具体描述
本书介绍了使用Python进行数据分析和高效的机器学习，首先从一节Python速成课开始，然后回顾统计学和概率论的基础知识，接着深入讨论与数据挖掘和机器学习相关的60多个主题，包括贝叶斯定理、聚类、决策树、回归分析、实验设计等。
作者简介
Frank Kane，Sundog Software公司创始人，曾在Amazon和IMDb工作近9年，在分布式计算、数据挖掘和机器学习等领域持有17项专利。
目录信息
1.1 安装Enthought Canopy 1
1.2 使用并理解IPython/Jupyter Notebook 6
1.3 Python基础——第 一部分 9
1.4 理解Python代码 11
1.5 导入模块 13
1.5.1 数据结构 13
1.5.2 使用列表 14
1.5.3 元组 17
1.5.4 字典 18
1.6 Python基础——第二部分 20
1.6.1 Python中的函数 20
1.6.2 循环 23
1.6.3 探索活动 24
1.7 运行Python脚本 24
1.7.1 运行Python代码的其他方式 25
1.7.2 在命令行中运行Python脚本 25
1.7.3 使用Canopy IDE 26
1.8 小结 28
第 2 章 统计与概率复习以及Python实现 29
2.1 数据类型 29
2.1.1 数值型数据 30
2.1.2 分类数据 30
2.1.3 定序数据 31
2.2 均值、中位数和众数 32
2.2.1 均值 32
2.2.2 中位数 33
2.2.3 众数 34
2.3 在Python中使用均值、中位数和众数 35
2.3.1 使用NumPy包计算均值 35
2.3.2 使用NumPy包计算中位数 36
2.3.3 使用SciPy包计算众数 37
2.4 标准差和方差 40
2.4.1 方差 40
2.4.2 标准差 42
2.4.3 总体方差与样本方差 42
2.4.4 在直方图上分析标准差和方差 44
2.4.5 使用Python计算标准差和方差 44
2.4.6 自己动手 45
2.5 概率密度函数和概率质量函数 45
2.5.1 概率密度函数 45
2.5.2 概率质量函数 46
2.6 各种类型的数据分布 47
2.6.1 均匀分布 47
2.6.2 正态分布或高斯分布 48
2.6.3 指数概率分布与指数定律 50
2.6.4 二项式概率质量函数 50
2.6.5 泊松概率质量函数 51
2.7 百分位数和矩 52
2.7.1 百分位数 53
2.7.2 矩 56
2.8 小结 60
第 3 章 Matplotlib与概率高级概念 61
3.1 Matplotlib快速学习 61
3.1.1 在一张图形上进行多次绘图 62
3.1.2 将图形保存为文件 63
3.1.3 调整坐标轴 64
3.1.4 添加网格 65
3.1.5 修改线型和颜色 65
3.1.6 标记坐标轴并添加图例 68
3.1.7 一个有趣的例子 69
3.1.8 生成饼图 70
3.1.9 生成条形图 71
3.1.10 生成散点图 72
3.1.11 生成直方图 72
3.1.12 生成箱线图 73
3.1.13 自己动手 74
3.2 协方差与相关系数 74
3.2.1 概念定义 75
3.2.2 相关系数 76
3.2.3 在Python中计算协方差和相关系数 76
3.2.4 相关系数练习 80
3.3 条件概率 80
3.3.1 Python中的条件概率练习 81
3.3.2 条件概率作业 84
3.3.3 作业答案 85
3.4 贝叶斯定理 86
3.5 小结 88
第 4 章 预测模型 89
4.1 线性回归 89
4.1.1 普通最小二乘法 90
4.1.2 梯度下降法 91
4.1.3 判定系数或r方 91
4.1.4 使用Python进行线性回归并计算r方 92
4.1.5 线性回归练习 94
4.2 多项式回归 95
4.2.1 使用NumPy实现多项式回归 96
4.2.2 计算r方误差 98
4.2.3 多项式回归练习 98
4.3 多元回归和汽车价格预测 99
4.3.1 使用Python进行多元回归 100
4.3.2 多元回归练习 102
4.4 多水平模型 102
4.5 小结 104
第 5 章 使用Python进行机器学习 105
5.1 机器学习及训练/测试法 105
5.1.1 非监督式学习 106
5.1.2 监督式学习 107
5.2 使用训练/测试法防止多项式回归中的过拟合 109
5.3 贝叶斯方法——概念 113
5.4 使用朴素贝叶斯实现垃圾邮件分类器 115
5.5 k均值聚类 118
5.6 基于收入与年龄进行人群聚类 121
5.7 熵的度量 123
5.8 决策树——概念 124
