數(shù)據(jù)科學(xué)與數(shù)學(xué)建模

目錄
第一章 緒論 6
1.1數(shù)據(jù)科學(xué)概述 6
1.2 數(shù)據(jù)科學(xué)的建模流程 8
1.3 Python語(yǔ)言開(kāi)發(fā)環(huán)境與庫(kù)入門 12
1.3.1 開(kāi)發(fā)環(huán)境 12
1.3.2 Python基本語(yǔ)法 15
1.3.3 Python常用庫(kù)和功能 16
1.4本書內(nèi)容介紹 19
第二章 回歸模型 21
2.1概述 21
2.2線性回歸 22
2.2.1 一元線性回歸 22
2.2.2 多元線性回歸 25
2.3線性回歸案例 28
2.3.1兒童體表面積預(yù)測(cè) 28
2.3.2波士頓房?jī)r(jià)因素分析 32
附錄：scikit-learn庫(kù)中的LinearRegression 34
2.4邏輯回歸 35
2.4.1 邏輯回歸模型 35
2.4.2 邏輯回歸方程中回歸系數(shù)的估計(jì)及含義 37
2.4.3 邏輯回歸方程的統(tǒng)計(jì)檢驗(yàn) 38
2.5邏輯回歸案例 40
2.5.1考試成績(jī)預(yù)測(cè) 40
2.5.2鳶尾花分類 42
附錄：scikit-learn庫(kù)中的LogisticsRegression 44
第三章 聚類模型 46
3.1概述 46
3.1.1聚類分析概述 46
3.1.2基于距離的聚類相似度 49
3.2 K-means聚類 50
3.2.1 K-means聚類算法 50
3.2.2 K-means聚類實(shí)例 51
3.2.3 K-means聚類的優(yōu)缺點(diǎn) 56
3.3 密度聚類 56
3.3.1 DBSCAN密度定義 56
3.3.2 DBSCAN聚類算法 56
3.3.3 DBSCAN聚類的優(yōu)缺點(diǎn) 57
3.4 層次聚類 57
3.4.1系統(tǒng)聚類 58
3.4.2 DIANA算法 64
3.4.3 層次聚類算法的優(yōu)缺點(diǎn) 67
3.5 案例 67
3.5.1 一個(gè)二維數(shù)據(jù)集聚類 67
3.5.2一個(gè)居民家庭情況案例 69
3.5.3一個(gè)醫(yī)療建設(shè)評(píng)價(jià)案例 75
附錄：scikit-learn庫(kù)中的KMeans 77
第四章 關(guān)聯(lián)規(guī)則 80
4.1 概述 80
4.1.1 問(wèn)題概述 80
4.1.2 關(guān)聯(lián)規(guī)則概述 80
4.1.3 關(guān)聯(lián)分析的基本概念 81
4.2 Apriori算法 84
4.3 基于Apriori算法的改進(jìn)算法 88
4.4 FP-Growth算法 90
4.5 關(guān)聯(lián)規(guī)則案例 94
4.5.1一個(gè)銷售記錄的關(guān)聯(lián)分析案例 94
4.5.2商品購(gòu)買記錄分析 98
4.5.3電影推薦 100
第五章 決策樹(shù) 104
5.1概述 104
5.1.1 決策樹(shù)基本算法 104
5.1.2 CLS算法 105
5.1.3 信息熵 106
5.2 ID3算法 107
5.2.1基本思想 107
5.2.2 ID3算法應(yīng)用實(shí)例 109
5.3 C4.5算法 112
5.3.1 基本思想 112
5.3.2 基于信息增益率建模的決策樹(shù) 113
5.4 CART算法 114
5.4.1 基本思想 114
5.4.2 基于CART算法建模的決策樹(shù) 115
5.5 決策樹(shù)的剪枝 117
5.6 案例 121
5.6.1泰坦尼克號(hào)乘客幸存預(yù)測(cè) 121
5.6.2乳腺癌診斷 125
附錄：scikit-learn庫(kù)中的DecisionTreeClassifier 129
第六章 支持向量機(jī) 132
6.1概述 132
6.2線性支持向量機(jī) 132
6.2.1 硬間隔線性支持向量機(jī) 133
6.2.2 軟間隔線性支持向量機(jī) 135
6.3非線性支持向量機(jī) 138
6.3.1特征空間硬間隔支持向量機(jī) 140
6.3.2特征空間軟間隔支持向量機(jī) 141
6.4 支持向量機(jī)的求解和多分類問(wèn)題 142
6.4.1 支持向量機(jī)的求解 142
6.4.2 多分類問(wèn)題 142
6.5新聞文本分類案例 144
附錄：scikit-learn庫(kù)中的SVM 147
第七章 貝葉斯網(wǎng)絡(luò) 150
7.1概述 150
7.1.1 貝葉斯網(wǎng)絡(luò)定義 150
7.1.2 貝葉斯網(wǎng)絡(luò)的知識(shí)推理模式 151
7.1.3 貝葉斯網(wǎng)絡(luò)建立的主要步驟 151
7.1.4貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí) 152
7.1.5 貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí) 153
7.1.6 主要貝葉斯網(wǎng)絡(luò)模型 156
7.2 樸素貝葉斯網(wǎng)絡(luò) 156
7.3 TAN貝葉斯網(wǎng)絡(luò) 162
7.4 無(wú)約束貝葉斯網(wǎng)絡(luò) 167
7.5 樸素貝葉斯進(jìn)行垃圾郵件過(guò)濾 170
附錄 scikit-learn庫(kù)中的Naive-Bayes分類 174
第八章 深度學(xué)習(xí) 176
8.1概述 176
8.1.1 深度學(xué)習(xí)的發(fā)展歷史 176
8.1.2 神經(jīng)網(wǎng)絡(luò)的基本模型 176
8.2多層感知機(jī) 180
8.2.1感知機(jī) 180
8.2.2多層感知機(jī) 184
8.3卷積神經(jīng)網(wǎng)絡(luò) 190
8.3.1基本網(wǎng)絡(luò)結(jié)構(gòu) 191
8.3.2反向傳播訓(xùn)練算法 192
8.3.3 AlexNet網(wǎng)絡(luò)結(jié)構(gòu) 193
8.4循環(huán)神經(jīng)網(wǎng)絡(luò) 194
8.4.1基本網(wǎng)絡(luò)結(jié)構(gòu) 195
8.4.2反向傳播訓(xùn)練算法 195
8.4.3長(zhǎng)短時(shí)間記憶單元 196
8.5 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)CIFAR圖片數(shù)據(jù)集分類 197
附錄：TensorFlow基本用法 203
參考文獻(xiàn) 207