互联网
类型
可以朗读
语音朗读
215千字
字数
2024-08-01
发行日期
展开全部
主编推荐语
教你使用ChatGPT进行Python数据分析与挖掘实操。
内容简介
从读者对象的角度看，本书既大大降低了没有编程经验的读者学习Python数据分析的门槛，又为有经验的Python数据分析师提供了大量实用的AI数据分析技巧，帮助他们快速转型为具备AI能力的数据分析师。
从核心内容的角度看，本书不仅讲解了如何在数据预处理、数据清洗、数据可视化等基础的数据分析环节使用AI工具，而且还讲解了如何在聚类分析、预测分析等高级的数据建模环节使用AI工具。
本书采用由浅入深的写作方式，既确保了内容的可理解性，又保持了足够的深度，配有详细的代码示例和实践指导，确保每位读者能够轻松上手并从中获益，提升自己的分析效率和洞察能力。
本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与实践结合，注重实用性和可操作性，帮助读者快速掌握核心知识。提供丰富的实际案例和操作指南，涵盖多种AI工具和交互技巧，确保读者能够学以致用。
目录
- 版权信息
- 前言
- 第1章 数据分析及ChatGPT概述
- 1.1 数据分析概述
- 1.1.1 用ChatGPT快速了解数据分析
- 1.1.2 数据分析与数据挖掘
- 1.1.3 机器学习算法概述
- 1.2 常用AIGC工具的注册及使用
- 1.2.1 如何使用OpenAI的GPT-3.5
- 1.2.2 如何使用百度的文心一言
- 1.2.3 如何使用科大讯飞的星火认知大模型
- 1.3 使用ChatGPT辅助工具安装
- 1.3.1 Anaconda的安装
- 1.3.2 Jupyter Notebook的使用
- 1.4 使用ChatGPT辅助Python入门
- 1.4.1 使用ChatGPT学习Python数据对象
- 1.4.2 使用ChatGPT学习NumPy
- 1.4.3 使用ChatGPT学习Pandas
- 1.5 本章小结
- 第2章 使用ChatGPT学习数据操作
- 2.1 使用ChatGPT学习数据的基本管理
- 2.1.1 数据去重
- 2.1.2 数据排序
- 2.1.3 数据合并
- 2.1.4 数据分箱
- 2.2 使用ChatGPT学习描述统计分析
- 2.2.1 描述统计分析概述
- 2.2.2 中心趋势分析
- 2.2.3 离散程度分析
- 2.2.4 分布形状分析
- 2.2.5 频数分布分析
- 2.3 使用ChatGPT学习中文文本操作
- 2.3.1 Jieba分词
- 2.3.2 添加自定义词典
- 2.3.3 关键词提取
- 2.3.4 词性标注
- 2.4 使用ChatGPT学习图像数据操作
- 2.4.1 图像的读取、显示及保存
- 2.4.2 图像像素的获取和编辑
- 2.4.3 图像的几何变换操作
- 2.5 本章小结
- 第3章 使用ChatGPT学习数据预处理
- 3.1 使用ChatGPT学习数据抽样
- 3.1.1 常用的数据抽样方法
- 3.1.2 简单随机抽样
- 3.1.3 数据分区
- 3.1.4 分层随机抽样
- 3.1.5 数据类失衡处理
- 3.2 使用ChatGPT学习数据清洗
- 3.2.1 缺失值的识别及处理
- 3.2.2 异常值的识别及处理
- 3.3 使用ChatGPT学习数据变换
- 3.3.1 数据标准化处理
- 3.3.2 数据独热编码处理
- 3.4 本章小结
- 第4章 使用ChatGPT学习数据静态可视化
- 4.1 使用ChatGPT了解数据可视化工具
- 4.2 使用ChatGPT学习Matplotlib数据可视化
- 4.2.1 Matplotlib绘图基础
- 4.2.2 使用Matplotlib绘制图形
- 4.3 使用ChatGPT学习Pandas数据可视化
- 4.3.1 Pandas绘图方法
- 4.3.2 使用Pandas绘制图形
- 4.4 使用ChatGPT学习Seaborn数据可视化
- 4.4.1 Seaborn绘图方法
- 4.4.2 使用Seaborn绘制图形
- 4.5 使用ChatGPT学习plotnine数据可视化
- 4.5.1 plotnine绘图方法
- 4.5.2 使用plotnine绘制图形
- 4.6 本章小结
- 第5章 使用ChatGPT学习交互数据可视化
- 5.1 使用ChatGPT学习Plotly数据可视化
- 5.1.1 Plotly交互可视化绘图方法
- 5.1.2 使用graph_objs进行交互可视化
- 5.1.3 使用express进行交互可视化
- 5.2 使用ChatGPT学习Bokeh数据可视化
- 5.2.1 Bokeh交互可视化绘图方法
- 5.2.2 使用Bokeh进行交互可视化
- 5.3 使用ChatGPT学习Pyecharts数据可视化
- 5.3.1 Pyecharts交互可视化绘图方法
- 5.3.2 使用Pyecharts进行交互可视化
- 5.4 本章小结
- 第6章 使用ChatGPT学习聚类分析
- 6.1 使用ChatGPT了解无监督学习
- 6.2 聚类分析方法概述
- 6.3 k均值聚类
- 6.3.1 k均值聚类的原理
- 6.3.2 k均值聚类的Python实现
- 6.3.3 案例：对iris数据集进行k均值聚类
