机读格式显示(MARC)

• 000 01995nam0 2200301 450

• 001 0000500000

• 005 20181107123000.0

• 010 __ |a 978-7-111-60309-2 |d CNY99.00

• 100 __ |a 20180803d2018 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a Python数据科学 |A Pythonshu ju ke xue |e 技术详解与商业实践 |d = Data science with Python |e technical detail and business practice |f 常国珍, 赵仁乾, 张秋剑著 |z eng

• 210 __ |a 北京 |c 机械工业出版社 |d 2018

• 215 __ |a xi, 422页 |c 图 |d 24cm

• 314 __ |a 常国珍, 资深数据科学专家和金融技术专业。赵仁乾, 资深数据科学家, 在电信大数据和机器学习领域有丰富的实践经验。张秋剑, 资深大数据专家和金融行业技术专家, 上海师范大学计算机科学技术硕士。

• 320 __ |a 有书目

• 330 __ |a 本书共19章, 第1章介绍数据科学中涉及的基本领域; 第2-3章介绍与数据工作紧密相关的Python语言基础; 第4章讲解描述性统计分析在宏观业务领域的分析; 第5章讲解数据规整、清洗的重要技能; 第6章介绍数据科学领域实用的四大统计检验; 第7章讲解当被解释变量为连续变量时, 如何使用线性回归作预测; 第8章讲解使用逻辑回归作评分卡模型; 第9章讲解另外一个可解释模型--决策树。第10-12章分别讲解了BP神经网络、朴素贝叶斯、最近邻域、支持向量机的原理和在决策类模型中的运用; 第13-14章作为一个整体讲解商业分析场景下的信息压缩; 第15章以产品推荐作为案例, 讲解发现事件与事件伴生关系的关联分析和序列分析算法; 第16章使用欺诈识别案例讲解当被解释变量分布极端不平衡时的处理方法; 第17章继续使用欺诈识别案例讲解集成学习算法; 第18章讲解了使用效应分解和ARIMA方法实现宏观业务指标预测; 第19章用案例展现了分类和聚类模型的CRISP-DM和SEMMA流程。

• 510 1_ |a Data science with Python |e technical detail and business practice |z eng

• 517 1_ |a 技术详解与商业实践 |A ji shu xiang jie yu shang ye shi jian

• 606 0_ |a 软件工具 |A ruan jian gong ju |x 程序设计

• 690 __ |a TP311.56 |v 5

• 701 _0 |a 常国珍 |A chang guo zhen |4 著

• 701 _0 |a 赵仁乾 |A zhao ren qian |4 著

• 701 _0 |a 张秋剑 |A zhang qiu jian |4 著

• 801 _0 |a CN |b 湖北三新 |c 20180803

• 905 __ |a WXCSXY |d TP311.56/394