全棧數(shù)據(jù)之門

定　價：￥79.00

作　者：	任柳江著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機/網(wǎng)絡(luò) 軟件工程/開發(fā)項目管理

購買這本書可以去

ISBN：	9787121309052	出版時間：	2017-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	396	字數(shù)：

內(nèi)容簡介

　　《全棧數(shù)據(jù)之門》以數(shù)據(jù)分析領(lǐng)域熱門的Python語言為主要線索，介紹了數(shù)據(jù)分析庫numpy、Pandas與機器學習庫scikit-learn，使用了可視化環(huán)境Orange 3來理解算法的一些細節(jié)。對于機器學習，既有常用算法kNN與Kmeans的應用，決策樹與隨機森林的實戰(zhàn)，還涉及常用特征工程與深度學習中的自動編程器。在大數(shù)據(jù)Hadoop與Hive環(huán)境的基礎(chǔ)之上，使用Spark的ML/MLlib庫集成了前面的各部分內(nèi)容，讓分布式機器學習更容易。大量的工具與技能實戰(zhàn)的介紹將各部分融合成一個全棧的數(shù)據(jù)科學內(nèi)容?！度珬?shù)據(jù)之門》不是從入門到精通地介紹某一種技術(shù)，可以把本書當成一本技術(shù)文集，內(nèi)容定位于數(shù)據(jù)科學的全?；A(chǔ)入門，全部內(nèi)容來自當前業(yè)界實用的技能，有非?；A(chǔ)的，也有比較深入的，有些甚至需要深入領(lǐng)悟才能理解?！度珬?shù)據(jù)之門》適用于任何想在數(shù)據(jù)領(lǐng)域有所作為的人，包括學生、愛好者、在職人員與科研工作者。無論想從事數(shù)據(jù)分析、數(shù)據(jù)工程、數(shù)據(jù)挖掘或者機器學習，或許都能在書中找到一些之前沒有接觸過的內(nèi)容。

作者簡介

　　作者一直工作在數(shù)據(jù)處理與數(shù)據(jù)挖掘的第一線，具有豐富的理論知識和實踐經(jīng)驗，且精通多種數(shù)據(jù)挖掘與分析的工具的使用，文筆也不錯，相信能為讀者奉獻一本質(zhì)量上乘的佳作。

