实用数据分析
2020-03-17 17:47:03 0 举报AI智能生成
实用数据分析
作者其他创作
大纲/内容
8 使用支持向量机的方法进行分析
8.1 理解多变量数据集
8.2 降维
8.2.1 线性无差别分析
8.2.2 主成分分析
8.3 使用支持向量机
8.3.1 核函数
8.3.2 双螺旋问题
8.3.3 在mlpy中执行SVM
8.4 小结
9 应用细胞自动机的方法对传染病进行建模
9.1 流行病学简介
9.2 流行病模型
9.2.1 SIR模型
9.2.2 使用SciPy来解决SIR模型的常微分方程
9.2.3 SIRS模型
9.3 对细胞自动机进行建模
9.3.1 细胞、状态、网格和邻域
9.3.2 整体随机访问模型
9.4 通过D3.js模拟CA中的SIRS模型
9.5 小结
10 应用社会化图谱
10.1 图谱的结构
10.1.1 间接图谱
10.1.2 直接图谱
10.2 社会化网络分析
10.3 捕获Facebook图谱
10.4 使用Gephi对图谱进行再现
10.5 统计分析
10.6 度的分布
10.6.1 图谱直方图
10.6.2 集中度
10.7 将GDF转化为JSON
10.8 在D3.js环境下进行图谱可视化
10.9 小结
11 对Twitter数据进行情感分析
11.1 解析Twitter数据
11.1.1 tweet
11.1.2 粉丝
11.1.3 热门话题
11.2 使用OAuth访问API
11.3 开始使用Twython
11.3.1 简单查询
11.3.2 处理时间表
11.3.3 处理粉丝
11.3.4 处理地点和趋势信息
11.4 情感分类
11.4.1 ANEW
11.4.2 语料库
11.5 使用NLTK
11.5.1 单词包
11.5.2 朴素贝叶斯
11.5.3 tweet的情感分析
11.6 小结
12 使用MongoDB进行数据处理和聚合
12.1 开始使用MongoDB
12.1.1 数据库
12.1.2 集合
12.1.3 文件
12.1.4 Mongo shell
12.1.5 Insert/Update/Delete
12.1.6 Queries查询
12.2 数据准备
12.2.1 使用OpenRefine进行数据转换
12.2.2 通过PyMongo来插入文件
12.3 分组
12.4 聚合框架
12.4.1 流水线
12.4.2 表达式
12.5 小结
13 使用MapReduce方法
13.1 MapReduce概述
13.2 编程模型
13.3 在MongoDB中使用MapReduce
13.3.1 map函数
13.3.2 reduce函数
13.3.3 使用Mongo shell
13.3.4 使用UMongo
13.3.5 使用PyMongo
13.4 过滤输入集合
13.5 分组和聚合
13.6 文字云对tweet中最常见的积极词汇进行可视化
13.7 小结
14 使用IPython和Wakari进行在线数据
14.1 开始使用Wakari
14.2 开始使用IPython记事本
14.3 通过PIL进行图像处理简介
14.3.1 打开一个图像
14.3.2 图像直方图
14.3.3 过滤
14.3.4 操作
14.3.5 转化
14.4 使用Pandas
14.4.1 处理时间序列
14.4.2 通过数据框架来操作多变量数据集
14.4.3 分组、聚合和相关
14.5 使用IPython进行多机处理
14.6 分享你的记事本
14.7 小结
附录 环境搭建
评审者简介
1 开始
1.1 计算机科学
1.2 人工智能
1.3 机器学习
1.4 统计学
1.5 数学
1.6 专业领域知识
1.7 数据、信息和知识
1.8 数据的本质
1.9 数据分析过程
1.9.1 问题
1.9.2 数据准备
1.9.3 数据探索
1.9.4 预测建模
1.9.5 结果可视化
1.10 定量与定性数据分析
1.11 数据可视化的重要性
1.12 大数据
1.12.1 传感器和摄像头
1.12.2 社会化网络分析
1.12.3 本书的工具和练习
1.12.4 为什么使用Python
1.12.5 为什么使用mlpy
1.12.6 为什么使用D3.js
1.12.7 为什么使用MongoDB
1.13 小结
2 数据准备与处理
2.1 数据源
2.1.1 开源数据
2.1.2 文本文件
2.1.3 Excel文件
2.1.4 SQL数据库
2.1.5 NoSQL数据库
2.1.6 多媒体
2.1.7 网页检索
2.2 数据清洗
2.2.1 统计方法
2.2.2 文本解析
2.2.3 数据转化
2.3 数据格式
2.3.1 CSV
2.3.2 JSON
2.3.3 XML
2.3.4 YAML
2.4 开始使用OpenRefine工具
2.4.1 Text facet
2.4.2 聚类
2.4.3 文件过滤器
2.4.4 numeric facet
2.4.5 数据转化
2.4.6 数据输出
2.4.7 处理历史
2.5 小结
3 数据可视化
3.1 数据导向文件
3.1.1 HTML
3.1.2 DOM
3.1.3 CSS
3.1.4 JavaScript
3.1.5 SVG
3.2 开始使用D3.js
3.2.1 柱状图
3.2.2 饼图
3.2.3 散点图
3.2.4 单线图
3.2.5 多线图
3.3 交互与动画
3.4 小结
4 文本分类
4.1 学习和分类
4.2 贝叶斯分类
4.3 E-mail主题测试器
4.4 数据
4.5 算法
4.6 分类器的准确性
4.7 小结
5 基于相似性的图像检索
5.1 图像相似性搜索
5.2 动态时间规整
5.3 处理图像数据集
5.4 执行DTW
5.5 结果分析
5.6 小结
6 模拟股票价格
6.1 金融时间序列
6.2 随机游走模拟
6.3 蒙特·卡罗方法
6.4 生成随机数
6.5 用D3.js实现
6.6 小结
7 预测黄金价格
7.1 处理时间序列数据
7.2 平滑时间序列
7.3 数据——历史黄金价格
7.4 非线性回归
7.4.1 核岭回归
7.4.2 平滑黄金价格时间序列
7.4.3 平滑时间序列的预测
7.4.4 对比预测值
7.5 小结
0 条评论
下一页
