Python高級數(shù)據(jù)分析：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和NLP實(shí)例

譯者序
作者簡介
技術(shù)審核員簡介
致謝
第1章　簡介001
1.1　為何選擇Python001
1.2　何時避免使用Python002
1.3　Python中的面向?qū)ο缶幊?02
1.4　在Python中調(diào)用其他語言010
1.5　將Python模型作為微服務(wù)011
1.6　高性能API和并發(fā)編程014
第2章　Python結(jié)構(gòu)化數(shù)據(jù)提取、轉(zhuǎn)換和加載019
2.1　MySQL020
2.1.1　如何安裝MySQLdb020
2.1.2　數(shù)據(jù)庫連接020
2.1.3　INSERT操作020
2.1.4　READ操作021
2.1.5　DELETE操作022
2.1.6　UPDATE操作023
2.1.7　COMMIT操作023
2.1.8　ROLL-BACK操作024
2.2　Elasticsearch026
2.3　Neo4j Python驅(qū)動029
2.4　neo4j-rest-client029
2.5　內(nèi)存數(shù)據(jù)庫029
2.6　Python版本MongoDB030
2.6.1　將數(shù)據(jù)導(dǎo)入集合031
2.6.2　使用pymongo創(chuàng)建連接031
2.6.3　訪問數(shù)據(jù)庫對象032
2.6.4　插入數(shù)據(jù)032
2.6.5　更新數(shù)據(jù)032
2.6.6　刪除數(shù)據(jù)032
2.7　Pandas033
2.8　Python非結(jié)構(gòu)化數(shù)據(jù)提取、轉(zhuǎn)換和加載034
2.8.1　電子郵件解析034
2.8.2　主題爬取036
第3章　基于Python的監(jiān)督學(xué)習(xí)043
3.1　使用Python實(shí)現(xiàn)降維043
3.1.1　相關(guān)性分析044
3.1.2　主成分分析046
3.1.3　互信息048
3.2　使用Python進(jìn)行分類049
3.3　半監(jiān)督學(xué)習(xí)050
3.4　決策樹050
3.4.1　哪個屬性優(yōu)先050
3.4.2　隨機(jī)森林分類器052
3.5　樸素貝葉斯分類器052
3.6　支持向量機(jī)054
3.7　最近鄰分類器055
3.8　情緒分析056
3.9　圖像識別057
3.10　使用Python進(jìn)行回歸058
3.10.1　最小二乘估計059
3.10.2　邏輯回歸060
3.11　分類和回歸060
3.12　使模型高估或低估061
3.13　處理分類型數(shù)據(jù)062
第4章　無監(jiān)督學(xué)習(xí)—聚類067
4.1　K均值聚類068
4.2　選擇K—肘部法則071
4.3　距離或相似性度量071
4.3.1　屬性072
4.3.2　一般及歐氏距離072
4.3.3　平方歐氏距離074
4.3.4　字符串之間的編輯距離074
4.4　文檔上下文的相似性076
4.5　什么是層次聚類077
4.5.1　自下而上的方法078
4.5.2　聚類之間的距離079
4.5.3　自上而下的方法080
4.5.4　圖論方法084
4.6　如何判斷聚類結(jié)果是否良好085
第5章　深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)087
5.1　反向傳播088
5.1.1　反向傳播方法088
5.1.2　廣義Delta規(guī)則088
5.1.3　輸出層權(quán)重更新089
5.1.4　隱藏層權(quán)重更新090
5.1.5　反向傳播網(wǎng)絡(luò)小結(jié)091
5.2　反向傳播算法092
5.3　其他算法094
5.4　TensorFlow094
5.5　遞歸神經(jīng)網(wǎng)絡(luò)099
第6章　時間序列107
6.1　變化的分類107
6.2　包含趨勢的序列分析107
6.2.1　曲線擬合108
6.2.2　從時間序列中去除趨勢109
6.3　包含周期性的序列數(shù)據(jù)分析110
6.4　從時間序列中去除周期性111
6.4.1　濾波111
6.4.2　差分112
6.5　轉(zhuǎn)換112
6.5.1　穩(wěn)定方差112
6.5.2　使周期效應(yīng)累加113
6.5.3　使數(shù)據(jù)呈正態(tài)分布113
6.6　平穩(wěn)時間序列114
6.6.1　平穩(wěn)過程114
6.6.2　自相關(guān)和相關(guān)圖114
6.6.3　自協(xié)方差和自相關(guān)函數(shù)的估計115
6.7　使用Python進(jìn)行時間序列分析116
6.7.1　有用的方法116
6.7.2　自回歸過程118
6.7.3　估計AR過程的參數(shù)119
6.8　混合ARMA模型122
6.9　集成ARMA模型123
6.10　傅里葉變換124
6.11　一個特殊的場景125
6.12　數(shù)據(jù)缺失127
第7章　大數(shù)據(jù)分析129
7.1　Hadoop129
7.1.1　MapReduce編程129
7.1.2　partitioning函數(shù)130
7.1.3　combiner函數(shù)131
7.1.4　HDFS文件系統(tǒng)140
7.1.5　MapReduce設(shè)計模式140
7.2　Spark146
7.3　云分析148
7.4　物聯(lián)網(wǎng)156