Python机器学习5个数据科学家案例解析

《Python机器学习 5个数据科学家案例解析》涵盖了机器学习方法和Python，可以自动呈现对业务问题的丰富见解和解决方案。《Python机器学习 5个数据科学家案例解析》使用基于案例研究的实践方法来破解真实世界的应用，里面涉及的机器学习概念再适合不过。这些更智能的机器将使你的业务流程以最短的时间和最少的资源获得更高的效率。 《Python机器学习 5个数据科学家案例解析》将引导你逐步完善业务流程，帮助你发现构建公司战略的关键点。你将阅读可以为产品和服务提供支持的机器学习技术。《Python机器学习 5个数据科学家案例解析》还突出了这些机器学习概念的优缺点，以帮助你决定哪一个最适合你的需求。 通过逐步的编码方法，你将能够理解机器学习过程中模型选择背后的基本原理。《Python机器学习 5个数据科学家案例解析》配备了实用的示例和代码片段，以确保你了解用于解决实际问题的数据科学的方法。《Python机器学习 5个数据科学家案例解析》可以帮助来自技术和非技术背景的人们将机器学习技术应用于现实世界问题。每一章都从一个具有明确定义的业务问题的案例研究开始，然后通过整合案例情节和代码片段来决定最佳解决方案。练习贯穿于整个章节，使所学概念得以动手实现。每章最后都以现实世界应用的亮点为结尾，这些概念可以应用到实践中。

Danish Haroon目前领导Market IQ Inc的数据科学团队，该团队专注于从情感转折点中剔除可操作实时情报的专利预测分析平台。他获得了卡拉奇学校(karachi School)商业与领导学院的MBA学位，曾为公司客户及其数据分析要求提供服务。最近，他开始领导PredictifyME的数据商业化团队，这家初创公司专注于为美国市场的需求规划和房地产市场提供预测分析。他目前的研究主要集中在用于改善客户体验(Customer Experiences，CX)的数据科学混合物上。

第1章 统计与概率 1.1 案例研究：自行车共享计划——确定品牌角色 1.2 进行探索性数据分析 1.2.1 特征探索 1.2.2 变量的类型 1.2.3 单变量分析 1.2.4 多变量分析 1.2.5 时间序列成分 1.3 度量测度中心 1.3.1 平均数 1.3.2 中位数 1.3.3 众数 1.3.4 方差 1.3.5 标准差 1.3.6 由于常量的存在而导致中心统计度量的变化 1.3.7 正态分布 1.4 相关性 1.4.1 Pearson R相关 1.4.2 Kendall秩相关 1.4.3 Spearman秩相关 1.5 假设检验：比较两组 1.5.1 t-统计量 1.5.2 t-分布和样本容量 1.6 中心极限定理 1.7 案例研究发现 1.8 统计和概率的应用 1.8.1 精算科学 1.8.2 生物统计学 1.8.3 天文统计学 1.8.4 商业分析 1.8.5 计量经济学 1.8.6 机器学习 1.8.7 统计信号处理 1.8.8 选举 第2章 回归 2.1 案例研究：消除混凝土抗压强度的不一致性 2.2 回归的概念 2.2.1 内插和外推 2.2.2 线性回归 2.2.3 y在x上的最小二乘回归线 2.2.4 多重回归 2.2.5 逐步回归 2.2.6 多项式回归 2.3 回归的假设 2.3.1 案例数量 2.3.2 缺失数据 2.3.3 多重共线性与奇异性 2.4 特征探索 2.5 过拟合和欠拟合 2.6 回归度量的评估