大數據分析與挖掘 雲本勝 張良均 9787121473647 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$407
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202402*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：大數據分析與挖掘 ISBN：9787121473647 出版社：電子工業 著編譯者：雲本勝 張良均 頁數：351 所在地：中國大陸 *此為代購商品 書號：1619500 可大量預訂，請先連絡。 內容簡介 本書以大數據分析與挖掘的常用技術與真實案例相結合的方式，按照「概念和原理講解、案例分析、能力拓展——Python軟體應用」的層次進行闡述，深入淺出地介紹大數據分析與挖掘的重要內容。 全書共11章，第1章作為全書的緒論，介紹了大數據分析與挖掘的基本概念、行業應用等；第2章介紹了Python的安裝、編程基礎以及常用的數據分析工具；第3章介紹了數據的類型、質量和相似度與相異度；第4章介紹了數據探索的常用方法，包括質量分析、描述性統計分析、可視化分析和多維數據分析；第5章介紹了數據預處理的常用方法，包括數據清洗、數據集成、數據歸約和數據變換與離散化；第6章介紹了回歸與分類的方法，包括多元線性回歸、邏輯回歸、決策樹分類、樸素貝葉斯分類等；第7章介紹了聚類的方法，包括K-Means演算法、DBSCAN演算法等；第8章介紹了關聯規則，包括Apriori演算法和FP-Growth演算法等；第9章介紹了時間序列，包括平穩時間序列分析和非平穩時間序列分析等；第10章介紹了離群點檢測，包括基於統計學、鄰近性、聚類、分類的離群點檢測方法；第11章介紹了大數據分析與挖掘的前沿知識。 本書可作為高校數據科學與大數據技術或人工智慧相關專業教材，也可作為數據挖掘愛好者的自學用書。目錄 第1章 緒論1 1 大數據分析與挖掘的基本概念 1 2 大數據分析與挖掘的行業應用 1 3 大數據分析與挖掘的基本任務 1 4 大數據分析與挖掘的建模過程 1 4 1 明確任務 1 4 2 數據採集 1 4 3 數據探索 1 4 4 數據預處理 1 4 5 挖掘建模 1 4 6 模型評價 1 5 大數據分析與挖掘的建模工具 小結 習題 第2章 Python簡介 2 1 Python安裝 2 2 Python編程基礎 2 2 1 基本命令 2 2 2 數據類型 2 2 3 運算符 2 2 4 函數 2 3 Python數據分析工具 小結 習題 第3章 數據 3 1 數據類型 3 1 1 數據集的類型 3 1 2 屬性的定義 3 1 3 屬性的分類 3 2 數據質量 3 3 數據的相似度與相異度度量 3 3 1 屬性之間的相似度與相異度 3 3 2 數據對象之間的相異度 3 3 3 數據對象之間的相似度 3 3 4 度量方法的選取 小結 習題 第4章 數據探索 4 1 數據質量分析 4 1 1 缺失值分析 4 1 2 異常值分析 4 1 3 一致性分析 4 2 數據描述性統計分析 4 2 1 集中趨勢度量 4 2 2 離散程度度量 4 2 3 多元數據統計分析 4 3 數據可視化分析 4 3 1 可視化技術 4 3 2 高維數據可視化 4 4 多維數據分析 4 4 1 多維數組 4 4 2 數據立方體 4 4 3 切片與切塊 4 4 4 上卷與下鑽 4 5 Python數據探索案例分析 4 5 1 公共自行車租賃系統數據集 4 5 2 數據探索分析 小結 習題 第5章 數據預處理 5 1 數據清洗 5 1 1 缺失值處理 5 1 2 異常值處理 5 2 數據集成 5 2 1 實體識別 5 2 2 數據合併 5 2 3 冗餘屬性識別 5 3 數據歸約 5 3 1 抽樣 5 3 2 採樣 5 3 3 屬性子集選擇 5 4 數據變換與離散化 5 4 1 數據規範化 5 4 2 簡單函數變換 5 4 3 屬性構造 5 4 4 連續屬性離散化 5 5 Python數據預處理案例分析 5 5 1 案例背景 5 5 2 城市春運出行數據說明 5 5 3 數據預處理 小結 習題 第6章 回歸與分類 6 1 基本概念 6 1 1 回歸概述 6 1 2 分類概述 6 2 回歸分析 6 2 1 一元線性回歸 6 2 2 多元線性回歸 6 2 3 多項式回歸 6 2 4 邏輯回歸 6 3 決策樹分類 6 3 1 決策樹基本原理 6 3 2 建立決策樹 6 3 3 決策樹演算法 6 3 4 隨機森林演算法 6 4 樸素貝葉斯分類 6 4 1 樸素貝葉斯模型基本原理 6 4 2 樸素貝葉斯模型代碼實現 6 5 K近鄰分類 6 5 1 K近鄰分類基本原理 6 5 2 K近鄰分類代碼實現 6 6 支持向量機 6 6 1 支持向量機基本原理 6 6 2 數據線性可分的情況 6 6 3 數據線性不可分的情況 6 7 神經網路 6 7 1 神經網路基本概念 6 7 2 BP神經網路演算法 6 8 回歸與分類的評估方法 6 8 1 回歸的評估方法 6 8 2 分類的評估方法 6 8 3 提高類不平衡數據的分類準確率 6 9 集成學習技術 6 9 1 集成學習方法概述 6 9 2 Bagging 6 9 3 Stacking 6 9 4 Boosting 6 10 Python回歸與分類案例分析 6 10 1 回歸案例分析 6 10 2 分類案例分析 小結 習題 第7章 聚類 7 1 基本概念 7 2 劃分聚類 7 2 1 K-Means演算法 7 2 2 K-中心點演算法 7 3 層次聚類 7 3 1 凝聚的層次聚類 7 3 2 分裂的層次聚類 7 3 3 簇間距離度量方法 7 3 4 不同距離度量的層次聚類 7 4 基於密度的聚類方法 7 4 1 基於中心方法的密度定義 7 4 2 DBSCAN演算法 7 5 概率模型聚類 7 5 1 模糊簇 7 5 2 概率模型聚類步驟 7 5 3 期望大化演算法 7 6 聚類評估 7 6 1 估計聚類趨勢 7 6 2 確定正確的簇的個數 7 6 3 聚類質量評估 7 7 Python聚類案例分析 7 7 1 數據說明 7 7 2 數據預處理 7 7 3 構建聚類模型 小結 習題 第8章 關聯規則 8 1 基本概念 8 1 1 基本元素的概念 8 1 2 閉頻繁項集和大頻繁項集 8 2 Apriori演算法 8 2 1 Apriori演算法簡介 8 2 2 改進的Apriori演算法 8 3 FP-Growth演算法 8 3 1 FP-Growth演算法的實現過程 8 3 2 使用FP-Growth演算法實現新聞網站點擊數據頻繁項集挖掘 8 4 關聯規則評估方法 8 4 1 關聯規則興趣度評估 8 4 2 關聯規則相關度評估 8 4 3 其他評估度量方法 8 5 多維關聯規則挖掘 8 6 多層關聯規則挖掘 8 7 Python關聯規則案例分析 8 7 1 基於Apriori演算法實現電影觀看規則挖掘 8 7 2 基於FP-Growth演算法實現 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