圖書目錄

前言　自強不息，厚德載物 / XIX
0x1　Linux，自由之光 / 001
0x10　Linux，你是我的眼 / 001
0x11　Linux 基礎(chǔ)，從零開始 / 003
01 Linux 之門 / 003
02 文件操作 / 004
03 權(quán)限管理 / 006
04 軟件安裝 / 008
05 實戰(zhàn)經(jīng)驗 / 010
0x12　Sed 與Grep，文本處理 / 010
01 文本工具 / 010
02 grep 的使用 / 011
03 grep 家族 / 013
04 sed 的使用 / 014
05 綜合案例 / 016
0x13　數(shù)據(jù)工程，必備Shell / 018
01 Shell 分析 / 018
02 文件探索 / 019
03 內(nèi)容探索 / 020
04 交差并補 / 020
05 其他常用的命令 / 021
06 批量操作 / 022
07 結(jié)語 / 025
0x14　Shell 快捷鍵，Emacs 之門 / 025
01 提高效率 / 025
02 光標移動 / 026
03 文本編輯 / 027
04 命令搜索 / 028
05 Emacs 入門 / 029
06 Emacs 思維 / 031
0x15　緣起Linux，一入Mac 誤終身 / 032
01 開源生萬物 / 032
02 有錢就換Mac / 032
03 程序員需求 / 033
04 非程序員需求 / 034
05 一入Mac 誤終身 / 035
0x16　大成就者，集群安裝 / 036
01 離線安裝 / 036
02 Host 與SSH 配置 / 037
03 sudo 與JDK 環(huán)境 / 039
04 準備Hadoop 包 / 040
05 開啟HTTP 與配置源 / 041
06 安裝ambari-server / 041
07 后續(xù)服務(wù)安裝 / 042
08 結(jié)語 / 044
0x2　Python，道法自然 / 045
0x20　Python，靈犀一指 / 045
0x21　Python 基礎(chǔ)，興趣為王 / 047
01 第一語言 / 047
02 數(shù)據(jù)結(jié)構(gòu) / 047
03 文件讀寫 / 049
04 使用模塊 / 050
05 函數(shù)式編程 / 052
06 一道面試題 / 053
07 興趣驅(qū)動 / 055
0x22　喜新厭舊，2 遷移3 / 056
01 新舊交替 / 056
02 基礎(chǔ)變化 / 057
03 編碼問題 / 058
04 其他變化 / 058
05 2to3 腳本 / 060
06 PySpark 配置 / 061
07 喜新厭舊 / 062
0x23　Anaconda，IPython / 062
01 Anaconda / 062
02 安裝與配置 / 063
03 pip 與源 / 064
04 IPython 與Jupyter / 065
05 結(jié)語 / 067
0x24　美不勝收，Python 工具 / 067
01 緣起 / 067
02 調(diào)試與開發(fā) / 068
03 排版與格式化 / 070
04 輔助工具 / 072
05 實用推薦 / 074
0x25　numpy 基礎(chǔ)，線性代數(shù) / 075
01 numpy 的使用 / 075
02 索引與切片 / 076
03 變形與統(tǒng)計 / 078
04 矩陣運算 / 080
05 實用方法 / 083
06 結(jié)語 / 085
0x26　numpy 實戰(zhàn)，PCA 降維 / 085
01 PCA 介紹 / 085
02 數(shù)據(jù)均值化 / 086
03 協(xié)方差矩陣 / 087
04 特征值與向量 / 088
05 數(shù)據(jù)映射降維 / 089
06 sklearn 實現(xiàn) / 090
0x3　大數(shù)據(jù)，其大無外 / 093
0x30　太大數(shù)據(jù)，極生兩儀 / 093
0x31　神象住世，Hadoop / 095
01 Hadoop / 095
02 HDFS / 096
03 角色與管理 / 097
04 文件操作 / 098
05 結(jié)語 / 100
0x32　分治之美，MapReduce / 100
01 map 與reduce 函數(shù) / 100
02 分而治之 / 102
03 Hello,World / 103
04 Streaming 接口 / 105
0x33　Hive 基礎(chǔ)，蜂巢與倉庫 / 106
01 引言 / 106
02 Hive 接口 / 107
03 分區(qū)建表 / 108
04 分區(qū)機制 / 110
05 數(shù)據(jù)導入/ 導出 / 111
06 Hive-QL / 112
07 結(jié)語 / 114
0x34　Hive 深入，實戰(zhàn)經(jīng)驗 / 115
01 排序與分布式 / 115
02 多表插入與mapjoin / 116
03 加載map-reduce 腳本 / 117
04 使用第三方UDF / 119
05 實戰(zhàn)經(jīng)驗 / 120
06 生成唯一ID / 121
0x35　HBase 庫，實時業(yè)務(wù) / 122
01 理論基礎(chǔ) / 122
02 Shell 操作 / 123
03 關(guān)聯(lián)Hive 表 / 126
