8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 17.98 руб.

Python Big Data Analysis and Machine Learning Business Case фактическое боевое базовое учебное пособие Python Deep Learn

Цена: 1 234руб.    (¥68.6)
Артикул: 619863034413

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:馨园青图书专营店
Адрес:Хэнань
Рейтинг:
Всего отзывов:215269
Положительных:215269
Добавить в корзину
Другие товары этого продавца
¥ 105.8 100.81 813руб.
¥ 198 951 709руб.
¥ 198 122.72 207руб.
¥45810руб.
  • Информация о товаре
  • Фотографии

  Основная информация, обратитесь к следующему введению
Название книги:Анализ больших данных Python и бизнес -корпус машинного обучения фактическая борьба
Автор:Ван Ютао Цянь Янчжу и так далее
Цены: 99.80
Номер ISBN: 9787111654711
Издательство:Machinery Industry Press

   Редактировать рекомендацию

Zero basic learning machine learning and quantitative strategies, detailed explanation of big data analysis technologies in multiple industries, comprehensively reveal the actual combat of machine learning in business, detailed financial data risk control, quantitative stock transactions, intelligent recommendations of goods, user emotional analysis, и т. д. Технология анализа данных


  краткое введение
Анализ больших данных и технологии машинного обучения стали ключевой движущей силой для цифровых изменений в различных отраслях.В этой книге используется мощный и простой язык питона в качестве среды программирования, которая всесторонне объясняет фактическую борьбу с анализом больших данных и технологией машинного обучения.
В книге есть 16 глав, объясняющие модели линейной регрессии, модели логической регрессии, модели деревьев принятия решений, простые байесовские модели, k -ближайшие модели алгоритма, модели случайных лесов, модели Adaboost и GBDT, модели XGBOOST и LightGBM, PCA (PCA (модели PCA (PCA (модели PCA (PCA (модели PCA (PCA (модели PCA (PCA (модели PCA (PCA (модели PCA (PCA (Model Анализ основных компонентов), модели кластеризации и групповых моделей (KMEANS и DBSCAN. Один или два типичных типичных типичных типичных модельных случаев охватывают многие области, такие как финансы, маркетинг, медицинская помощь, социальные науки, корпоративные офисы и управление.
Эта книга подходит для читателей, которые имеют определенные математические знания и фонд программирования, и надеются быстро применить анализ больших данных и технологию машинного обучения в работе. Технология обучения.

