Anaconda数据科学实战 Chinese Edition
Detailed summary in vernacular field only.
| Autor principal: | |
|---|---|
| Otros Autores: | , |
| Formato: | Libro electrónico |
| Idioma: | Inglés |
| Publicado: |
Birmingham :
Packt Publishing, Limited
2024.
|
| Edición: | 1st ed |
| Colección: | Yi bu tu shu.
|
| Materias: | |
| Ver en Biblioteca Universitat Ramon Llull: | https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009820416906719 |
Tabla de Contenidos:
- 扉
- 内容提
- 关于作
- 简介
- 关于审稿人
- 前
- 源与支持
- 目录
- 第1章 Anaconda生态系统
- 1.1 简介
- 1.1.1 Anaconda使用Jupyter的理由
- 1.1.2 在无 的情况下使用Jupyter
- 1.2 Miniconda
- 1.3 Anaconda云
- 1.4 查找帮助
- 1.5 总结
- 1.6 回 及练习
- 第2章 Anaconda安
- 2.1 安 Anaconda
- Windows下安 Anaconda
- 2.2 测 Python
- 2.3 使用IPython
- 2.4 Jupyter使用Python
- 2.5 Spyder简介
- 2.6 Conda安 R
- 2.7 安 Julia并 接到Jupyter
- 2.8 安 Octave并 接到Jupyter
- 2.9 查找帮助
- 2.10 总结
- 2.11 回 及练习
- 第3章 数据基础
- 3.1 数据源
- 3.2 UCI机器学习
- 3.3 Python包pandas简介
- 3.4 入数据的几种方式
- 3.4.1 使用R 入数据
- 3.4.2 使用Python 入数据
- 3.5 Quandl数据分发平台简介
- 3.6 处理缺失数据
- 3.7 数据排序
- 3.7.1 切割数据
- 3.7.2 合并不同数据
- 3.7.3 数据 出
- 3.8 Python包cbsodata简介
- 3.9 Python包datadotworld简介
- 3.10 R包haven和foreign简介
- 3.11 R包dslabs简介
- 3.12 生成Python数据
- 3.13 生成R数据
- 3.14 总结
- 3.15 回 及练习
- 第4章 数据可 化
- 4.1 数据可 化的 性
- 4.2 R数据可 化
- 4.3 Python数据可 化
- 4.4 Julia数据可 化
- 4.5 绘制简单图形
- 4.5.1 各种条状图、 图和直方图
- 4.5.2 添加 势
- 4.5.3 添加图 和其他 明
- 4.6 R可 化包
- 4.7 Python可 化包
- 4.8 Julia可 化包
- 4.9 动态可 化
- 4.9.1 将图片存储为pdf
- 4.9.2 将动态可 化存储为HTML文件
- 4.10 总结
- 4.11 回 及练习
- 第5章 在Anaconda中统 建模
- 5.1 线性模型简介
- 5.2 在R、Python、Julia和Octave中 线性回归
- 5.3 临界值和决策 则
- 5.4 F检 、临界值和决策 则
- 线性回归在 方 的一个应用
- 5.5 处理缺失数据
- 5.5.1 清 缺失数据
- 5.5.2 用其他值替换缺失数据
- 5.6 检测及处理异常值
- 5.7 几个多元线性模型
- 5.8 共线性及其 决方案
- 5.9 一个模型的性 测
- 5.10 总结
- 5.11 回 及练习
- 第6章 管理包
- 6.1 包、模块和工具箱简介
- 6.2 使用包的两个示例
- 6.3 查找所有R包
- 6.4 查找所有Python包
- 6.5 查找所有Julia包
- 6.6 查找所有Octave包
- 6.7 R中的任务 图
- 6.8 查找手册
- 6.9 包依
- 6.10 R包管理
- 6.11 Python包管理
- 6.12 Julia包管理
- 6.13 Octave包管理
- 6.14 包管理器conda
- 6.15 在R和Python中创建程序
- 6.16 查找环境变
- 6.17 总结
- 6.18 回 及练习
- 第7章 Anaconda的优化
- 7.1 为何优化很
- 7.2 优化的一
- 7.3 二次优化
- 7.3.1 R中的优化
- 7.3.2 Python中的优化
- 7.3.3 Julia中的优化
- 7.3.4 Octave中的优化
- 7.4 票投 组合优化
- 7.5 最优的税收政策
- 7.6 R中用于优化的包.
- 7.7 Python中用于优化的包
- 7.8 Octave中用于优化的包
- 7.9 Julia中用于优化的包
- 7.10 总结
- 7.11 回 及练习
- 第8章 Anaconda中的无监督学习
- 8.1 无监督学习简介
- 8.2 层次 类
- 8.3 k-均值 类
- 8.4 Python包scipy简介
- 8.5 Python包contrastive简介
- 8.6 Python包sklearn scikit-learn 简介
- 8.7 R包rattle简介
- 8.8 R包randomUniformForest简介
- 8.9 R包Rmixmod简介
- 8.10 Julia实现
- 8.11 类分析的任务 图
- 8.12 总结
- 8.13 回 及练习
- 第9章 Anaconda中的监督学习
- 9.1 监督学习概
- 9.2 分类
- 9.2.1 k-最 算法
- 9.2.2 叶斯分类器
- 9.2.3 强化学习
- 9.3 监督学习的R实现
- RtextTools简介
- 9.4 Python实现
- 使用scikit-learn sklearn 模块
- 9.5 Octave实现
- 9.6 Julia实现
- R中机器学习的任务 图
- 9.7 总结
- 9.8 回 及练习
- 第10章 数据 测分析 建模和
- 10.1 理 数据 测分析
- 10.2 有用的数据
- 10.2.1 R包AppliedPredictiveModeling
- 10.2.2 时 序列分析
- 10.3 测未来事件
- 10.3.1 季 性
- 10.3.2 可 化组件
- 10.3.3 R包LiblineaR
- 10.3.4 R包datarobot
- 10.3.5 R包eclust
- 10.4 模型 择
- 10.4.1 Python包model-catwalk
- 10.4.2 Python包sklearn
- 10.4.3 Julia包QuantEcon
- 10.4.4 Octave包ltfat
- 10.5 Granger因果关系检
- 10.6 总结
- 10.7 回 及练习
- 第11章 Anaconda云
- 11.1 Anaconda云简介
- 11.2 深入学习Jupyter Notebook
- 11.2.1 Jupyter Notebook格式
- 11.2.2 Notebooks分享
- 11.2.3 目分享
- 11.2.4 环境分享
- 11.3 复制他人的环境到本地
- 从Anaconda下 包
- 11.4 总结
- 11.5 回 及练习
- 第12章 分布式 算、并 算和HPCC
- 12.1 分布式和并 算简介
- 12.1.1 并 处理的任务 图
- 12.1.2 Python示例程序
- 12.2 理 MPI
- 12.2.1 R包Rmpi
- 12.2.2 R包plyr
- 12.2.3 R包parallel
- 12.2.4 R包snow
- 12.3 Python并 处理
- 12.3.1 单 率的并 处理
- 12.3.2 Monte-Carlo期权定价并 处理
- 12.4 算 点
- 12.5 Anaconda 加组件
- 12.6 HPCC简介
- 12.7 总结
- 12.8 回 及练习.
