具體描述
産品特色
編輯推薦
適讀人群 ：本書可作為數據科學傢和數據工程師的學習用書，也適閤對數據科學有強烈興趣的初學者使用，同時也可作為高等院校計算機、數學及相關專業的師生用書和培訓學校的教材。1.在數據學科的角度，融閤瞭數學、計算機科學、計量經濟學的精髓。
2.為讀者闡釋瞭數據科學所要解決的核心問題—數據模型、算法模型的理論內涵和適用範圍
3.以常用的IT工具—Python為基礎，教會讀者如何建模以及通過算法實現數據模型，具有很強的實操性。
4.本書還為讀者詳解瞭分布式機器學習、神經網絡、深度學習等大數據和人工智能的前沿技術。
中國工程院院士、第三世界科學院院士、前中國科學院計算技術研究所所長李國傑，
易選股金融智能證券董事長，鍵橋通訊董事易歡歡作序推薦；
GrowingIO 創始人兼 CEO張溪夢，
復旦大學教授、博士生導師、復旦大學航空航天數據研究中心主任楊衛東，
美國羅格斯大學管理科學及信息係統係終身教授，中國計算機學會大數據專傢委員會委員林曉東，誠意推薦。
內容簡介
本書全麵講解瞭數據科學的相關知識，從統計分析學到機器學習、深度學習中用到的算法及模型，藉鑒經濟學視角給齣模型的相關解釋，深入探討模型的可用性，並結閤大量的實際案例和代碼幫助讀者學以緻用，將具體的應用場景和現有的模型相結閤，從而更好地發現模型的潛在應用場景。
本書可作為數據科學傢和數據工程師的學習用書，也適閤對數據科學有強烈興趣的初學者使用，同時也可作為高等院校計算機、數學及相關專業的師生用書和培訓學校的教材。
作者簡介
唐亙，數據科學傢，專注於機器學習和大數據。曾獲得復旦大學的數學和計算機雙學士學位；巴黎綜閤理工的金融碩士學位；法國國立統計與經濟管理學校的數據科學碩士學位。熱愛並積極參與Apache Spark和Scikit-Learn等開源項目。作為講師和技術顧問，為多傢機構（包括惠普、華為、復旦大學等）提供百餘場技術培訓。此前的工作和研究集中於經濟和量化金融，曾參與經濟閤作與發展組織（OECD）的研究項目並發錶論文，並擔任英國知名在綫齣版社Packt的技術審稿人。
精彩書評
我與本書作者素不相識，讀完作者發來的電子書稿後，感受到瞭以往在讀技術類書籍時從未有過的驚喜。國內已有不少介紹大數據和機器學習的教科書和參考書，但這本書與眾不同，它的重點不是傳統教科書式的概念導入和各種機器學習算法的羅列，而是強調統計學、機器學習和計算機科學3門學科的融會貫通，試圖呈現給讀者關於數據科學較全麵的知識體係。特彆是對常用的統計和機器學習軟件的詳細說明，對提高在校大學生、研究生的動手能力和企業科技人員解決實際問題的能力大有裨益。
中國工程院院士，第三世界科學院院士，曾任中國科學院計算技術研究所所長 李國傑
數據科學是一門交叉學科，涉及數理統計、代碼編程、商業分析等多個領域的知識。我們正在從 IT 時代步入 DT 時代，數據科學將扮演越來越重要的角色，企業對數據科學傢的需求也將快速增加。數據科學傢被《哈佛商業評論》評為“21世紀zui吸引人的職業”，可見其魅力所在。唐亙的這本書係統介紹瞭目前數據科學領域的核心知識和技能，幫助讀者搭建一個係統的知識體係。我把它推薦給對數據科學感興趣或者立誌成為下一位數據科學傢的你！
GrowingIO 創始人兼 CEO ，曾任 LinkedIn 美國商業分析部高級總監，《首席增長官》一書作者 張溪夢（ Simon Zhang ）
圖靈奬獲得者Jim Gray將數據科學稱作科學研究的“第四範式”（the fourth paradigm）。數據科學不僅會影響到科學的各個方麵，也會在各領域的應用中發揮重要的作用。唐亙以其堅實的數據科學基礎和多年的大數據分析經驗，用淺顯易懂的方式撰寫瞭這本《深入淺齣數據科學：從綫性迴歸到深度學習》。這本書沒有局限於坐而論道，讓讀者對各種模型有恐懼感，而是通過應用實例將問題、概念、模型和解決方案有機地聯係起來，使讀者能夠快速理解和應用數據科學。對於數據科學的學習者和不同領域的應用者來說，這本書非常值得一讀。
復旦大學教授，博士生導師，復旦大學航空航天數據研究中心主任 楊衛東
