精通数据科学算法

前言

数据科学是一门有关机器学习、统计学与数据挖掘的交叉学科，它的目标是通过算法和统计分析方法从现存数据中获取新知识。在本书中，你将会学习数据科学中7种重要的数据分析方法。每章将首先通过一个简单的例子解释某算法或分析某概念，然后用更多的例子与练习建立与拓展一些特殊的分析 方法。

本书涵盖的内容

第1章，用k最近邻算法解决分类问题，基于 k 个最相似的项对数据项分类。

第2章，朴素贝叶斯，学习用贝叶斯定理来计算某个数据项属于某一个特定类的概率。

第3章，决策树，将决策准则整理、归纳成树的分支，并用一个决策树将数据项分类到叶节点所在的类中。

第4章，随机森林，用决策树集成的方式来划分数据项，通过减少偏差的负面影响来提高算法的准确率。

第5章，k-means聚类，将数据划分成 k 个簇来寻找模式和数据项之间的相似度，并应用这些模式划分新的数据。

第6章，回归分析，通过一个方程对数据进行建模，并以这种简单的方式对未知数据进行预测。

第7章，时间序列分析，通过揭示依赖时间的数据的发展趋势和重复模式来预测未来的股票市场、比特币价格和其他的时间事件。

附录A，统计，提供一个对数据科学家实用的统计方法和分析工具的概要。

附录B，R参考，涉及基本的R语言结构。

附录C，Python 参考，涉及基本的Python语言结构、整本书所用到的命令和函数。

附录D，数据科学中的算法和方法术语，提供数据科学与机器学习领域中一些非常重要并且实用的算法和方法术语。

阅读本书所需要的开发工具

最重要的是，保持一个积极的态度去思考问题——许多新的知识隐藏在练习中。同时，你也需要在自己选择的系统中运行Python和R程序。本书的作者是在Linux操作系统中使用命令行来运行编程语言的。

本书适合的读者

本书是为熟悉 Python ...