文科生也看得懂的資料科學

Annalyn Ng & Kenneth Soo 沈佩誼

  • 文科生也看得懂的資料科學-preview-1
  • 文科生也看得懂的資料科學-preview-2
  • 文科生也看得懂的資料科學-preview-3
  • 文科生也看得懂的資料科學-preview-4
  • 文科生也看得懂的資料科學-preview-5
  • 文科生也看得懂的資料科學-preview-6
  • 文科生也看得懂的資料科學-preview-7
  • 文科生也看得懂的資料科學-preview-8
  • 文科生也看得懂的資料科學-preview-9
  • 文科生也看得懂的資料科學-preview-10
文科生也看得懂的資料科學-preview-1

買這商品的人也買了...

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