書籍詳介 |
 |
內容簡介：「大數據會消失，資料科學不會」「所有的科學都是資料科學」 ―――資訊科學時代最需要閱讀的一本書――― 東京大學資料科學人氣講座全收錄———— ★傳說中的東大松尾研究室超熱門課程，第一手內容完整公開！ ★用Python學習基本的程式撰寫，邊做邊學，鍛鍊最強的資料科學技能！ ★收錄大量練習題和綜合題演練，打好理論基本功，具體應用於實務現場！ ★體驗資料科學的魅力，培養整合跨領域課題的創造力！ 所謂科學，是從世界上混沌的現象裡找出本質，逐步解決各式各樣的問題。在日漸龐大的各種資料當中，運用科學的力量解決各種問題，便可說是資料科學。 資料科學不僅只是數學（統計、機率、機器學習等），更是借用IT等各種力量，不斷挑戰世界上的難題與背後課題的綜合領域。 運用這樣資料科學和人工智慧的力量，減少浪費與沒有效率的事物，進一步創造出新價值，可以讓這個世界更加美好。 █ 動手操作實際的資料，大量練習題馬上學、馬上練、馬上懂！ 本書廣泛說明資料科學不可不知的基礎事項，蒐羅豐富的重要關鍵知識和好用的參考資料，成為學習資料科學的地圖與羅盤。 書中主要使用Python來學習基本的程式撰寫技巧，以及資料的取得、讀取、操作等，含括各式各樣Python函式庫的使用方式、機率統計的手法、機器學習（監督式學習、非監督式學習、性能調校），還有讓Python高速化的方法和Spark的簡單操作等。 書中說明如何實際將現場的資料進行加工與分析，如何具體運用於市場行銷或金融等，使用何種手法來撰寫程式比較好，以及組合程式的技巧和流程。除了理論解說，也介紹實務性的使用方法，可立即上手應用。 收錄各種類型的實作練習題和綜合問題，以實際的問題為前提來思考，一邊動手實踐。 █ 本書的出版緣由 本書以2017年至2018年於東京大學舉辦的「全球消費智慧捐贈講座」講義和線上課程教材為基礎，用簡潔易懂的形式彙整編纂而成。 這個廣受歡迎的熱門講座首度出版，原因有三： 首先，希望讓更多讀者了解資料科學，培養資料分析技能。資訊時代各行各業都需要資料分析的人才，了解應該具備哪些知識、有何種處理手法、能達成什麼樣的目標，善用資料科學將是致勝的關鍵。 其次，雖然線上資源豐富又方便取得，但並非隨時都能在線上學習。藉由書籍的形式，可因地制宜反覆演練複習。 第三，以學習效果來說，書本的編排有助於深入思考，成效更佳。 █ 本書的目標讀者 ▌有程式設計經驗、完成理科大一大二程度數學，以及對於學習資料科學有高度意願的一般人士 ▌藉由本書，可掌握資料科學入門程度至中級程度的內容，已達中級程度以上者也能參酌本書來複習資料分析相關知識 ▌對於目前備受矚目的深度學習，可透過本書掌握學習深度學習之前必需的基礎技能 █ 在本書裡學到的東西 ▌Python/Numpy/Scipy/Pandas/Matplotlib的基礎 ▌機率/統計/推論/迴歸的基礎 ▌使用Numpy/Scipy進行科學計算 ▌使用Pandas進行資料加工處理（遺漏資料/異常值的處理、時間序列資料的處理） ▌使用Matplotlib進行資料視覺化 ▌機器學習（多元線性迴歸、邏輯迴歸、決策樹、k-NN、聚類分析、主成分分析、購物籃分析、模型調校） 目錄：序言【Chapter 1 本書的概要與Python的基礎】 ▌1-1 資料科學家的工作 1-1-1 資料科學家的工作 1-1-2 資料分析的流程 1-1-3 本書的架構 1-1-4 對閱讀本書有幫助的文獻 1-1-5 動手來學習吧 ▌1-2 Python的基礎 1-2-1 Jupyter Notebook的使用方法 1-2-2 Python的基礎 1-2-3 串列型別與字典型別 1-2-4 條件分歧與迴圈 1-2-5 函式 1-2-6 類別與實例 【Chapter 2 科學計算、資料加工、圖形描繪函式庫的使用方法基礎】 ▌2-1 用於資料分析的函式庫 2-1-1 函式庫的匯入 2-1-2 Magic Command 2-1-3 匯入用於本章的函式庫 ▌2-2 Numpy的基礎 2-2-1 Numpy的匯入 2-2-2 陣列的操作 2-2-3 亂數 2-2-4 矩陣 ▌2-3 Scipy的基礎 2-3-1 Scipy的函式庫匯入 2-3-2 矩陣運算 2-3-3 牛頓法 ▌2-4 Pandas的基礎 2-4-1 Pandas的函式庫匯入 2-4-2 Series的使用方法 2-4-3 DataFrame的使用方法 2-4-4 行列的操作 2-4-5 資料的抽出 2-4-6 資料的刪除與結合 2-4-7 統計 2-4-8 值的排序 2-4-9 nan (null)的判斷 ▌2-5 Matplotlib的基礎 2-5-1 使用Matplotlib的準備工作 2-5-2 散佈圖 2-5-3 圖形的分割 2-5-4 函數圖形的描繪 