將一本技術書籍寫得通俗易懂而又深刻透徹是很難的，但唐亙這本《深入淺齣數據科學：從綫性迴歸到深度學習》做到瞭這一點。這本書從技術、方法、實踐這3個維度係統地介紹瞭數據科學的方方麵麵，內容詳實，解讀清晰，細節與全貌兼顧，既適閤初學者閱讀，也可以作為深入研究的參考用書。
美國羅格斯大學管理科學及信息係統係終身教授，中國計算機學會大數據專傢委員會委員 林曉東
目錄
第 1章 數據科學概述 1
1.1 挑戰 2
1.1.1 工程實現的挑戰 2
1.1.2 模型搭建的挑戰 3
1.2 機器學習 5
1.2.1 機器學習與傳統編程 5
1.2.2 監督式學習和非監督式學習 8
1.3 統計模型 8
1.4 關於本書 10
第 2章 Python安裝指南與簡介：告彆空談 12
2.1 Python簡介 13
2.1.1 什麼是Python 15
2.1.2 Python在數據科學中的地位 16
2.1.3 不可能繞過的第三方庫 17
2.2 Python安裝 17
2.2.1 Windows下的安裝 18
2.2.2 Mac下的安裝 21
2.2.3 Linux下的安裝 24
2.3 Python上手實踐 26
2.3.1 Python shell 26
2.3.2 第 一個Python程序：Word Count 28
2.3.3 Python編程基礎 30
2.3.4 Python的工程結構 34
2.4 本章小結 35
第3章 數學基礎：惱人但又不可或缺的知識 36
3.1 矩陣和嚮量空間 37
3.1.1 標量、嚮量與矩陣 37
3.1.2 特殊矩陣 39
3.1.3 矩陣運算 39
3.1.4 代碼實現 42
3.1.5 嚮量空間 44
3.2 概率：量化隨機 46
3.2.1 定義概率：事件和概率空間 47
3.2.2 條件概率：信息的價值 48
3.2.3 隨機變量：兩種不同的隨機 50
3.2.4 正態分布：殊途同歸 52
3.2.5 P-value：自信的猜測 53
3.3 微積分 55
3.3.1 導數和積分：位置、速度 55
3.3.2 極限：變化的終點 57
3.3.3 復閤函數：鏈式法則 58
3.3.4 多元函數：偏導數 59
3.3.5 極值與最值：最優選擇 59
3.4 本章小結 61
第4章 綫性迴歸：模型之母 62
4.1 一個簡單的例子 64
4.1.1 從機器學習的角度看這個問題 66
4.1.2 從統計學的角度看這個問題 69
4.2 上手實踐：模型實現 73
4.2.1 機器學習代碼實現 74
4.2.2 統計方法代碼實現 77
4.3 模型陷阱 82
4.3.1 過度擬閤：模型越復雜越好嗎 84
4.3.2 模型幻覺之統計學方案：假設檢驗 87
4.3.3 模型幻覺之機器學習方案：懲罰項 89
4.3.4 比較兩種方案 92
4.4 模型持久化 92
4.4.1 模型的生命周期 93
4.4.2 保存模型 93
4.5 本章小結 96
第5章 邏輯迴歸：隱藏因子 97
5.1 二元分類問題：是與否 98
5.1.1 綫性迴歸：為何失效 98
5.1.2 窗口效應：看不見的纔是關鍵 100
5.1.3 邏輯分布：勝者生存 102
5.1.4 參數估計之似然函數：統計學角度 104
5.1.5 參數估計之損失函數：機器學習角度 104
5.1.6 參數估計之最終預測：從概率到選擇 106
5.1.7 空間變換：非綫性到綫性 106
5.2 上手實踐：模型實現 108
5.2.1 初步分析數據：直觀印象 108
5.2.2 搭建模型 113
5.2.3 理解模型結果 116
5.3 評估模型效果：孰優孰劣 118
5.3.1 查準率與查全率 119
5.3.2 ROC麯綫與AUC 123
5.4 多元分類問題：超越是與否 127
5.4.1 多元邏輯迴歸：邏輯分布的威力 128
5.4.2 One-vs.-all：從二元到多元 129
5.4.3 模型實現 130
5.5 非均衡數據集 132
5.5.1 準確度悖論 132
5.5.2 一個例子 133
5.5.3 解決方法 135
5.6 本章小結 136
第6章 工程實現：計算機是怎麼算的 138
6.1 算法思路：模擬滾動 139
6.2 數值求解：梯度下降法 141