5.8.1 决策树实例 126
5.8.2 生成决策树 127
5.8.3 随机森林 127
5.9 决策树——使用Python预测录用决策 128
5.9.1 集成学习——使用随机森林 132
5.9.2 练习 133
5.10 集成学习 133
5.11 支持向量机简介 135
5.12 使用scikit-learn通过SVM进行人员聚集 137
5.13 小结 140
第 6 章 推荐系统 141
6.1 什么是推荐系统 141
6.2 基于项目的协同过滤 145
6.3 基于项目的协同过滤是如何工作的 146
6.4 找出电影相似度 149
6.5 改善电影相似度结果 155
6.6 向人们推荐电影 159
6.7 改善推荐结果 165
6.8 小结 167
第 7 章 更多数据挖掘和机器学习技术 168
7.1 k最近邻的概念 168
7.2 使用KNN预测电影评分 170
7.3 数据降维与主成分分析 176
7.3.1 数据降维 176
7.3.2 主成分分析 177
7.4 对鸢尾花数据集的PCA示例 178
7.5 数据仓库简介 182
7.6 强化学习 184
7.6.1 Q-learning 185
7.6.2 探索问题 186
7.6.3 时髦名词 186
7.7 小结 188
第 8 章 处理真实数据 189
8.1 偏差-方差权衡 189
8.2 使用k折交叉验证避免过拟合 192
8.3 数据清理和标准化 196
8.4 清理Web日志数据 198
8.4.1 对Web日志应用正则表达式 198
8.4.2 修改1——筛选请求字段 200
8.4.3 修改2——筛选post请求 201
8.4.4 修改3——检查用户代理 203
8.4.5 筛选爬虫与机器人 204
8.4.6 修改4——使用网站专用筛选器 205
8.4.7 Web日志数据练习 206
8.5 数值型数据的标准化 207
8.6 检测异常值 208
8.6.1 处理异常值 209
8.6.2 异常值练习 211
8.7 小结211
第 9 章 Apache Spark——大数据上的机器学习 212
9.1 安装Spark 212
9.1.1 在Windows系统中安装Spark 213
9.1.2 在其他操作系统上安装Spark 214
9.1.3 安装Java Development Kit 214
9.1.4 安装Spark 217
9.2 Spark简介 227
9.2.1 可伸缩 227
9.2.2 速度快 228
9.2.3 充满活力 229
9.2.4 易于使用 229
9.2.5 Spark组件 229
9.2.6 在Spark中使用Python还是Scala 230
9.3 Spark和弹性分布式数据集 231
9.3.1 SparkContext对象 231
9.3.2 创建RDD 232
9.3.3 更多创建RDD的方法 233
9.3.4 RDD操作 233
9.4 MLlib简介 235
9.4.1 MLlib功能 235
9.4.2 MLlib特殊数据类型 236
9.5 在Spark中使用MLlib实现决策树 236
9.6 在Spark中实现k均值聚类 245
9.7 TF-IDF 250
9.7.1 TF-IDF实战 250
9.7.2 使用TF-IDF 251
9.8 使用Spark MLlib搜索维基百科 251
9.8.1 导入语句 252
9.8.2 创建初始RDD 252
9.8.3 创建并转换HashingTF对象 253
9.8.4 计算TF-IDF得分 254
9.8.5 使用维基百科搜索引擎算法 254
9.8.6 运行算法 255
9.9 使用Spark 2.0中的MLlib数据框API 255
9.10 小结 259
第 10 章 测试与实验设计 260
10.1 A/B测试的概念 260
10.1.1 A/B测试 260
10.1.2 A/B测试的转化效果测量 262
10.1.3 小心方差 263
10.2 t检验与p值 263
10.2.1 t统计量或t检验 264
10.2.2 p值 264
10.3 使用Python计算t统计量和p值 265
10.3.1 使用实验数据进行A/B测试 265
10.3.2 样本量有关系吗 267
10.4 确定实验持续时间 268
10.5 A/B测试中的陷阱 269
10.5.1 新奇性效应 270
10.5.2 季节性效应 271
10.5.3 选择性偏差 271
10.5.4 数据污染 272
10.5.5 归因错误 272
10.6 小结 273
· · · · · · (收起)
读后感
用户评价
