Python高级数据分析 机器学习、深度学习和NLP实例PDF|Epub|txt|kindle电子书版本网盘下载

Python高级数据分析 机器学习、深度学习和NLP实例PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 简介1

1.1为何选择Python1

1.2何时避免使用Python2

1.3 Python中的面向对象编程2

1.4在Python中调用其他语言10

1.5将Python模型作为微服务11

1.6高性能API和并发编程14

第2章 Python结构化数据提取、转换和加载19

2.1 MySQL20

2.1.1如何安装MySQLdb20

2.1.2数据库连接20

2.1.3 INSERT操作20

2.1.4 READ操作21

2.1.5 DELETE操作22

2.1.6 UPDATE操作23

2.1.7 COMMIT操作23

2.1.8 ROLL-BACK操作24

2.2 Elasticsearch26

2.3 Neo4j Python驱动29

2.4 neo4j-rest-client29

2.5内存数据库29

2.6 Python版本MongoDB30

2.6.1将数据导入集合31

2.6.2使用pymongo创建连接31

2.6.3访问数据库对象32

2.6.4插入数据32

2.6.5更新数据32

2.6.6删除数据32

2.7 Pandas33

2.8 Python非结构化数据提取、转换和加载34

2.8.1电子邮件解析34

2.8.2主题爬取36

第3章 基于Python的监督学习43

3.1使用Python实现降维43

3.1.1相关性分析44

3.1.2主成分分析46

3.1.3互信息48

3.2使用Python进行分类49

3.3半监督学习50

3.4决策树50

3.4.1哪个属性优先50

3.4.2随机森林分类器52

3.5朴素贝叶斯分类器52

3.6支持向量机54

3.7最近邻分类器55

3.8情绪分析56

3.9图像识别57

3.10使用Python进行回归58

3.10.1最小二乘估计59

3.10.2逻辑回归60

3.11分类和回归60

3.12使模型高估或低估61

3.13处理分类型数据62

第4章 无监督学习—聚类67

4.1 K均值聚类68

4.2选择K—肘部法则71

4.3距离或相似性度量71

4.3.1属性72

4.3.2一般及欧氏距离72

4.3.3平方欧氏距离74

4.3.4字符串之间的编辑距离74

4.4文档上下文的相似性76

4.5什么是层次聚类77

4.5.1自下而上的方法78

4.5.2聚类之间的距离79

4.5.3自上而下的方法80

4.5.4图论方法84

4.6如何判断聚类结果是否良好85

第5章 深度学习和神经网络87

5.1反向传播88

5.1.1反向传播方法88

5.1.2广义Delta规则88

5.1.3输出层权重更新89

5.1.4隐藏层权重更新90

5.1.5反向传播网络小结91

5.2反向传播算法92

5.3其他算法94

5.4 TensorFlow94

5.5递归神经网络99

第6章 时间序列107

6.1 变化的分类107

6.2包含趋势的序列分析107

6.2.1曲线拟合108

6.2.2从时间序列中去除趋势109

6.3包含周期性的序列数据分析110

6.4从时间序列中去除周期性111

6.4.1滤波111

6.4.2差分112

6.5转换112

6.5.1稳定方差112

6.5.2使周期效应累加113

6.5.3使数据呈正态分布113

6.6平稳时间序列114

6.6.1平稳过程114

6.6.2自相关和相关图114

6.6.3自协方差和自相关函数的估计115

6.7使用Python进行时间序列分析116

6.7.1有用的方法116

6.7.2自回归过程118

6.7.3估计AR过程的参数119

6.8混合ARMA模型122

6.9集成ARMA模型123

6.10傅里叶变换124

6.11一个特殊的场景125

6.12数据缺失127

第7章 大数据分析129

7.1 Hadoop129

7.1.1 MapReduce编程129

7.1.2 partitioning函数130

7.1.3 combiner函数131

7.1.4 HDFS文件系统140

7.1.5 MapReduce设计模式140

7.2 Spark146

7.3云分析148

7.4物联网156