2-5-5 直方圖 【Chapter 3 敘述統計與簡單迴歸分析】 ▌3-1 統計分析的種類 3-1-1 敘述統計與推論統計 3-1-2 匯入用於本章的函式庫 ▌3-2 資料的讀取與對話 3-2-1 讀取網路等處公開的對象資料 3-2-2 資料的讀取與確認 3-2-3 確認資料的性質 3-2-4 量的資料與質的資料 ▌3-3 敘述統計 3-3-1 直方圖 3-3-2 平均、中位數、眾數 3-3-3 變異數、標準差 3-3-4 摘要統計量與百分位數 3-3-5 箱型圖 3-3-6 變異係數 3-3-7 散佈圖與相關係數 3-3-8 描繪所有變數的直方圖與散佈圖 ▌3-4 簡單迴歸分析 3-4-1 簡單線性迴歸分析 3-4-2 決定係數 【Chapter 4 機率與統計的基礎】 ▌4-1 學習機率與統計的準備工作 4-1-1 本章的背景知識 4-1-2 匯入用於本章的函式庫 ▌4-2 機率 4-2-1 數學機率 4-2-2 統計機率 4-2-3 條件機率與乘法定理 4-2-4 獨立與相關 4-2-5 貝氏定理 ▌4-3 機率變數與機率分布 4-3-1 機率變數、機率函數、分布函數、期望值 4-3-2 各種分布函數 4-3-3 核密度函數 ▌4-4 應用：多元機率分布 4-4-1 聯合機率函數與邊際機率函數 4-4-2 條件機率函數與條件期望值 4-4-3 獨立的定義與連續分布 ▌4-5 推論統計學 4-5-1 大數法則 4-5-2 中央極限定理 4-5-3 樣本分布 ▌4-6 統計推論 4-6-1 估計量與點估計 4-6-2 無偏性與一致性 4-6-3 區間估計 4-6-4 計算估計量 ▌4-7 統計檢驗 4-7-1 檢驗 4-7-2 第一型錯誤與第二型錯誤 4-7-3 檢驗大數據的注意事項 【Chapter 5 使用Python進行科學計算（Numpy與Scipy）】 ▌5-1 概要與事前準備 5-1-1 本章的概要 5-1-2 匯入用於本章的函式庫 ▌5-2 使用Numpy計算之應用 5-2-1 索引的參照 5-2-2 Numpy的運算處理 5-2-3 陣列操作與廣播 ▌5-3 使用Scipy計算之應用 5-3-1 內插 5-3-2 線性代數：矩陣分解 5-3-3 積分與微分方程式 5-3-4 最佳化 【Chapter 6 使用Pandas進行資料加工處理】 ▌6-1 概要與事前準備 6-1-1 匯入用於本章的函式庫 ▌6-2 Pandas的基本資料操作 6-2-1 階層型索引 6-2-2 資料的結合 6-2-3 資料的操作與變換 6-2-4 資料的聚合與群組運算 ▌6-3 遺漏資料與異常值處理的基礎 6-3-1 遺漏資料的處理方法 6-3-2 異常資料的處理方法 ▌6-4 時間序列資料處理的基礎 6-4-1 時間序列資料的處理與變換 6-4-2 移動平均 【Chapter 7 使用Matplotlib進行資料視覺化】 ▌7-1 資料的視覺化 7-1-1 關於資料的視覺化 7-1-2 匯入用於本章的函式庫 ▌7-2 資料視覺化的基礎 7-2-1 長條圖 7-2-2 圓形圖 ▌7-3 應用：金融資料的視覺化 7-3-1 將金融資料視覺化 7-3-2 顯示K線的函式庫 ▌7-4 應用：思考分析結果的表現方式 7-4-1 關於資料製作的重點 【Chapter 8 機器學習的基礎（監督式學習）】 ▌8-1 機器學習概觀 8-1-1 何謂機器學習？ 8-1-2 監督式學習 8-1-3 非監督式學習 8-1-4 強化學習 8-1-5 匯入用於本章的函式庫 ▌8-2 多元線性迴歸 8-2-1 讀取汽車售價資料 8-2-2 資料的整理 8-2-3 模型建構與評估 8-2-4 模型建構與模型評估流程總結 ▌8-3 邏輯迴歸 8-3-1 邏輯迴歸的範例 8-3-2 資料的整理 8-3-3 模型建構與評估 8-3-4 藉由縮放來提高預測準確度 ▌8-4 具正則化項的迴歸：Lasso迴歸、Ridge迴歸 8-4-1 Lasso迴歸、Ridge迴歸的特徵 8-4-2 多元線性迴歸與Ridge迴歸的比較 ▌8-5 決策樹 8-5-1 蕈類資料集 8-5-2 資料的整理 8-5-3 熵：不純度的指標 8-5-4 資訊獲利：測量分歧條件的有用性 8-5-5 決策樹的模型建構 ▌8-6 k-NN（K最近鄰演算法） 8-6-1 k-NN的模型建構 ▌8-7 支援向量機 8-7-1 支援向量機的模型建構 【Chapter 9 機器學習的基礎（非監督式學習）】 ▌9-1 非監督式學習 9-1-1 非監督式模型的種類 9-1-2 匯入用於本章的函式庫 ▌9-2 聚類分析 9-2-1 k-means法 9-2-2 使用k-means法進行聚類分析< Brand Slider |
$ 566 元
原價 616