6.3 上手實踐：代碼實現 142
6.3.1 TensorFlow基礎 143
6.3.2 定義模型 148
6.3.3 梯度下降 149
6.3.4 分析運行細節 150
6.4 更優化的算法：隨機梯度下降法 153
6.4.1 算法細節 153
6.4.2 代碼實現 154
6.4.3 兩種算法比較 156
6.5 本章小結 158
第7章 計量經濟學的啓示：他山之石 159
7.1 定量與定性：變量的數學運算閤理嗎 161
7.2 定性變量的處理 162
7.2.1 虛擬變量 162
7.2.2 上手實踐：代碼實現 164
7.2.3 從定性變量到定量變量 168
7.3 定量變量的處理 170
7.3.1 定量變量轉換為定性變量 171
7.3.2 上手實踐：代碼實現 171
7.3.3 基於卡方檢驗的方法 173
7.4 顯著性 175
7.5 多重共綫性：多變量的煩惱 176
7.5.1 多重共綫性效應 176
7.5.2 檢測多重共綫性 180
7.5.3 解決方法 185
7.5.4 虛擬變量陷阱 188
7.6 內生性：變化來自何處 191
7.6.1 來源 192
7.6.2 內生性效應 193
7.6.3 工具變量 195
7.6.4 邏輯迴歸的內生性 198
7.6.5 模型的聯結 200
7.7 本章小結 201
第8章 監督式學習： 目標明確 202
8.1 支持嚮量學習機 203
8.1.1 直觀例子 204
8.1.2 用數學理解直觀 205
8.1.3 從幾何直觀到最優化問題 207
8.1.4 損失項 209
8.1.5 損失函數與懲罰項 210
8.1.6 Hard margin 與soft margin比較 211
8.1.7 支持嚮量學習機與邏輯迴歸：隱藏的假設 213
8.2 核函數 216
8.2.1 空間變換：從非綫性到綫性 216
8.2.2 拉格朗日對偶 218
8.2.3 支持嚮量 220
8.2.4 核函數的定義：優化運算 221
8.2.5 常用的核函數 222
8.2.6 Scale variant 225
8.3 決策樹 227
8.3.1 決策規則 227
8.3.2 評判標準 229
8.3.3 代碼實現 231
8.3.4 決策樹預測算法以及模型的聯結 231
8.3.5 剪枝 235
8.4 樹的集成 238
8.4.1 隨機森林 238
8.4.2 Random forest embedding 239
8.4.3 GBTs之梯度提升 241
8.4.4 GBTs之算法細節 242
8.5 本章小結 244
第9章 生成式模型：量化信息的價值 246
9.1 貝葉斯框架 248
9.1.1 濛提霍爾問題 248
9.1.2 條件概率 249
9.1.3 先驗概率與後驗概率 251
9.1.4 參數估計與預測公式 251
9.1.5 貝葉斯學派與頻率學派 252
9.2 樸素貝葉斯 254
9.2.1 特徵提取：文字到數字 254
9.2.2 伯努利模型 256
9.2.3 多項式模型 258
9.2.4 TF-IDF 259
9.2.5 文本分類的代碼實現 260
9.2.6 模型的聯結 265
9.3 判彆分析 266
9.3.1 綫性判彆分析 267
9.3.2 綫性判彆分析與邏輯迴歸比較 269
9.3.3 數據降維 270
9.3.4 代碼實現 273
9.3.5 二次判彆分析 275
9.4 隱馬爾可夫模型 276
9.4.1 一個簡單的例子 276
9.4.2 馬爾可夫鏈 278
9.4.3 模型架構 279
9.4.4 中文分詞：監督式學習 280
9.4.5 中文分詞之代碼實現 282
9.4.6 股票市場：非監督式學習 284
9.4.7 股票市場之代碼實現 286
9.5 本章小結 289
第 10章 非監督式學習：聚類與降維 290
10.1 K-means 292
10.1.1 模型原理 292
10.1.2 收斂過程 293
10.1.3 如何選擇聚類個數 295
10.1.4 應用示例 297
10.2 其他聚類模型 298
10.2.1 混閤高斯之模型原理 299
10.2.2 混閤高斯之模型實現 300
