人工智能數(shù)據(jù)素養(yǎng)

第1 章 人工智能下的大數(shù)據(jù)時(shí)代 ．． 001
1．1 大數(shù)據(jù)時(shí)代和人工智能 ．001
1．1．1 一切皆為數(shù)據(jù) ．001
1．1．2 數(shù)據(jù)高速增長時(shí)代 ．002
1．1．3 利用人工智能掘金大數(shù)據(jù)．003
1．2 人工智能三要素 004
1．2．1 數(shù)據(jù)――AI 之源 005
1．2．2 算法――AI 之核 006
1．2．3 算力――AI 之驅(qū) 007
1．3 數(shù)據(jù)素養(yǎng) ．007
1．3．1 何為數(shù)據(jù)素養(yǎng) ．007
1．3．2 數(shù)據(jù)素養(yǎng)為何重要 ．010
1．3．3 如何提升數(shù)據(jù)素養(yǎng) ．011
1．4 本章小結(jié) ．012
第2 章 Python 數(shù)據(jù)分析基礎(chǔ) ． 013
2．1 Python 基礎(chǔ) ．013
2．1．1 Python 簡介 013
2．1．2 Python 數(shù)據(jù)類型 017
2．1．3 常用的操作、函數(shù)和方法．021
2．1．4 列表、元組、字典 ．024
2．1．5 順序結(jié)構(gòu) ．027
2．1．6 分支結(jié)構(gòu) ．027
2．1．7 循環(huán)結(jié)構(gòu) ．030
2．2 Python 數(shù)據(jù)分析環(huán)境 ．032
2．2．1 使用pip 安裝數(shù)據(jù)分析相關(guān)庫 ．032
2．2．2 安裝Anaconda 033
2．3 Python 數(shù)據(jù)分析相關(guān)庫 033
2．3．1 NumPy 庫 ．033
2．3．2 Matplotlib 庫 034
2．3．3 SciPy 庫035
2．3．4 Pandas 庫 036
2．3．5 xlrd 庫 036
2．3．6 PyMySQL 庫 037
2．3．7 其他數(shù)據(jù)分析相關(guān)庫 037
2．4 本章小結(jié) 038
第3 章 Jupyter 環(huán)境的使用 ． 039
3．1 Jupyter Notebook 概述 039
3．1．1 Jupyter Notebook 簡介及優(yōu)點(diǎn) 039
3．1．2 Jupyter Notebook 開發(fā)環(huán)境的搭建 039
3．1．3 使用pip 命令安裝 ．044
3．2 認(rèn)識(shí)Jupyter Notebook 044
3．2．1 認(rèn)識(shí)Files、Running、Clusters 頁面 ．044
3．2．2 認(rèn)識(shí)Jupyter Notebook 的主頁面 046
3．3 新建、運(yùn)行、保存Jupyter Notebook 文件 048
3．3．1 新建一個(gè)Jupyter Notebook ．048
3．3．2 運(yùn)行代碼 049
3．3．3 重命名Jupyter Notebook 文件 ．049
3．3．4 保存Jupyter Notebook 文件 050
3．4 處理不同類型的數(shù)據(jù) ．050
3．4．1 處理txt 文件 050
3．4．2 處理CSV 文件 ．052
3．4．3 處理Excel 文件 053
3．4．4 處理sql 文件 ．053
3．5 在Markdown 中使用LaTeX 輸入數(shù)學(xué)公式 ．054
3．5．1 使用LaTeX 輸入一個(gè)數(shù)學(xué)公式 054
3．5．2 LaTeX 的2 種公式格式 ．055
3．5．3 常用數(shù)學(xué)公式的寫法 056
3．6 Jupyter Notebook 應(yīng)用實(shí)例解析 ．058
3．6．1 實(shí)例1：能力六維雷達(dá)圖的繪制 058
3．6．2 實(shí)例2：詞頻統(tǒng)計(jì) 059
3．7 本章小結(jié) ．060
第4 章 探索數(shù)據(jù)  062
4．1 走進(jìn)數(shù)據(jù)的世界 062
4．1．1 定義數(shù)據(jù) ．062
4．1．2 數(shù)據(jù)的分類 063
4．1．3 深挖數(shù)據(jù)的4 種能力 065
4．1．4 善用指標(biāo)分析問題 ．067