04 數(shù)據(jù)導入 / 128
05 實用經(jīng)驗 / 130
0x36　SQL 與NoSQL，Sqoop 為媒 / 130
01 SQL 與NOSQL / 130
02 從MySQL 導入HDFS / 131
03 增量導入 / 134
04 映射到Hive / 135
05 導入Hive 表 / 136
06 從HDFS 導出到MySQL / 137
07 從Hive 導出到MySQL / 138
0x4　數(shù)據(jù)分析，見微知著 / 141
0x40　大數(shù)據(jù)分析，魯班為祖師 / 141
0x41　SQL 技能，必備MySQL / 143
01 SQL 工具 / 143
02 基礎(chǔ)操作 / 144
03 查詢套路 / 145
04 join 查詢 / 146
05 union 與exists / 149
06 實戰(zhàn)經(jīng)驗 / 151
0x42　快刀awk，斬亂數(shù)據(jù) / 152
01 快刀 / 152
02 一二三要點 / 152
03 一個示例 / 154
04 應用與統(tǒng)計 / 154
05 斬亂麻 / 156
0x43　Pandas，數(shù)據(jù)之框 / 157
01 數(shù)據(jù)為框 / 157
02 加載數(shù)據(jù) / 158
03 行列索引 / 159
04 行列操作 / 161
05 合并聚合 / 163
06 迭代數(shù)據(jù) / 164
07 結(jié)語 / 165
0x44　Zeppelin，一統(tǒng)江湖 / 166
01 心潮澎湃 / 166
02 基本使用 / 168
03 SQL 與可視化 / 169
04 安裝Zeppelin / 172
05 配置Zeppelin / 173
06 數(shù)據(jù)安全 / 174
07 使用心得 / 176
0x45　數(shù)據(jù)分組，聚合窗口 / 177
01 MySQL 聚合 / 177
02 Spark 聚合 / 178
03 非聚合字段 / 179
04 Hive 實現(xiàn) / 180
05 group_concat / 181
06 Hive 窗口函數(shù) / 183
07 DataFrame 窗口 / 184
08 結(jié)語 / 185
0x46　全棧分析，六層內(nèi)功 / 186
01 引言 / 186
02 MySQL 版本 / 186
03 awk 版本 / 187
04 Python 版本 / 188
05 Hive 版本 / 189
06 map-reduce 版本 / 190
07 Spark 版本 / 190
08 結(jié)語 / 191
0x5　機器學習，人類失控 / 193
0x50　機器學習，瑯琊論斷 / 193
0x51　酸酸甜甜，Orange / 195
01 可視化學習 / 195
02 數(shù)據(jù)探索 / 196
03 模型與評估 / 199
04 組件介紹 / 200
05 與Python 進行整合 / 202
06 結(jié)語 / 204
0x52　sklearn，機器學習 / 205
01 sklearn 介紹 / 205
02 數(shù)據(jù)預處理 / 206
03 建模與預測 / 207
04 模型評估 / 209
05 模型持久化 / 210
06 三個層次 / 210
0x53　特征轉(zhuǎn)換，量綱伸縮 / 211
01 特征工程 / 211
02 獨熱編碼 / 212
03 sklearn 示例 / 213
04 標準化與歸一化 / 215
05 sklearn 與Spark 實現(xiàn) / 216
06 結(jié)語 / 219
0x54　描述統(tǒng)計，基礎(chǔ)指標 / 220
01 描述性統(tǒng)計 / 220
02 Pandas 實現(xiàn) / 222
03 方差與協(xié)方差 / 223
04 Spark-RDD 實現(xiàn) / 224
05 DataFrame 實現(xiàn) / 226
06 Spark-SQL 實現(xiàn) / 227
07 結(jié)語 / 227
0x55　模型評估，交叉驗證 / 228
01 測試與訓練 / 228
02 評價指標 / 229
03 交叉驗證 / 231
04 驗證數(shù)據(jù) / 232
05 OOB 數(shù)據(jù) / 233
0x56　文本特征，詞袋模型 / 234
01 自然語言 / 234
02 中文分詞 / 235
03 詞袋模型 / 236
04 詞頻統(tǒng)計 / 237
05 TF-IDF / 238
06 結(jié)語 / 239
0x6　算法預測，占天卜地 / 241
0x60　命由己做，福自己求 / 241
0x61　近朱者赤，相親kNN / 243
01 樸素的思想 / 243
02 算法介紹 / 243
03 分類與回歸 / 244
04 k 與半徑 / 245
05 優(yōu)化計算 / 246
06 實例應用 / 247
0x62　物以類聚，Kmeans / 248
01 算法描述 / 248
02 建立模型 / 249
03 理解模型 / 251
04 距離與相似性 / 252
05 降維與可視化 / 253
06 無監(jiān)督學習 / 255
0x63　很傻很天真，樸素貝葉斯 / 257
01 樸素思想 / 257
02 概率公式 / 257
03 三種實現(xiàn) / 258
04 sklearn 示例 / 260