  Оглавление

Предисловие
Как получить учебные ресурсы
Глава 1 Python и Data Science
1.1 Анализ больших данных и обзор машинного обучения 13
1.1.1 Поле приложения анализа больших данных и машинного обучения 13
1.1.2 Основная концепция машинного обучения 14
1.1.3 Роль Python в Data Science 16
1.2 Развертывание среды программирования Python и базовая операция 16
1.2.1 Установка Python 16
1.2.2 Установка и настройки Pycharm 18
1.2.3 Notebook Jupyter Использование 22
1.3 Резюме базовых знаний Python 28
Глава 2 Анализ данных Prudential: Numpy, Pandas и Matplotlib Library
2.1 Библиотека Numpy Basic 29
2.1.1 Библиотека Numpy и массив 29
2.1.2 Разница между массивом и списком 30
2.1.3 Несколько способов создания массивов 31
2.2 Библиотека Pandas 33
2.2.1 Создание двухмерной таблицы данных DataFrame 33
2.2.
2.2.3 Выбор и обработка данных 41
2.2.4 ТАБЛИЦА ДАННЫХ СТИНГ 47
2.3 Матплотлиб библиотека база 51
2.3.1 BASIC DRAWING 51
2.3.2 Визуализация данных Общие навыки 56
2.4 Случаи Реальная борьба: считывание данных о складе и чертеж диаграммы k -line 61
2.4.1 Предварительная попытка: чтение и визуализация данных 62
2.4.2 ПРЕДОСТАВЛЕНИЕ ФАКТИЧЕСКИЙ БОРЕЙ: Сток K -Line Brawing 65
Глава 3 Модель линейной регрессии
3.1 одна линейная регрессия юаня 73
3.1.1 Математические принципы линейного возврата 73
3.1.2 Реализация кода одной линейной регрессии 75
3.1.3 Фактический боевой бой: модель линейной регрессии рабочего возраста и зарплата в разных отраслях 77
3.2 Оценка модели линейной регрессии 83
3.2.1 Программирование реализации модели Оценки 83
3.2.2 Математические принципы оценки модели 84
3.3 Различный линейный возврат 87
3.3.1 Математические принципы и реализация кода многоотражающей регрессии 87
3.3.2 Фактический боевой бой: модель прогнозирования стоимости клиента 88
Глава 4 Модель логики повторного повторения
4.1 Принцип алгоритма модели 92 логической регрессии 92
4.1.1 Математические принципы логического возврата модели 92
4.1.2 Реализация кода модели 94 логической регрессии 94
4.1.3 В -Depth Inpant of Logical регрессионной модели 95
4.2 Case Combat: модель предупреждения о потере клиентов 98
4.2.1 Фон. 98
4.2.2 Чтение данных и переменная деление 98
4.2.3 Конструкция и использование модели 99
4.3 Метод оценки модели: кривая ROC и KS Curve 104
4.3.1 Основной принцип кривой ROC 105
4.3.2. Фактический боевой бой: используйте кривую ROC для оценки модели 108 предупреждения о потере клиентов.
4.3.3 Основной принцип кривой KS 111
4.3.4 Фактический боевой бой: Используйте кривую KS для оценки предупреждения о потере клиентов 112
Глава 5 Модель дерева решений
5.1 Основной принцип модели дерева решений 115
5.1.1 Модель дерева решений Введение 115
5.1.2 Строительство модели дерева решений основано на 116
5.1.3 Реализация кода модели дерева решений 119
5.2 Случаи фактического боя: модель 123 предсказания сотрудников 123
5.2.1 Модель создать 123
5.2.2 Прогнозирование и оценка модели 126
5.2.3. Визуализация дерева решений и точки дерева решений Понимание 131
5.3 Настройка параметров: k -складная аутентификация и поиск сетки Gridsearch 138
5.3.1 K Складная проверка перекрестной проверки 138
5.3.2 Поиск Gridsearch Grid 139
Глава 6 Park Bayes Model
6.1 Принципы простой байесовской модели 145
6.1.1 Байесовская модель 145 под одной измерной символической переменной
6.1.2 Байесовская модель 146 под двухмерными переменными символов
6.1.3 N -Dimensional Special Variable Bayesian Model 147
6.1.4 Простая реализация кода простой байесовской модели 147
6.2 Случайный бой: модель прогнозирования опухоли 148
6.2.1 Фон. 148
6.2.2 Чтение данных и разделение 148
6.2.3 Конструкция и использование модели 149
ГЛАВА 7 K ALGORITHM
7.1 Принцип и внедрение кода Алгоритма 152 ближнего рода 152
7.1.1 B Основной принцип почти соседнего алгоритма 152
7.1.2 Шаги расчета почти соседнего алгоритма 153
7.1.3 K Рядом Алгоритм Реализация кода 155
7.2 Фактический бой: рукописная модель цифрового распознавания 157
7.2.1 Фон. 157
7.2.2 Принципы рукописного цифрового признания 157
7.2.3. Реализация кода рукописного цифрового распознавания 159
7.3 Подробное объяснение принципов распознавания изображений 162
Глава 8 Модель случайного леса
8.1
8.1.1 Введение в интегрированную модель 166
8.1.2 Основные принципы случайного леса модели 167
8.1.3 Реализация кода Случайного леса модели 168
8.2 Case Combat: рост акций и прогнозирующая модель 170
8.2.1 Основные данные о приобретении акций 170
8.2.2. Производная производная генерация 173
8.2.3 Многофакторная модель конструкция 181
8.2.4 Использование и оценка модели 184
8.2.5 Настройка параметров 186
8.2.6 Вернуться к тестированию кривой рисунки 188
Глава 9 модели Adaboost и GBDT
9.1 Adaboost Algorithm Principle 190
9.1.1 Основная мысль об алгоритме Adaboost 190
9.1.2 Обзор математических принципов алгоритма Adaboost 191
9.1.3 Математические принципы алгоритма Adaboost 194
9.1.4 Простая реализация кода Алгоритма Adaboost 200
9.2 Adaboost Algorithm Case Case Faction Combat: Credit Card Точная маркетинговая модель 201
9.2.1 Справочный фон 201
9.2.2 Модель Construction 201
9.2.3 Прогнозирование и оценка модели 202
9.2.4 Введение параметра модели 205
9.3 Принцип алгоритма GBDT 206
9.3.1 Основная мысль об алгоритме GBDT 206
9.3.2 Обзор математических принципов алгоритма GBDT 208
9.3.3 Математические принципы алгоритма GBDT 208
9.3.4 Простая реализация кода алгоритма GBDT 213
9.4 ГБДТ Алгоритм Дело о делу Фактическая борьба: модель ценообразования продукта 214
9.4.1 Фон. 214
9.4.2 Строительство модели 214
9.4.3 Прогнозирование и оценка модели 217
9.4.4 Введение параметра модели 219
Глава 10 Алгоритм машинного обучения: xgboost и lightgbm алгоритм
10.1 Принцип алгоритма XGBOOST 223
10.1.1 Основная мысль об алгоритме XGBOOST 224
10.1.2 Обзор математических принципов Алгоритма XGBOOST 224
10.1.3 Простая реализация кода XGBOOST Algorithm 225
10.2 XGBOOST ALGORITHM DECE DECE FACTION FACTION BIGAT 1: Financial Anti -Fraud Model 226
10.2.1 Фон. 226
10.2.2 Строительство модели 226
10.2.3 Прогнозирование и оценка модели 228
10.2.4 Настройка параметров модели 230
10.3 XGBOOST ALGORITHM CADE Фактический бой 2: модель карты кредитной оценки 233
10.3.1 Фон 233
10.3.2 Модель 234 линейной регрессии 234
10.3.3 Модель регрессии GBDT 235
10.3.4 XGBOOST регрессионная модель 237
10.4 Принцип алгоритма Lightgbm 241
10.4.1 LightGBM