特点使用 Python 和 R 的数据科学是为没有分析或编程经验的普通读者编写的提供使用 Python 和 R 解决数据科学问题的分步说明和演练涵盖的主题包括数据准备、探索性数据分析、准备数据建模、决策树、模型评估、错误分类成本、朴素贝叶斯分类、神经网络、聚类、回归建模、降维和关联规则挖掘。包括随机森林和一般线性模型等新主题内容数据分析介绍Python 和 R 基础知识数据准备探索性数据分析...
特点从统计学领域中提取的技术和理论; 计算机科学,最重要的是机器学习、数据库、数据可视化等。它从简单的统计开始,然后转向数据科学算法中使用的统计方法。解释统计计算的 R 程序与逻辑学习各种数学概念,例如方差、标准差、概率、矩阵计算等将只学习在数据科学任务(例如数据清理、挖掘和分析)中实施统计所需的内容您将学习执行线性回归、正则化、模型评估、提升、SVM 和使用神经网络等任务所需的统...
特点使用数据科学技术,您可以将原始数据转化为可操作的见解,适用于从城市规划到精准医学的各个领域。 数据科学编程技能汇集了您入门所需的所有基础技能,即使您没有编程或数据科学经验。指导安装和配置解决专业级数据科学问题所需的工具,包括广泛使用的 R 语言和 Git 版本控制系统解释了如何将数据整理成易于使用、分析和可视化的形式,以便其他人可以看到您发现的模式将逐步掌握强大的 R 编程技术和故障排除...
特点将帮助您了解流行的深度学习架构及其在 R 中的变体,并为它们提供现实生活中的示例。涵盖了用于预测和分类的基本深度学习技术和概念。将了解神经网络、深度学习架构以及使用 R 实现深度学习的基础知识。将引导您使用重要的深度学习库(如 Keras-R 和 TensorFlow-R)在应用程序中实现深度学习算法。将通过高级示例快速了解人工神经网络、循环神经网络、卷积神经网络、长短期记忆网络等。将发...
涵盖了统计在解决业务相关问题中的广泛应用。 介绍了日常业务需求所必需的定量工具,并提供了有关如何总结数据、分析数据以及得出可用于改进决策的有意义的推理的见解。 它将使读者能够使用开源语言 R 发展计算技能和解决问题的能力。在讨论基本统计测量、概率、回归分析、显着性检验、相关性、泊松分布、制造过程控制、时间序列分析、预测技术、指数平滑、单变量和多变量时使用现实生活中的商业数据作为说明性示例,分...