Data_science_od_podstaw_Analiza_danych_w_Pythonie_dascpo.pdf

(2455 KB) Pobierz
•
Kup książkę
•
Poleć książkę
•
Oceń książkę
•
Księgarnia internetowa
•
Lubię to! » Nasza społeczność
Spis treści
Przedmowa ........................................................................................................................... 9
Rozdział 1. Wprowadzenie ................................................................................................... 13
Znaczenie danych
Czym jest analiza danych?
Hipotetyczna motywacja
Podstawy
Bardziej skomplikowane zagadnienia
Dalsza eksploracja
Pakiet matplotlib
Wykres słupkowy
Wykresy liniowe
Wykresy punktowe
Dalsza eksploracja
Wektory
Macierze
Dalsza eksploracja
Opis pojedynczego zbioru danych
Korelacja
Paradoks Simpsona
Inne pułapki związane z korelacją
Korelacja i przyczynowość
Dalsza eksploracja
13
13
14
25
36
43
45
47
50
51
52
55
59
61
63
67
70
71
71
72
3
Kup książkę
Poleć książkę
Rozdział 2. Błyskawiczny kurs Pythona ................................................................................. 25
Rozdział 3. Wizualizacja danych ........................................................................................... 45
Rozdział 4. Algebra liniowa .................................................................................................. 55
Rozdział 5. Statystyka .......................................................................................................... 63
Rozdział 6. Prawdopodobieństwo ........................................................................................ 73
Zależność i niezależność
Prawdopodobieństwo warunkowe
Twierdzenie Bayesa
Zmienne losowe
Ciągły rozkład prawdopodobieństwa
Rozkład normalny
Centralne twierdzenie graniczne
Dalsza eksploracja
Sprawdzanie hipotez
Przykład: rzut monetą
Przedziały ufności
Hakowanie wartości p
Przykład: przeprowadzanie testu A-B
Wnioskowanie bayesowskie
Dalsza eksploracja
Podstawy metody gradientu prostego
Szacowanie gradientu
Korzystanie z gradientu
Dobór właściwego rozmiaru kroku
Łączenie wszystkich elementów
Stochastyczna metoda gradientu prostego
Dalsza eksploracja
Strumienie stdin i stdout
Wczytywanie plików
Pobieranie danych ze stron internetowych
Korzystanie z interfejsów programistycznych
Przykład: korzystanie z interfejsów programistycznych serwisu Twitter
Dalsza eksploracja
Eksploracja danych
Oczyszczanie i wstępne przetwarzanie danych
Przetwarzanie danych
Przeskalowanie
Redukcja liczby wymiarów
Dalsza eksploracja
Spis treści
Poleć książkę
73
74
75
77
77
79
81
83
85
85
89
90
91
92
95
97
98
101
101
102
103
104
105
107
109
115
117
120
121
126
127
130
132
137
Rozdział 7. Hipotezy i wnioski .............................................................................................. 85
Rozdział 8. Metoda gradientu prostego ................................................................................ 97
Rozdział 9. Uzyskiwanie danych ......................................................................................... 105
Rozdział 10. Praca z danymi ............................................................................................... 121
4
Kup książkę
Rozdział 11. Uczenie maszynowe ........................................................................................139
Modelowanie
Czym jest uczenie maszynowe?
Nadmierne i zbyt małe dopasowanie
Poprawność
Kompromis pomiędzy wartością progową a wariancją
Ekstrakcja i selekcja cech
Dalsza eksploracja
Model
Przykład: ulubione języki
Przekleństwo wymiarowości
Dalsza eksploracja
Bardzo prosty filtr antyspamowy
Bardziej zaawansowany filtr antyspamowy
Implementacja
Testowanie modelu
Dalsza eksploracja
Model
Korzystanie z algorytmu spadku gradientowego
Szacowanie maksymalnego prawdopodobieństwa
Dalsza eksploracja
Model
Dalsze założenia dotyczące modelu najmniejszych kwadratów
Dopasowywanie modelu
Interpretacja modelu
Poprawność dopasowania
Dygresja: ładowanie wstępne
Błędy standardowe współczynników regresji
Regularyzacja
Dalsza eksploracja
139
140
140
143
145
146
147
149
151
155
159
161
162
163
165
167
169
172
172
173
175
176
177
178
178
179
180
181
183
Rozdział 12. Algorytm k najbliższych sąsiadów ....................................................................149
Rozdział 13. Naiwny klasyfikator bayesowski ......................................................................161
Rozdział 14. Prosta regresja liniowa ....................................................................................169
Rozdział 15. Regresja wieloraka ..........................................................................................175
Spis treści
Kup książkę
5
Poleć książkę

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika:

Zgłoś jeśli naruszono regulamin