Python大数据分析算法与实例 PDF下载 Java菜市场

目录 完本至139章

• 封面

• 版权信息

• 内容简介

• 前言

• 本书内容

• 代码下载

• 致谢

• 第1章 大数据分析概述

• 1.1 大数据分析背景

• 1.2 大数据分析的应用

• 1.3 大数据分析算法

• 1.4 大数据分析工具

• 1.5 本章小结

• 第2章 数据特征算法分析

• 2.1 数据分布性分析

• 2.1.1 数据分布特征集中趋势的测定

• 2.1.2 数据分布特征离散程度的测定

• 2.1.3 数据分布特征偏态与峰度的测定

• 2.2 数据相关性分析

• 2.2.1 数据相关关系

• 2.2.2 数据相关分析的主要内容

• 2.2.3 相关关系的测定

• 2.3 数据聚类性分析

• 2.3.1 聚类分析定义

• 2.3.2 聚类类型

• 2.3.3 聚类应用

• 2.4 数据主成分分析

• 2.4.1 主成分分析的原理及模型

• 2.4.2 数据主成分分析的几何解释

• 2.4.3 数据主成分的导出

• 2.4.4 证明主成分的方差是依次递减的

• 2.4.5 数据主成分分析的计算

• 2.5 数据动态性分析

• 2.6 数据可视化

• 2.7 本章小结

• 第3章 大数据分析工具：NumPy

• 3.1 NumPy简介

• 3.2 NumPy环境安装配置

• 3.3 ndarray对象

• 3.4 数据类型

• 3.5 数组属性

• 3.6 数组创建例程

• 3.7 切片和索引

• 3.8 广播

• 3.9 数组与元素操作

• 3.9.1 数值迭代

• 3.9.2 数组变形

• 3.9.3 数组翻转

• 3.9.4 修改维度

• 3.9.5 数组连接

• 3.9.6 数组分割

• 3.9.7 添加／删除元素

• 3.10 位操作与字符串函数

• 3.11 数学运算函数

• 3.12 算术运算

• 3.13 统计函数

• 3.14 排序、搜索和计数函数

• 3.15 字节交换

• 3.16 副本和视图

• 3.17 矩阵库

• 3.18 线性代数模块

• 3.19 Matplotlib库

• 3.20 Matplotlib 绘制直方图

• 3.21 IO文件操作

• 3.22 NumPy实例：GPS定位

• 3.23 本章小结

• 第4章 大数据分析工具：SciPy

• 4.1 SciPy简介

• 4.2 文件输入和输出：SciPy.io

• 4.3 特殊函数：SciPy.special

• 4.4 线性代数操作：SciPy.linalg

• 4.5 快速傅里叶变换：sipy.fftpack

• 4.6 优化器：SciPy.optimize

• 4.7 统计工具：SciPy.stats

• 4.8 SciPy实例

• 4.8.1 最小二乘拟合

• 4.8.2 函数最小值

• 4.9 本章小结

• 第5章 大数据分析工具：Matplotlib

• 5.1 初级绘制

• 5.2 图像、子区、子图、刻度

• 5.3 其他种类的绘图

• 5.4 本章小结

• 第6章 大数据分析工具：Pandas

• 6.1 Pandas系列

• 6.2 Pandas数据帧

• 6.3 Pandas面板

• 6.4 Pandas快速入门

• 6.5 本章小结

• 第7章 大数据分析工具：Statsmodels与Gensim

• 7.1 Statsmodels

• 7.1.1 Statsmodels统计数据库

• 7.1.2 Statsmodels典型的拟合模型概述

• 7.1.3 Statsmodels举例

• 7.2 Gensim

• 7.2.1 基本概念

• 7.2.2 训练语料的预处理

• 7.2.3 主题向量的变换

• 7.2.4 文档相似度的计算

• 7.3 本章小结

• 第8章 大数据分析算法与实例

• 8.1 描述统计

• 8.2 假设检验

• 8.3 信度分析

• 8.4 列联表分析

• 8.5 相关分析

• 8.6 方差分析

• 8.6.1 单因素方差分析

• 8.6.2 多因素方差分析

• 8.7 回归分析

• 8.8 聚类分析

• 8.9 判别分析

• 8.10 主成分分析

• 8.11 因子分析

• 8.12 时间序列分析

• 8.13 生存分析

• 8.14 典型相关分析

• 8.15 RoC分析

• 8.16 距离分析

• 8.17 对应分析

• 8.18 决策树分析

• 8.19 神经网络—深度学习

• 8.19.1 深度学习的基本模型

• 8.19.2 新闻分类实例

• 8.20 蒙特·卡罗模拟

• 8.20.1 蒙特·卡罗模拟基本模型

• 8.20.2 蒙特·卡罗模拟计算看涨期权实例

• 8.21 关联规则

• 8.21.1 关联规则的概念

• 8.21.2 Apriori算法及实例

• 8.21.3 FP树频集算法

• 8.22 Uplift Modeling

• 8.23 集成方法

• Adaboost算法

• 8.24 异常检测

• 8.25 文本挖掘

• 8.26 Boosting算法（提升法和Gradient Boosting）

• 8.27 本章小结

• 参考文献