文科生也看得懂的資料科學
Annalyn Ng & Kenneth Soo 沈佩誼
- 出版商: 碁峰 樂讀精選兩書66折(部分除外)
- 出版日期: 2018-04-30
- 定價: $380
- 售價: 7.9 折 $300
- 語言: 繁體中文
- 頁數: 196
- ISBN: 9864767933
- ISBN-13: 9789864767939
-
相關分類:
Data Science
- 此書翻譯自: Numsense! Data Science for the Layman: No Math Added
已絕版
買這商品的人也買了...
-
無瑕的程式碼－敏捷軟體開發技巧守則 + 番外篇－專業程式設計師的生存之道 (雙書合購)$940$700 -
寫程式前就該懂的演算法 ─ 資料分析與程式設計人員必學的邏輯思考術 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$390$332 -
認識資料科學的第一本書 (Data Analytics Made Accessible)$450$356 -
$958深度學習 -
演算法圖鑑：26種演算法 + 7種資料結構，人工智慧、數據分析、邏輯思考的原理和應用 step by step 全圖解$450$356 -
為你自己學 Git$500$390 -
Python 資料科學學習手冊 (Python Data Science Handbook: Essential Tools for Working with Data)$780$616 -
金融科技實戰：Python 與量化投資$650$507 -
文科生也看得懂的電路學, 2/e$380$300 -
Python 資料運算與分析實戰：一次搞懂 NumPy, SciPy, Matplotlib, Pandas 最強套件$590$502 -
MIS 一定要懂的 82個網路技術知識$360$284 -
前端設計範式三大天王之 Vue.js$540$459 -
不敗的數據學：從統計數字中看見真相的 12堂思考訓練，不被造假及濫用的數字唬弄！$380$342 -
機器學習入門｜從玻爾茲曼機械學習到深度學習$380$300 -
資安專家的 nmap 與 NSE 網路診斷與掃描技巧大公開$450$383 -
資料結構 -- 使用 C#$540$427 -
人人可作卡米狗：從零打造自己的 LINE 聊天機器人$500$390 -
Effective DevOps 中文版 (Effective DevOps: Building a Culture of Collaboration, Affinity, and Tooling at Scale)$720$569 -
WEB 設計職人必修 UX Design 初學者學習手冊$420$357 -
大數據時代一定要會的 SQL 商業資料分析術$680$578 -
無瑕的程式碼－整潔的軟體設計與架構篇 (Clean Architecture: A Craftsman's Guide to Software Structure and Design)$580$452 -
AIoT 人工智慧在物聯網的應用與商機$380$285 -
給工程師的第一本理財書：程式金融交易的 118個入門關鍵技巧$500$390 -
人工智能基礎 (高中版)$210$200 -
CODE COMPLETE：軟體開發實務指南, 2/e (中文版) (Code Complete: A Practical Handbook of Software Construction, 2/e)$1,280$998
相關主題
商品描述
* amazon.com 五顆星讀者無差評
* 史丹佛大學、劍橋大學相關課程指定教材
雖然資料科學越來越常被用來改善工作場域的種種決策，但對普羅大眾來說，這仍然是個神祕難懂的領域。本書避開艱深的數學與生澀的術語，以直觀的例子來說明各演算法功能與特色，例如，用預
測犯罪事件的例子來解釋隨機森林，用分群演算法來分析各類電影迷的人格特質等，本書所選用的例子能夠幫助讀者明確理解各演算法及實際應用，即使您不曾接觸過資料科學，也能藉由本書掌握基本概念。
本書特色：
．淺白的解釋，以及大量的圖解說明
．以實際的例子解說演算法的應用
．每章最後會有重點歸納加強學習效果
來自各界的讚譽
「以圖解的方式解說重要的資料科學相關演算法，對於剛接觸資料科學領域的新手、從事數據分析相關的商業人士而言，極有幫助。」- Dr. David Stillwell, 劍橋大學大數據課程講師
「以視覺化的方式解釋機器學習的概念，可以幫助不具備相關技術背景的學生了解這些抽象的概念。同時也能幫助剛接觸資料科學領域的學生掌握相關的基礎知識。」Ethan Chan,史丹佛大學大數據課程講師
「對資料科學與機器學習做了清楚的介紹，沒有拗口的術語，內容在廣度與深度也取得極佳的平衡。本書刻意避開數學推導，程式碼實作，在介紹不同機器學習方法的應用時也使用許多真實的問題。整體而言，本書對資料科學有相當生動的詮釋，我極力推薦。」- 陳俊杉, 台灣大學土木工程系教授
目錄大綱
Ch01｜基本知識簡單說
1.1 準備資料
1.2 挑選演算法
1.3 調整參數
1.4 評估結果
1.5 本章小結
Ch02｜k-平均分群演算法
2.1 尋找消費者群集
2.2 舉例：電影迷的性格特徵
2.3 定義群集
2.4 先天限制
2.5 本章小結
Ch03｜主成份分析
3.1 探索食物的營養成分
3.2 主成份
3.3 舉例：分析食物族群
3.4 先天限制
3.5 本章小節
Ch04｜關聯規則
4.1 找出消費模式
4.2 支持度、可信度與作用度
4.3 舉例：食品雜貨交易
4.4 先驗原則
4.5 先天限制
4.6 本章小結
Ch05｜社群網路分析
5.1 將關係地圖化
5.2 舉例：武器交易的地緣政治性
5.3 Louvain 演算法
5.4 PageRank 演算法
Ch06｜迴歸分析
6.1 推導一條趨勢線
6.2 舉例：預測房價
6.3 梯度下降
6.4 迴歸係數
6.5 相關係數
6.6 先天限制
6.7 本章小結
Ch07｜k-最近鄰演算法與異常檢測
7.1 食物取證
7.2 物以類聚
7.3 舉例：蒸餾出紅酒的不同成份
7.4 異常檢測
7.5 先天限制
7.6 本章小結
Ch08｜支持向量機
8.1 「不」或「噢不」？
8.2 舉例：預測心臟疾病
8.3 畫出最佳分界線
8.4 先天限制
8.5 本章小結
Ch09｜決策樹
9.1 預測災難中的存活機率
9.2 舉例：逃出鐵達尼號
9.3 產生一棵決策樹
9.4 先天限制
9.5 本章小結
Ch10｜隨機森林
10.1 群眾的智慧
10.2 舉例：預測犯罪
10.3 總體
10.4 引導聚集算法
10.5 先天限制
10.6 本章小結
Ch11｜類神經網路
11.1 建立一顆大腦
11.2 舉例：辨識手寫數字
11.3 類神經網路的組成
11.4 活化法則
11.5 先天限制
11.6 本章小結
Ch12｜A/B測試與多拉桿吃角子老虎機
12.1 A/B測試的基本概念
12.2 A/B測試的限制
12.3 Epsilon-Decreasing策略
12.4 舉例：多拉桿吃角子老虎機
12.5 有趣事實：跟緊贏家就對了？
12.6 Epsilon-Decreasing 策略的限制
12.7 本章小結