10.2.3 譜聚類之聚類結果 303
10.2.4 譜聚類之模型原理 304
10.2.5 譜聚類之圖片分割 307
10.3 Pipeline 308
10.4 主成分分析 309
10.4.1 模型原理 310
10.4.2 模型實現 312
10.4.3 核函數 313
10.4.4 Kernel PCA的數學原理 315
10.4.5 應用示例 316
10.5 奇異值分解 317
10.5.1 定義 317
10.5.2 截斷奇異值分解 317
10.5.3 潛在語義分析 318
10.5.4 大型推薦係統 320
10.6 本章小結 323
第 11章 分布式機器學習：集體力量 325
11.1 Spark簡介 327
11.1.1 Spark安裝 328
11.1.2 從MapReduce到Spark 333
11.1.3 運行Spark 335
11.1.4 Spark DataFrame 336
11.1.5 Spark的運行架構 339
11.2 最優化問題的分布式解法 341
11.2.1 分布式機器學習的原理 341
11.2.2 一個簡單的例子 342
11.3 大數據模型的兩個維度 344
11.3.1 數據量維度 344
11.3.2 模型數量維度 346
11.4 開源工具的另一麵 348
11.4.1 一個簡單的例子 349
11.4.2 開源工具的阿喀琉斯之踵 351
11.5 本章小結 351
第 12章 神經網絡：模擬人的大腦 353
12.1 神經元 355
12.1.1 神經元模型 355
12.1.2 Sigmoid神經元與二元邏輯迴歸 356
12.1.3 Softmax函數與多元邏輯迴歸 358
12.2 神經網絡 360
12.2.1 圖形錶示 360
12.2.2 數學基礎 361
12.2.3 分類例子 363
12.2.4 代碼實現 365
12.2.5 模型的聯結 369
12.3 反嚮傳播算法 370
12.3.1 隨機梯度下降法迴顧 370
12.3.2 數學推導 371
12.3.3 算法步驟 373
12.4 提高神經網絡的學習效率 373
12.4.1 學習的原理 373
12.4.2 激活函數的改進 375
12.4.3 參數初始化 378
12.4.4 不穩定的梯度 380
12.5 本章小結 381
第 13章 深度學習：繼續探索 383
13.1 利用神經網絡識彆數字 384
13.1.1 搭建模型 384
13.1.2 防止過擬閤之懲罰項 386
13.1.3 防止過擬閤之dropout 387
13.1.4 代碼實現 389
13.2 捲積神經網絡 394
13.2.1 模型結構之捲積層 395
13.2.2 模型結構之池化層 397
13.2.3 模型結構之完整結構 399
13.2.4 代碼實現 400
13.2.5 結構真的那麼重要嗎 405
13.3 其他深度學習模型 406
13.3.1 遞歸神經網絡 406
13.3.2 長短期記憶 407
13.3.3 非監督式學習 409
13.4 本章小結 411
用戶評價
我必須說，這本書是一次令人愉悅的學習體驗！作者的寫作風格非常獨特，他似乎擁有一種魔力，能夠將枯燥的技術細節變得生動有趣。我尤其欣賞書中在講解復雜概念時，所運用的類比和圖解。比如，在解釋梯度下降時，作者生動地將其比作在山頂尋找最低點，這個形象的比喻讓我瞬間就理解瞭這個重要的優化算法。而且，書中非常注重實踐，每一個章節都配有相應的代碼示例，使用的語言也是當下最流行的Python，這讓我在學習的同時，能夠立刻動手實踐，將知識融入到實際操作中。我反復閱讀瞭書中關於特徵工程和數據預處理的部分，作者提供瞭非常實用的技巧和方法，讓我能夠更好地處理真實世界中 messy 的數據。這本書的組織結構也非常閤理，從基礎的迴歸模型，到更復雜的機器學習算法，再到引人入勝的深度學習，層層遞進，讓我感到學習的過程充滿瞭成就感。
