Python資料科學自學聖經:不只是建模!用實戰帶你預測趨勢、找出問題與發現價值(附關鍵影音教學、範例檔) | 拾書所

Python資料科學自學聖經:不只是建模!用實戰帶你預測趨勢、找出問題與發現價值(附關鍵影音教學、範例檔)

$ 458 元 原價 580

內容簡介

網路書店年度百大電腦資訊暢銷書
《Python自學聖經》系列力作

運用Python掌握資料科學的價值
讓人工智慧機器學習找出趨勢的關鍵密碼

完整涵蓋Python資料科學技術,從開發工具、資料預處理、
機器學習、深度學習到模型訓練進化一應俱全!

給需要本書的人:
★想進入Python資料科學領域,又不知怎麼切入的人
★面對資料科學龐大又雜亂的理論與資訊卻不知如何下手的人
★想快速且有系統收集大量資料,並提高處理運用效率的人
★想利用大量資料進行分析,找出隱藏訊息與趨勢以協助決策的人
★想運用資料數據訓練人工智慧模型,開發適用的演算法進行預測與解決問題的人

隨著AI人工智慧帶來的科技革命,資料科學的應用正在改變你我的生活。如何由龐大的資料數據中擷取爬梳出有價值的資訊,判斷決策,甚至能預測趨勢、掌握契機,是資料科學為現代社會帶來的新視野。
資料科學橫跨多個領域,涵蓋數學、統計與電腦科學等面向。如果想有系統的進入資料科學領域,歡迎藉由本書循序漸進的學習。書中除了有資料科學的觀念,還有技術應用與發展方向,讓每個艱澀觀念都能在範例實作的引導下有著更清楚的輪廓,讓你一探資料科學迷人的樣貌。

【書籍特色】
■深入淺出,只要具備基礎Python程式語言能力即可輕鬆上手。
■標示出重要觀念,在學習的過程中不會錯失關鍵內容。
■應用範例導向,每個觀念皆附實用案例,不怕學不會。
■不使用艱澀數學推導資料科學原理,而以淺顯易懂的文字解說學理。
■實作圖片增量及遷移學習,即使少量資料也可訓練出實用模型。
■實作機器學習與深度學習模型參數調校,輕鬆建立完美模型。

【重要關鍵】
■應用工具:雲端開發平台(Google Colab)、資料科學工具(Numpy、Pandas、Matplotlib、Seaborn)、網路爬蟲(requests、BeautifulSoup)。
■資料預處理:資料清洗、缺失值、重複值及異常值的處理、資料檢查、資料合併、樞紐分析表、圖片增量,以及資料標準化、資料轉換與特徵選擇。
■機器學習:學習工具(Scikit-Learn)、非監督式學習(K-means演算法、DBSCAN演算法、PCA降維演算法)、監督式學習分類演算法(Scikit-Learn資料集、K近鄰演算法、單純貝氏演算法、決策樹演算法、隨機森林演算法)、監督式學習迴歸演算法(線性迴歸演算法、邏輯迴歸演算法、支持向量機演算法)。
■深度學習:學習工具(TensorFlow、Keras)、深度神經網路(DNN)、MNIST手寫數字圖片辨識實作、Gradio模組(深度學習成果展示、過擬合)、卷積神經網路(CNN)與循環神經網路(RNN)。
■模型訓練進化:預訓練模型、遷移學習、深度學習參數調校、hyperas參數調校神器,以及手寫數字辨識參數調校。

【超值學習資源】
獨家收錄「Python資料科學關鍵影音教學」、全書範例程式檔

目錄

資料科學工具篇

第1章 進入資料科學的學習殿堂

1.1 認識資料科學
1.2 Google Colab:雲端的開發平台
1.3 Colab 的筆記功能

第2章 資料科學神器:Numpy 與Pandas

2.1 Numpy:高速運算的解決方案
2.2 Numpy 陣列建立
2.3 Numpy 陣列取值
2.4 Numpy 的陣列運算功能
2.5 Pandas:資料處理分析的強大工具
2.6 Series 的使用
2.7 DataFrame 的建立
2.8 Pandas DataFrame 資料取值
2.9 DataFrame 資料操作

第3章 資料收集:檔案存取與網路爬蟲

3.1 資料來源的取得
3.2 CSV 檔案的讀取
3.3 JSON 資料的讀取
3.4 Excel 試算表檔案的讀取
3.5 HTML 網頁資料讀取
3.6 儲存資料為檔案
3.7 認識網路爬蟲
3.8 requests 模組:讀取網站檔案
3.9 BeautifulSoup 模組:網頁解析
3.10 文字及檔案資料的收集

第4章 資訊圖表化:Matplotlib 與Seaborn

4.1 Matplotlib:資訊視覺化的核心工具
4.2 折線圖:plot
4.3 長條圖與橫條圖:bar、barh
4.4 圓形圖:pie
4.5 直方圖:hist
4.6 散佈圖:scatter
4.7 線箱圖:boxplot
4.8 設定圖表區:figure
4.9 在圖表區加入多張圖表:subplot、axes
4.10 Pandas 繪圖應用
4.11 Seaborn:更美觀的圖表工具

資料預處理篇

第5章 資料預處理:資料清洗及圖片增量

5.1 資料清洗處理
5.2 資料檢查
5.3 資料合併
5.4 樞紐分析表
5.5 圖片增量

第6章 資料預處理:標準化、資料轉換與特徵選擇

6.1 Scikit-Learn:機器學習的開發工具
6.2 數值資料標準化
6.3 非數值資料轉換
6.4 認識特徵選擇
6.5 使用Pandas 進行特徵選擇
6.6 使用Scikit-Learn 進行特徵選擇

機器學習篇

第7章 機器學習:非監督式學習

7.1 認識機器學習
7.2 K-means 演算法
7.3 DBSCAN 演算法
7.4 降維演算法

第8章 機器學習:監督式學習分類演算法

8.1 Scikit-Learn 資料集
8.2 K 近鄰演算法
8.3 單純貝氏...

Brand Slider