05 樸素卻不傻 / 262
0x64　菩提之樹，決策姻緣 / 263
01 緣起 / 263
02 Orange 演示 / 264
03 scikit-learn 模擬 / 266
04 熵與基尼指數(shù) / 267
05 決策過程分析 / 268
06 Spark 模擬 / 270
07 結(jié)語 / 271
0x65　隨機之美，隨機森林 / 271
01 樹與森林 / 271
02 處處隨機 / 273
03 sklearn 示例 / 274
04 MLlib 示例 / 275
05 特點與應用 / 276
0x66　自編碼器，深度之門 / 277
01 深度學習 / 277
02 特征學習 / 278
03 自動編碼器 / 280
04 Keras 代碼 / 282
05 抗噪編碼器 / 283
0x7　Spark，唯快不破 / 285
0x70　人生苦短，快用Spark / 285
0x71　PySpark 之門，強者聯(lián)盟 / 287
01 全?？蚣?/ 287
02 環(huán)境搭建 / 288
03 分布式部署 / 289
04 示例分析 / 290
05 兩類算子 / 292
06 map 與reduce / 293
07 AMPLab 的野心 / 294
0x72　RDD 算子，計算之魂 / 295
01 算子之道 / 295
02 獲取數(shù)據(jù) / 296
03 過濾與排序 / 297
04 聚合數(shù)據(jù) / 298
05 join 連接 / 299
06 union 與zip / 300
07 讀寫文件 / 301
08 結(jié)語 / 303
0x73　分布式SQL，蝶戀飛舞 / 304
01 SQL 工具 / 304
02 命令行CLI / 304
03 讀Hive 數(shù)據(jù) / 305
04 將結(jié)果寫入Hive / 306
05 讀寫MySQL 數(shù)據(jù) / 307
06 讀寫三種文件 / 308
0x74　DataFrame，三角之戀 / 310
01 DataFrame / 310
02 生成數(shù)據(jù)框 / 311
03 合并與join / 313
04 select 操作 / 314
05 SQL 操作 / 315
06 自定義UDF / 316
07 三角之戀 / 318
0x75　神器之父，Scala 入世 / 319
01 Spark 與Scala / 319
02 Scala REPL / 320
03 編譯Scala / 321
04 sbt 編譯 / 322
05 示例分析 / 323
06 編譯提交 / 325
0x76　機器之心，ML 套路 / 326
01 城市套路深 / 326
02 算法與特征工程 / 327
03 管道工作流 / 328
04 OneHotEncoder 示例 / 329
05 ML 回歸實戰(zhàn) / 331
06 特征處理與算法 / 332
07 擬合與評估 / 334
0x8　數(shù)據(jù)科學，全棧智慧 / 337
0x80　才高八斗，共分天下 / 337
0x81　自學數(shù)據(jù)，神蟒領(lǐng)舞 / 339
01 機器學習 / 339
02 語言領(lǐng)域 / 339
03 Python 數(shù)據(jù)生態(tài) / 340
04 相關(guān)資料 / 341
05 書籍推薦 / 342
06 性感的職業(yè) / 343
0x82　數(shù)據(jù)科學，七大技能 / 343
01 七大技能 / 343
02 SQL 與NoSQL 技能 / 344
03 Linux 工具集 / 344
04 Python 或者R 語言生態(tài) / 345
05 Hadoop 與Spark 生態(tài) / 345
06 概率、統(tǒng)計與線性代數(shù) / 346
07 機器學習與深度學習 / 346
08 業(yè)務(wù)及雜項 / 347
09 結(jié)語 / 347
0x83　大無所大，生態(tài)框架 / 348
01 計算生態(tài) / 348
02 離線計算 / 348
03 交互分析 / 349
04 實時處理 / 350
05 算法挖掘 / 351
06 發(fā)行版本 / 352
07 其他工具 / 353
0x84　集體智慧，失控哲學 / 354
01 數(shù)據(jù)是寶 / 354
02 一分為二 / 355
03 回歸統(tǒng)一 / 356
04 聚少成多 / 356
05 你中有我 / 357
06 從小看大 / 358
07 大事化小 / 358
08 少即是多 / 359
0x85　一技之長，一生之用 / 359
01 一技之長 / 359
02 數(shù)據(jù)分析相關(guān) / 360
03 Python 相關(guān) / 360
04 Hadoop 相關(guān) / 361
05 Spark 相關(guān) / 361
06 模型相關(guān) / 362
07 算法相關(guān) / 362
08 一生之用 / 363
0x86 知識作譜，數(shù)據(jù)為棧 / 363
01 知識作譜 / 363
02 理論基礎(chǔ) / 363
03 Python/R 編程 / 364
04 分析與可視化 / 365
05 大數(shù)據(jù) / 365
06 ETL 與特征工程 / 366
07 機器學習與深度學習 / 366
08 工具與庫 / 367
09 全棧為用 / 367