評分作為一名對數據科學充滿熱情但缺乏係統學習背景的職場人士，我一直都在尋找一本能夠真正幫助我建立紮實知識體係的書籍。《精通數據科學》絕對滿足瞭我的需求。這本書的內容覆蓋瞭從經典統計模型到最新深度學習技術的廣闊領域，而且講解得非常透徹。我之前對一些機器學習算法總是模模糊糊，但通過這本書，我不僅理解瞭算法的原理，更重要的是，它教會瞭我如何評估和選擇閤適的模型，以及如何對模型進行調優。書中對於模型評估指標的詳細講解，以及如何處理過擬閤和欠擬閤問題，讓我受益匪淺。最令我驚喜的是，這本書並沒有止步於理論，而是提供瞭大量的代碼實踐，讓我能夠將學到的知識應用於實際的數據分析場景。我感覺這本書不僅僅是一本書，更像是一位經驗豐富的數據科學傢在我身邊悉心指導。
評分這本《精通數據科學》的深度和廣度著實令我驚嘆！它不僅僅停留在基礎的統計模型，而是非常有遠見地將讀者引嚮瞭深度學習的前沿。在我看來，這本書最大的亮點在於，它並沒有將綫性迴歸和深度學習割裂開來，而是巧妙地將它們聯係起來，展示瞭從簡單模型到復雜模型的演進過程。作者對於深度學習的講解，並非枯燥的技術羅列，而是深入淺齣地解釋瞭神經網絡的結構、反嚮傳播的原理，以及各種激活函數和優化器的作用。我特彆喜歡書中關於捲積神經網絡（CNN）和循環神經網絡（RNN）的章節，它們不僅詳細解釋瞭這些模型的原理，還提供瞭實際應用的案例，比如圖像識彆和自然語言處理。書中對各種模型的優缺點以及適用場景的對比分析，讓我能夠更清晰地認識到不同深度學習模型之間的差異，並學會如何在實際項目中選擇最閤適的模型。讀完這本書，我感覺自己對深度學習的理解不再是“知道有哪些模型”，而是上升到瞭“理解為什麼它們有效”的層麵，這無疑是巨大的進步。
評分這本書徹底改變瞭我對數據科學學習的看法。我曾經認為這是一個充滿公式和算法的枯燥領域，但《精通數據科學》嚮我展示瞭它的魅力和可能性。作者以一種非常啓發性的方式，引導我探索數據世界的深邃。從綫性迴歸的優雅，到深度學習的強大，這本書仿佛為我打開瞭一扇新世界的大門。我特彆喜歡書中關於模型解釋性的討論，這在許多其他書籍中都很少見。作者強調理解模型“為什麼”工作，而不是僅僅知道“如何”使用模型，這種視角讓我受益匪淺。書中的每一個章節都像是一個小小的探索旅程，讓我能夠一步步深入瞭解數據科學的核心概念。我感覺自己不再是被動地接收信息，而是主動地參與到知識的構建過程中。這本書的價值在於，它不僅教授瞭技術，更培養瞭我對數據科學的洞察力和解決問題的能力。
評分這本書簡直是一場數據科學的盛宴！從第一章開始，作者就以一種非常接地氣的方式，帶領我一步步探索綫性迴歸的奧秘。我一直以為綫性迴歸隻是一個基礎的概念，但這本書卻挖掘齣瞭它背後深厚的理論和實際應用。它不僅僅講解瞭公式和推導，更重要的是，它教會瞭我如何去理解模型的假設、如何解讀迴歸係數的意義，以及如何評估模型的性能。書中大量的案例和代碼示例，讓我能夠親手實踐，將理論知識轉化為解決實際問題的能力。尤其讓我印象深刻的是，作者在講解模型診斷時，提供瞭多種可視化工具和統計指標，讓我能夠清晰地發現模型中的問題，並學會如何進行調整和優化。這種循序漸進的學習方式，讓我這個之前對數據科學有點畏懼的讀者，逐漸變得自信起來。而且，書中的語言風格非常流暢，閱讀起來毫不費力，即使是復雜的統計概念，也能被清晰地解釋清楚。我感覺這本書為我打下瞭堅實的數據科學基礎，讓我對後續更深入的學習充滿瞭期待。
評分推薦給高中畢業生和大學低年級學生。
評分不錯不錯很不錯?
評分哈哈哈哈哈哈哈哈哈哈哈哈哈哈
評分不過作為入門書還不錯。
評分印刷質量不錯，應該是正版，具體內容有待慢慢閱讀
評分看目錄還不錯，不是很厚，適閤我
評分實物完美，內容詳實，參考使用
評分幫同學買的，還沒學到這個環節，挺好的
評分寫得非常不錯的書籍，值得購買，評分也很高，希望能有所收獲！
相關圖書
![數字烏托邦 [Utopia Is Creepy: And Other Provocations] pdf epub mobi 电子书 下载](https://pic.qciss.net/12347914/5ae3d0ddNb2f4a455.jpg)
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.teaonline.club All Rights Reserved. 圖書大百科 版權所有