拿到这本书的时候，我最大的感受就是它的厚重感，沉甸甸的，不像是一些轻飘飘的速成读物，这让我对作者的专业度和内容的深度充满了信心。我迫不及待地翻开了第一章，立刻被作者那行云流水的叙事风格所吸引。他并没有直接抛出晦涩难懂的算法定义，而是从一个引人入胜的实际问题背景切入，将理论知识巧妙地编织在解决问题的过程中。整个行文逻辑严密，层层递进，仿佛一位经验丰富的大师在耳边细心讲解，每一步推导都交代得清清楚楚，让人感觉“原来如此，我竟然懂了”。这种由浅入深的讲解方式，对于我这种在学习新领域时容易迷失方向的人来说，简直是救命稻草。我常常在阅读其他技术书籍时遇到“突然跳跃”的情况，作者在这里完全规避了这种问题，每一个技术点都像一块块精心打磨的积木，稳固地搭建起知识的摩天大楼。这种扎实的构建方式，让我确信这本书绝对是那种可以放在案头，时不时拿出来翻阅的“常备手册”。
这本书的封面设计简直是一场视觉盛宴，色彩搭配得恰到好处，那种深邃的蓝色与科技感的线条交织在一起，让人一眼就能感受到它蕴含的强大能量。我是在书店里偶然翻到它的，当时手头正拿着几本关于基础编程的入门书籍，但这本书立刻抓住了我的注意力。它不像那些教科书一样死板，反而散发出一种探索未知领域的诱惑力。书的装帧质量也很棒，纸张厚实，印刷清晰，即便是长时间阅读也不会觉得眼睛疲劳。我特别喜欢它在排版上的用心，那些关键术语和公式都用了醒目的字体和清晰的图表来呈现，使得复杂的概念也变得直观易懂。这本书放在书架上，本身就是一件艺术品，时刻提醒着我，知识的殿堂也可以如此美轮美奂。它给我的第一印象是，这不是一本简单的工具书，而是一次精心策划的知识旅程的邀请函。我期待着打开它，去探索那些深藏在精美外表下的硬核内容，相信它在内容呈现的专业度上，绝不会辜负这出色的包装。
这本书的目录设计简直是神来之笔，清晰地勾勒出了一个完整知识体系的版图。它没有盲目堆砌那些时下最热门但可能并不重要的概念，而是选择了最核心、最基础的理论作为基石，然后稳健地向更高级、更前沿的领域扩展。我观察到，作者在处理那些被公认为难啃的数学基础部分时，采取了一种非常巧妙的“按需引入”策略，只有当某个概念对于理解后续算法至关重要时，才会进行深入的阐述，避免了不必要的数学轰炸。这种结构上的平衡感让我感到非常舒适。阅读过程中，我发现自己对于整体的脉络把握得越来越清晰，每读完一个章节，都有一种知识点被有效整合的充实感。这种精心设计的学习路径，无疑为我接下来的深入研究打下了坚实的基础，它不是零散知识点的集合，而是一套经过深思熟虑、逻辑自洽的认知框架。
我通常对技术书籍的示例代码部分最为挑剔，因为很多时候，书本上的代码都是孤立的、难以运行的“伪代码”。然而，这本书在这方面做得极其出色。它提供的每一个代码块都配有详细的运行环境说明和必要的依赖库版本标注，这简直是为我们这些实践派的读者考虑得太周到了。我特地测试了几个稍微复杂的算法实现，所有代码都能一键运行，并且输出结果完全符合预期。更难能可贵的是，作者在代码的注释方面也毫不吝啬，那些关键决策点、优化技巧，都被用清晰的中文注释标注了出来，这极大地缩短了我理解和调试代码的时间。通过跟随书中的实践案例，我不仅学会了“如何做”，更重要的是明白了“为什么这么做”，这种对原理的深入理解，远比单纯的复制代码要来得宝贵。可以说，这本书是理论与实践完美结合的典范，是值得反复敲打和调试的“活教材”。
这本书的语言风格给我留下了极其深刻的印象，它摒弃了学术论文的冷峻和网络教程的随意，形成了一种既专业又亲切的独特语调。作者似乎非常懂得如何与读者进行“对话”，他擅长用形象的比喻来解释抽象的数学模型，比如将梯度下降比作在崎岖山路上寻找谷底的盲人，这种生动的描述一下子就将原本高高在上的概念拉到了地面上。在探讨某些算法的局限性和适用场景时，作者也展现了罕见的坦诚和批判性思维，他没有将任何技术神化，而是客观地指出了每种方法的优缺点和应用边界。这种不偏不倚、实事求是的态度，让我倍感信赖。阅读这本书，就像是与一位既博学又谦逊的导师进行了一次长时间的交流，我不仅学到了知识，更重要的是，我的思维方式也受到了潜移默化的积极影响。这种全方位的提升，才是任何技术书籍最宝贵的价值所在。
非常不错的一本入门书 可以让你很快提起兴趣 没有复杂的数学推导 看理论还是去看吴恩达或者花书 学用Python调包战士，这本书做启蒙非常不错
非常不错的一本入门书 可以让你很快提起兴趣 没有复杂的数学推导 看理论还是去看吴恩达或者花书 学用Python调包战士，这本书做启蒙非常不错
等Python入门后就看Python数据科学//来了来了//总体来说阅读体验很好，就是python代码解释得偏少
等Python入门后就看Python数据科学//来了来了//总体来说阅读体验很好，就是python代码解释得偏少
等Python入门后就看Python数据科学//来了来了//总体来说阅读体验很好，就是python代码解释得偏少
