数据科学导引pdf是一部专注于大数据分析方面的电子书籍，这部电子详细简介了数据科学相关知识，内容丰富全面，通俗易懂，深受广大读者的青睐，感兴趣的朋友欢迎来绿色资源网下载阅读！
数据科学导引电子书介绍《数据科学导引》是博雅大数据学院针对新开设的“数据科学与大数据技术”专业编写的数据科学导论课程教材。
《数据科学导引》内容共分十五章，包括绪论、数据预处理、回归模型、分类模型、集成模型、聚类模型、关联规则挖掘、降维、特征选择、EM算法、概率图模型、文本分析、图与网络分析、深度学习、分布式计算。附录部分对相关的基础知识做了简要介绍。
《数据科学导引》还提供了大量的数据分析实践案例，有助于加深读者对理论知识的理解，及培养其实际应用能力。
《数据科学导引》可作为全国高等学校数据科学相关专业的本科生和研究生教材，也可供从事相关工作的技术人员参考使用。
数据科学导引pdf目录第一章 绪论
1．1 数据科学的基本内容
1．2 对学科发展的影响
1．3 对科学研究的影响
1．4 数据科学的课程体系
1．5 本书内容介绍
第二章 数据预处理
2．1 特征编码
2．2 缺失值处理
2．3 数据标准化
2．4 特征离散化
2．5 离群值检测
2．6 其他预处理方法
案例与实战
第三章 回归模型
3．1 线性回归
3．2 线性回归正则化
3．3 非线性回归
案例与实战
第四章 分类模型
4．1 逻辑回归
4．2 K近邻
4．3 决策树
4．4 朴素贝叶斯
4．5 支持向量机
案例与实战
第五章 集成模型
5．1 集成方法综述
5．2 随机森林
5．3 AdaBoost
5．4 应用实例：个人信用风险评估
案例与实战
第六章 聚类模型
6．1 K-means聚类
6．2 层次聚类
6．3 谱聚类
6．4 基于密度的聚类
6．5 小结
案例与实战
第七章 关联规则挖掘
7．1 关联规则概述
7．2 Apriori算法
7．3 FP-Growth算法
案例与实战
第八章 降维
8．1 主成分分析
8．2 线性判别分析
8．3 多维尺度变换
8．4 局部线性嵌入
8．5 其他降维方法
案例与实战
第九章 特征选择
9．1 特征选择的一般过程
9．2 特征选择常用的方法
9．3 无监督特征选择
9．4 小结
案例与实战
第十章 EM算法
10．1 EM算法
10．2 EM的应用：高斯混合模型
10．3 小结
案例与实战
第十一章 概率图模型
11．1 概率图模型概述
11．2 隐马尔可夫模型
11．3 条件随机场
11．4 小结
案例与实战
第十二章 文本分析
12．1 文本表示模型
12．2 主题模型
12．3 情感分析
案例与实战
第十三章 图与网络分析
13．1 基本概念
13．2 几何特征
13．3 链接分析
13．4 社区发现
13．5 知识图谱
案例与实战
第十四章 深度学习
14．1 多层感知机
14．2 深度学习模型的优化
14．3 卷积神经网络
14．4 循环神经网络
14．5 小结
案例与实战
第十五章 分布式计算
15．1 Hadoop：分布式存储与处理
15．2 常见模型的Map Reduce实现
15．3 Spark：分布式数据分析
15．4 其他分布式系统
附录
A．矩阵运算
B．概率论基础
C．优化算法
D．距离
E．模型评估
参考文献
数据科学导引暂不提供下载，暂为您提供同类书籍阅读！