數據科學(xué)與數學(xué)建模簡(jiǎn)介，目錄書(shū)摘

編輯推薦:《數據科學(xué)與數學(xué)建?！窂拇髷祿诰蛑刑釤挸隽丝茖W(xué)的、可教學(xué)的、有模型的內容，本教材從立足于理論聯(lián)系案例，從學(xué)習者的角度出發(fā)，漸進(jìn)式地把數據挖掘的技術(shù)和方法展示出來(lái)。本教材除了介紹算法的理論，還為每一類(lèi)算法配備了具有代表性的、貼近實(shí)際應用的典型案例，以大程度地幫助學(xué)生做到學(xué)以致用。

內容簡(jiǎn)介:本書(shū)內容分為八章，基本涵蓋了目前較為常用的數據科學(xué)建模方法，包括現在熱門(mén)的深度學(xué)習。書(shū)中不僅介紹模型的理論基礎，還以大量案例結合現實(shí)數據為讀者展示了數據分析中常見(jiàn)任務(wù)的處理流程，如分類(lèi)、回歸、聚類(lèi)、推薦、圖片識別等，幫助讀者應用這些模型和方法解決實(shí)際問(wèn)題。第一章首先對數據科學(xué)的任務(wù)和重要性進(jìn)行了概述，接著(zhù)介紹數據科學(xué)的建模流程以及Python語(yǔ)言開(kāi)發(fā)環(huán)境與常用庫；第二章介紹了回歸模型，包括線(xiàn)性回歸和邏輯回歸模型；第三章介紹了聚類(lèi)模型，包括k-means算法、DBSCAN算法和DIANA算法；第四章介紹了關(guān)聯(lián)規則分析，包括Apriori算法和FP-Growth算法；第五章介紹了決策樹(shù)模型，包括ID3、C4.5和CART算法及樹(shù)的剪枝方法；第六章介紹了支持向量機，包括線(xiàn)性和非線(xiàn)性支持向量機以及向量機的求解與多分類(lèi)問(wèn)題；第七章介紹了貝葉斯網(wǎng)絡(luò )，包括樸素貝葉斯、TAN貝葉斯和無(wú)約束貝葉斯；第八章介紹了深度學(xué)習，包括卷積神經(jīng)網(wǎng)絡(luò )和循環(huán)神經(jīng)網(wǎng)絡(luò )。
材，整理編撰了本實(shí)驗指導教材，以供嵌入式系統課程的實(shí)驗教學(xué)之用。 目前的嵌入式系統主要分為跑操作系統和不跑操作系統兩種類(lèi)型，本實(shí)驗指導教材側重于第一種類(lèi)型，全書(shū)以L(fǎng)inux為操作系統，重點(diǎn)講述了Linux基本命令、Linux下的程序開(kāi)發(fā)、Linux下字符型驅動(dòng)程序開(kāi)發(fā)、Linux按鍵中斷程序、Linux網(wǎng)絡(luò )應用開(kāi)發(fā)以及Linux內核定制等相關(guān)內容，為學(xué)生動(dòng)手實(shí)踐嵌入式Linux系統開(kāi)發(fā)提供指導和幫助，力求把學(xué)生學(xué)習時(shí)的挫折感降至低。

作者簡(jiǎn)介:

目錄:目錄
第一章 緒論 6
1.1數據科學(xué)概述 6
1.2 數據科學(xué)的建模流程 8
1.3 Python語(yǔ)言開(kāi)發(fā)環(huán)境與庫入門(mén) 12
1.3.1 開(kāi)發(fā)環(huán)境 12
1.3.2 Python基本語(yǔ)法 15
1.3.3 Python常用庫和功能 16
1.4本書(shū)內容介紹 19
第二章 回歸模型 21
2.1概述 21
2.2線(xiàn)性回歸 22
2.2.1 一元線(xiàn)性回歸 22
2.2.2 多元線(xiàn)性回歸 25
2.3線(xiàn)性回歸案例 28
2.3.1兒童體表面積預測 28
2.3.2波士頓房?jì)r(jià)因素分析 32
附錄：scikit-learn庫中的LinearRegression 34
2.4邏輯回歸 35
2.4.1 邏輯回歸模型 35
2.4.2 邏輯回歸方程中回歸系數的估計及含義 37
2.4.3 邏輯回歸方程的統計檢驗 38
2.5邏輯回歸案例 40
2.5.1考試成績(jì)預測 40
2.5.2鳶尾花分類(lèi) 42
附錄：scikit-learn庫中的LogisticsRegression 44
第三章 聚類(lèi)模型 46
3.1概述 46
3.1.1聚類(lèi)分析概述 46
3.1.2基于距離的聚類(lèi)相似度 49
3.2 K-means聚類(lèi) 50
3.2.1 K-means聚類(lèi)算法 50
3.2.2 K-means聚類(lèi)實(shí)例 51
3.2.3 K-means聚類(lèi)的優(yōu)缺點(diǎn) 56
3.3 密度聚類(lèi) 56
3.3.1 DBSCAN密度定義 56
3.3.2 DBSCAN聚類(lèi)算法 56
3.3.3 DBSCAN聚類(lèi)的優(yōu)缺點(diǎn) 57
3.4 層次聚類(lèi) 57
3.4.1系統聚類(lèi) 58
3.4.2 DIANA算法 64
3.4.3 層次聚類(lèi)算法的優(yōu)缺點(diǎn) 67
3.5 案例 67
3.5.1 一個(gè)二維數據集聚類(lèi) 67
3.5.2一個(gè)居民家庭情況案例 69
3.5.3一個(gè)醫療建設評價(jià)案例 75
附錄：scikit-learn庫中的KMeans 77
第四章 關(guān)聯(lián)規則 80
4.1 概述 80
4.1.1 問(wèn)題概述 80
4.1.2 關(guān)聯(lián)規則概述 80
4.1.3 關(guān)聯(lián)分析的基本概念 81
4.2 Apriori算法 84
4.3 基于A(yíng)priori算法的改進(jìn)算法 88
4.4 FP-Growth算法 90
4.5 關(guān)聯(lián)規則案例 94
4.5.1一個(gè)銷(xiāo)售記錄的關(guān)聯(lián)分析案例 94
4.5.2商品購買(mǎi)記錄分析 98
4.5.3電影推薦 100
第五章 決策樹(shù) 104
5.1概述 104
5.1.1 決策樹(shù)基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 ID3算法 107
5.2.1基本思想 107
5.2.2 ID3算法應用實(shí)例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基于信息增益率建模的決策樹(shù) 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基于CART算法建模的決策樹(shù) 115
5.5 決策樹(shù)的剪枝 117
5.6 案例 121
5.6.1泰坦尼克號乘客幸存預測 121
5.6.2乳腺癌診斷 125
附錄：scikit-learn庫中的DecisionTreeClassifier 129
第六章 支持向量機 132
6.1概述 132
6.2線(xiàn)性支持向量機 132
6.2.1 硬間隔線(xiàn)性支持向量機 133
6.2.2 軟間隔線(xiàn)性支持向量機 135
6.3非線(xiàn)性支持向量機 138
6.3.1特征空間硬間隔支持向量機 140
6.3.2特征空間軟間隔支持向量機 141
6.4 支持向量機的求解和多分類(lèi)問(wèn)題 142
6.4.1 支持向量機的求解 142
6.4.2 多分類(lèi)問(wèn)題 142
6.5新聞文本分類(lèi)案例 144
附錄：scikit-learn庫中的SVM 147
第七章 貝葉斯網(wǎng)絡(luò ) 150
7.1概述 150
7.1.1 貝葉斯網(wǎng)絡(luò )定義 150
7.1.2 貝葉斯網(wǎng)絡(luò )的知識推理模式 151
7.1.3 貝葉斯網(wǎng)絡(luò )建立的主要步驟 151
7.1.4貝葉斯網(wǎng)絡(luò )的結構學(xué)習 152
7.1.5 貝葉斯網(wǎng)絡(luò )的參數學(xué)習 153
7.1.6 主要貝葉斯網(wǎng)絡(luò )模型 156
7.2 樸素貝葉斯網(wǎng)絡(luò ) 156
7.3 TAN貝葉斯網(wǎng)絡(luò ) 162
7.4 無(wú)約束貝葉斯網(wǎng)絡(luò ) 167
7.5 樸素貝葉斯進(jìn)行垃圾郵件過(guò)濾 170
附錄 scikit-learn庫中的Naive-Bayes分類(lèi) 174
第八章 深度學(xué)習 176
8.1概述 176
8.1.1 深度學(xué)習的發(fā)展歷史 176
8.1.2 神經(jīng)網(wǎng)絡(luò )的基本模型 176
8.2多層感知機 180
8.2.1感知機 180
8.2.2多層感知機 184
8.3卷積神經(jīng)網(wǎng)絡(luò ) 190
8.3.1基本網(wǎng)絡(luò )結構 191
8.3.2反向傳播訓練算法 192
8.3.3 AlexNet網(wǎng)絡(luò )結構 193
8.4循環(huán)神經(jīng)網(wǎng)絡(luò ) 194
8.4.1基本網(wǎng)絡(luò )結構 195
8.4.2反向傳播訓練算法 195
8.4.3長(cháng)短時(shí)間記憶單元 196
8.5 構建卷積神經(jīng)網(wǎng)絡(luò )模型對CIFAR圖片數據集分類(lèi) 197
附錄：TensorFlow基本用法 203
參考文獻 207