- 6.3.4 使用统计方法寻找最佳聚类簇数
- 6.4 层次聚类
- 6.4.1 层次聚类的原理
- 6.4.2 层次聚类的Python实现
- 6.4.3 案例：对USArrests数据集进行层次聚类
- 6.4.4 使用轮廓系数寻找最佳聚类簇数
- 6.5 密度聚类
- 6.5.1 密度聚类的原理
- 6.5.2 密度聚类的Python实现
- 6.5.3 案例：对multishapes数据集进行密度聚类
- 6.6 本章小结
- 第7章 使用ChatGPT学习降维算法及关联规则分析
- 7.1 使用ChatGPT了解降维算法
- 7.2 主成分分析
- 7.2.1 主成分分析的原理
- 7.2.2 主成分分析的Python实现
- 7.2.3 案例：对iris数据集进行主成分分析
- 7.3 关联规则分析
- 7.3.1 关联规则分析的原理
- 7.3.2 关联规则分析的Python实现
- 7.3.3 案例：对用户购买物品的行为进行关联规则分析
- 7.4 本章小结
- 第8章 使用ChatGPT学习回归分析
- 8.1 使用ChatGPT了解常用的有监督学习算法
- 8.2 一元线性回归
- 8.2.1 一元线性回归的原理
- 8.2.2 使用scikit-learn实现一元线性回归
- 8.2.3 案例：对women数据集进行一元线性回归
- 8.3 多元线性回归
- 8.3.1 多元线性回归的原理
- 8.3.2 案例：对个人医疗费用进行多元线性回归
- 8.4 对自变量中有定性变量的数据集进行线性回归
- 8.4.1 对自变量中有定性变量的数据集建立线性回归模型
- 8.4.2 回归模型的效果评估
- 8.5 通过逐步回归寻找最优模型
- 8.6 逻辑回归
- 8.6.1 逻辑回归的原理
- 8.6.2 逻辑回归的Python实现
- 8.6.3 案例：对iris数据集进行逻辑回归
- 8.7 本章小结
- 第9章 使用ChatGPT学习决策树算法及随机森林算法
- 9.1 决策树算法的原理
- 9.1.1 决策树算法概述
- 9.1.2 常用的决策树算法
- 9.2 决策树算法的Python实现
- 9.2.1 实现决策树算法的常用库
- 9.2.2 基于scikit-learn实现决策树分类
- 9.3 案例：对iris数据集进行决策树分类
- 9.3.1 构建决策树
- 9.3.2 查看生成的决策规则
- 9.3.3 决策树可视化
- 9.3.4 绘制决策边界
- 9.4 案例：对乳腺癌数据集进行决策树分类
- 9.4.1 构建决策树分类模型
- 9.4.2 对决策树分类模型进行调优
- 9.5 随机森林算法的原理及实现
- 9.5.1 常用的集成学习算法
- 9.5.2 基于scikit-learn实现随机森林分类
- 9.5.3 案例：对乳腺癌数据集进行随机森林分类
- 9.6 本章小结
- 第10章 使用ChatGPT学习k近邻算法及支持向量机算法
- 10.1 k近邻算法的原理
- 10.1.1 k近邻算法的思想
- 10.1.2 k近邻算法的推导过程
- 10.1.3 距离的度量方法
- 10.2 k近邻算法的Python实现
- 10.2.1 基于scikit-learn实现k近邻分类
- 10.2.2 案例：对乳腺癌数据集进行k近邻分类
- 10.3 支持向量机算法的原理
- 10.3.1 了解支持向量机
- 10.3.2 常见的支持向量机模型
- 10.4 支持向量机算法的Python实现
- 10.4.1 基于scikit-learn实现支持向量机分类
- 10.4.2 案例：对乳腺癌数据集进行支持向量机分类
- 10.5 本章小结
- 第11章 使用ChatGPT学习神经网络算法
- 11.1 神经网络算法的理论基础
- 11.1.1 了解神经网络算法
- 11.1.2 神经网络的拓扑结构
- 11.1.3 常用的激活函数
- 11.1.4 常用的神经网络模型
- 11.2 前馈神经网络
- 11.2.1 了解前馈神经网络
- 11.2.2 前馈神经网络的scikit-learn实现
- 11.2.3 案例：对乳腺癌数据集进行前馈神经网络分类
- 11.3 卷积神经网络
- 11.3.1 卷积神经网络的原理
- 11.3.2 卷积层的原理
- 11.3.3 卷积层的TensorFlow实现
- 11.3.4 池化层的原理
- 11.3.5 池化层的TensorFlow实现
- 11.3.6 全连接层
- 11.3.7 案例：使用卷积神经网络实现手写数字识别
- 11.4 本章小结
- 第12章 使用ChatGPT学习模型性能评估及优化
- 12.1 模型性能评估
- 12.1.1 数值预测的评估方法及其scikit-learn实现
- 12.1.2 分类预测的评估方法及其scikit-learn实现
- 12.2 模型参数优化
- 12.2.1 正则化
- 12.2.2 数据分区
- 12.2.3 K折交叉验证
- 12.2.4 网格搜索
- 12.2.5 Dropout
- 12.2.6 梯度下降法
- 12.3 案例：对乳腺癌数据集寻找最优模型
- 12.4 本章小结
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
机械工业出版社
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