4．2 數(shù)據(jù)的評(píng)估 069
4．2．1 指標(biāo)真的可靠嗎 069
4．2．2 統(tǒng)計(jì)數(shù)據(jù)會(huì)“說謊” 071
4．3 數(shù)據(jù)怎么用 072
4．3．1 數(shù)據(jù)清洗 ．072
4．3．2 數(shù)據(jù)的標(biāo)準(zhǔn)化 ．076
4．4 本章小結(jié) ．078
第5 章 描述統(tǒng)計(jì)  079
5．1 數(shù)據(jù)集中趨勢 ．079
5．1．1 均值的定義與應(yīng)用 ．079
5．1．2 中位數(shù)的定義與應(yīng)用 081
5．1．3 眾數(shù)的定義與應(yīng)用 ．083
5．1．4 案例分析 ．085
5．2 數(shù)據(jù)離散程度 ．087
5．2．1 極差的定義與應(yīng)用 ．088
5．2．2 方差的定義與應(yīng)用 ．090
5．3 本章小結(jié) 091
第6 章 推斷統(tǒng)計(jì) ． 092
6．1 基礎(chǔ)知識(shí)要點(diǎn) 092
6．1．1 排列與組合 ．092
6．1．2 隨機(jī)事件及其概率 ．095
6．2 概率分布及其特征 095
6．2．1 二項(xiàng)分布 096
6．2．2 正態(tài)分布 098
6．3 統(tǒng)計(jì)量 ．104
6．3．1 總體與樣本 ．105
6．3．2 參數(shù)估計(jì) 109
6．3．3 假設(shè)檢驗(yàn) 112
6．4 本章小結(jié) 116
第7 章 數(shù)據(jù)可視化 ． 117
7．1 什么是數(shù)據(jù)可視化 117
7．1．1 數(shù)據(jù)可視化的定義和意義 117
7．1．2 數(shù)據(jù)可視化的發(fā)展歷史 ．118
7．2 圖形對(duì)象與元素 ．119
7．2．1 如何建立坐標(biāo)系121
7．2．2 如何設(shè)置坐標(biāo)軸的文本和圖例 122
7．3 可視化色彩的運(yùn)用原理 123
7．3．1 RGB 顏色模式 123
7．3．2 HSL 顏色模式 124
7．3．3 顏色搭配的技巧和案例 ．124
7．4 圖表的基本類型 ．126
7．4．1 如何繪制柱形圖126
7．4．2 如何繪制散點(diǎn)圖127
7．4．3 如何繪制餅形圖129
7．4．4 如何繪制折線圖 130
7．5 數(shù)據(jù)分析及可視化案例 ．132
7．5．1 數(shù)據(jù)可視化經(jīng)典案例 132
7．5．2 非結(jié)構(gòu)化數(shù)據(jù)的可視化案例 132
7．6 常見的數(shù)據(jù)可視化流程 ．133
7．7 本章小結(jié) ．133
第8 章 NumPy 數(shù)組  134
8．1 NumPy 庫簡介 134
8．2 NumPy 數(shù)組的生成 134
8．2．1 生成一般數(shù)組 ．135
8．2．2 生成特殊數(shù)組 ．136
8．2．3 生成隨機(jī)數(shù)組 ．138
8．3 NumPy 數(shù)組基礎(chǔ) ．140
8．3．1 NumPy 數(shù)組的基本屬性 ．140
8．3．2 數(shù)組索引：獲取單個(gè)元素．141
8．3．3 數(shù)組切片：獲取子數(shù)組 ．141
8．4 NumPy 數(shù)組重塑 ．143
8．4．1 NumPy 數(shù)組的變形 144
8．4．2 NumPy 數(shù)組的轉(zhuǎn)置和換軸 144
8．4．3 NumPy 數(shù)組的拼接與分裂 146
8．5 NumPy 庫中的線性代數(shù) 147
8．5．1 矩陣乘法 ．147
8．5．2 行列式 148
8．5．3 求線性方程的解 148
8．6 通用函數(shù) ．150
8．6．1 一元通用函數(shù) ．150
8．6．2 二元通用函數(shù) ．150
8．6．3 廣播 ．152
8．7 常用的數(shù)據(jù)分析函數(shù) 154
8．7．1 條件函數(shù) ．154
8．7．2 聚合函數(shù) 154
8．7．3 快速排序 156
8．7．4 唯一值與其他集合邏輯 ．157
8．8 本章小結(jié) 158
第9 章 時(shí)間序列數(shù)據(jù) ． 159
9．1 時(shí)間序列的定義及分類 159
9．1．1 時(shí)間序列的定義159
