解決者，你必須堅持解決困難的問題。帶著這種想法，我的書圍繞著案例研究展開:以真實世界為模型的開放式問題。案例研究范圍從在線廣告分析到使用新聞數據跟蹤疾病暴發。
付費5元查看完整內容
簡介：
數據科學正在以一種良好的方式迅猛發展，預計到2020年，地球上每秒鐘為每個人創造1.7兆字節的新信息，到2026年將創造1150萬個工作機會。很明顯，知情是有好處的。這個友好的指南在數據科學的基礎上繪制了一條路徑，然后深入到實際工作中:線性回歸、邏輯回歸、機器學習、神經網絡、推薦引擎以及模型的交叉驗證。
數據科學編程一體機是數據科學、機器學習和深度學習編程語言Python和R的匯編。它幫助你決定哪種編程語言最適合特定的數據科學需求。它還為您提供了構建自己的項目以實時解決問題的指導方針。
- 進展:新數據專業人士的理想起點
- 未來的情況:了解數據正在轉換的特定領域
- 有意義:找出如何講述你的數據故事
- 看清楚:學習可視化的藝術
作者：
Luca Massaron，谷歌開發專家，通過簡單有效的數據挖掘和機器學習技術對大數據進行解析，并將其轉化為智能數據。
付費5元查看完整內容
簡介： 深度學習無處不在。例如，當在線使用許多應用程序甚至在購物時，都會看到它。我們被深度學習所包圍，甚至根本沒有意識到這一點，這使學習深度學習變得至關重要，因為可以利用它做很多事情，這遠遠超出了您的想象。當您學習本書時，您可以在Mac，Linux或Windows系統上運行的許多示例代碼。您也可以使用Google Colab之類的工具在線運行代碼。 本書的第一部分為您提供了一些入門信息，除了安裝一些必備軟件，還會了解一些基本數學知識。
目錄：
-
說明
-
Chapter 1：深度學習介紹
- 深度學習的意義
- 真實世界中的深度學習
- 深度學習項目的環境
-
Chapter 2：機器學習介紹
- 機器學習定義
- 思考學習的不同方法
- 機器學習的正確使用
-
Chapter 3：使用python
- anaconda
- 下載數據集與代碼
- 創建應用
- 云端使用
-
chapter 4：利用深度學習看框架
- 框架介紹
- 了解tensorflow
-
chapter 5：回顧數學與優化
- 矩陣介紹
- 理解向量，scalar等
- 優化介紹
-
chapter 6：線性回歸基礎
- 組合變量
- 混合變量類型
- 概率
- 特征介紹
-
chapter 7：神經網絡
- 感知機
- 神經網絡復雜度
- 過擬合
-
Chapter 8：構建基礎神經網絡
- 理解神經網絡
- 神經網絡的核心
-
Chapter 9：深度學習
- 數據
- 提升速度
- 解釋深度學習的不同
-
Chapter 10：解釋卷積神經網絡
-
Chapter 11：循環神經網絡
-
Chapter 12：圖片分類
-
Chapter 13：循環神經網絡
-
Chapter 14：語言處理
-
Chapter 15：生成音樂和虛擬藝術
-
Chapter 16：生成對抗網絡
-
Chapter 17：深度強化學習
-
Chapter 18：深度學習的應用
-
Chapter 19：十個必備的深度學習工具
-
Chapter 20：十個使用深度學習的場景
付費5元查看完整內容
簡介：
科學專業人員可以通過本書學習Scikit-Learn庫以及機器學習的基礎知識。該書將Anaconda Python發行版與流行的Scikit-Learn庫結合在一起，展示了各種有監督和無監督的機器學習算法。通過Python編寫的清晰示例向讀者介紹機器學習的原理，以及相關代碼。
本書涵蓋了掌握這些內容所需的所有應用數學和編程技能。不需要深入的面向對象編程知識，因為可以提供并說明完整的示例。必要時，編碼示例很深入且很復雜。它們也簡潔，準確，完整，是對引入的機器學習概念的補充。處理示例有助于建立理解和應用復雜機器學習算法所需的技能。
本書的學生將學習作為勝任力前提的基礎知識。讀者將了解專門為數據科學專業人員設計的Python Anaconda發行版，并將在流行的Scikit-Learn庫中構建技能，該庫是Python領域許多機器學習應用程序的基礎。
本書內容包括：
- 使用Scikit-Learn通用的簡單和復雜數據集
- 將數據處理為向量和矩陣以進行算法處理
- 熟悉數據科學中使用的Anaconda發行版
- 通過分類器，回歸器和降維應用機器學習
- 調整算法并為每個數據集找到最佳算法
- 從CSV，JSON，Numpy和Pandas格式加載數據并保存
內容介紹：
這本書分為八章。 第1章介紹了機器學習，Anaconda和Scikit-Learn的主題。 第2章和第3章介紹算法分類。 第2章對簡單數據集進行分類，第3章對復雜數據集進行分類。 第4章介紹了回歸預測模型。 第5章和第6章介紹分類調整。 第5章調整簡單數據集，第6章調整復雜數據集。 第7章介紹了預測模型回歸調整。 第8章將所有知識匯總在一起，以整體方式審查和提出發現。
作者介紹：
David Paper博士是猶他州立大學管理信息系統系的教授。他寫了兩本書-商業網絡編程：Oracle的PHP面向對象編程和Python和MongoDB的數據科學基礎。他在諸如組織研究方法，ACM通訊，信息與管理，信息資源管理期刊，AIS通訊，信息技術案例與應用研究期刊以及遠程計劃等參考期刊上發表了70余篇論文。他還曾在多個編輯委員會擔任過各種職務，包括副編輯。Paper博士還曾在德州儀器（TI），DLS，Inc.和鳳凰城小型企業管理局工作。他曾為IBM，AT＆T，Octel，猶他州交通運輸部和空間動力實驗室執行過IS咨詢工作。 Paper博士的教學和研究興趣包括數據科學，機器學習，面向對象的程序設計和變更管理。
目錄：
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191