9．1．2 時(shí)間序列的分類159
9．2 時(shí)間序列的描述性分析 162
9．2．1 圖形描述 162
9．2．2 增長率分析 ．163
9．3 時(shí)間序列的預(yù)測 ．164
9．3．1 確定時(shí)間序列成分 ．165
9．3．2 選擇預(yù)測方法 166
9．3．3 預(yù)測方法評(píng)估 167
9．4 平穩(wěn)時(shí)間序列的預(yù)測 ．169
9．4．1 簡單平均法 ．169
9．4．2 移動(dòng)平均法 ．170
9．4．3 指數(shù)平滑法 ．171
9．5 趨勢型和復(fù)合型時(shí)間序列的預(yù)測 ．172
9．5．1 線性趨勢預(yù)測 172
9．5．2 非線性趨勢預(yù)測173
9．5．3 復(fù)合型時(shí)間序列的分解預(yù)測 ．174
9．6 使用Python 處理時(shí)間序列數(shù)據(jù) ．174
9．6．1 時(shí)間序列數(shù)據(jù)處理工具的選擇 175
9．6．2 時(shí)間序列數(shù)據(jù)的導(dǎo)入 175
9．6．3 時(shí)間序列數(shù)據(jù)預(yù)處理 176
9．6．4 時(shí)間序列數(shù)據(jù)處理 ．177
9．7 本章小結(jié) 185
第10 章 文本數(shù)據(jù)  186
10．1 文本數(shù)據(jù)的導(dǎo)入 186
10．1．1 文本數(shù)據(jù)與自然語言處理 ．186
10．1．2 分詞 ．187
10．2 文本數(shù)據(jù)的處理 189
10．2．1 文本特征初探 189
10．2．2 文本信息的提取 ．194
10．2．3 文本向量化 ．198
10．3 文本分析的應(yīng)用 200
10．3．1 文本分類 200
10．3．2 文本情感分析 201
10．4 本章小結(jié) ．204
第11 章 回歸分析  205
11．1 叩響人工智能之門 205
11．1．1 人工智能與機(jī)器學(xué)習(xí) ．205
11．1．2 工欲善其事，必先利其器 ．208
11．1．3 算法，該“出道”了 ．208
11．2 萬朝歸宗：線性回歸 ．209
11．2．1 一元之道 210
11．2．2 從一元到多元 216
11．2．3 學(xué)習(xí)和工作中的線性回歸 ．218
11．3 回歸增強(qiáng)術(shù) 221
11．3．1 非線性回歸 ．221
11．3．2 可分類的回歸 224
11．3．3 能降維的回歸 227
11．4 本章小結(jié) ．228
第12 章 聚類分析  229
12．1 數(shù)據(jù)之眼看聚類 229
12．1．1 什么是聚類 229
12．1．2 人工智能的未來：無監(jiān)督學(xué)習(xí) 231
12．1．3 距離產(chǎn)生美 232
12．2 K 均值聚類 234
12．2．1 K 均值聚類的思想 ．234
12．2．2 抽絲剝繭K 均值 234
12．2．3 鳶尾花的K 均值聚類 238
12．3 案例：數(shù)據(jù)下的省、區(qū)、市 ．240
12．3．1 提出問題 ．240
12．3．2 數(shù)據(jù)獲取與處理 241
12．3．3 建模分析與結(jié)果 242
12．4 本章小結(jié) 244
第13 章 數(shù)據(jù)素養(yǎng)綜合案例  245
13．1 綜合案例1：利用人工智能爬取大數(shù)據(jù)，輕松掌握股市動(dòng)態(tài) 245
13．1．1 認(rèn)識(shí)人工智能網(wǎng)絡(luò)爬蟲 ．245
13．1．2 爬取股市大數(shù)據(jù)，分析需求 ．246
13．1．3 爬取股市大數(shù)據(jù)案例 246
13．2 綜合案例2：人工智能數(shù)據(jù)――體型分析 251
13．2．1 K 最鄰近分類算法原理251
13．2．2 使用KNN 分類算法對(duì)體型進(jìn)行分類的案例 253
13．3 其他案例集 254
13．3．1 計(jì)算生肖和星座 254
13．3．2 猜數(shù)游戲 255
13．3．3 二維列表排序 255
13．3．4 學(xué)生信息錄入 255
13．3．5 打印回文素?cái)?shù)（合數(shù)）256
13．3．6 數(shù)據(jù)庫加密 256
13．3．7 計(jì)算圓臺(tái)的體積和表面積 256
13．4 本章小結(jié) 257