互联网 类型
可以朗读 语音朗读
165千字 字数
2023-03-01 发行日期
展开全部

主编推荐语

《KNIME视觉化数据分析》: 探讨数据分析基本概念与流程，介绍KNIME节点并标记难度，让新手更快学习。

内容简介

《KNIME视觉化数据分析》与读者一同探讨和思考数据分析的基本概念、需求、方案等问题，并以 KNIME 为工具，展示数据分析的具体流程。
《KNIME视觉化数据分析》对 KNIME 中的众多节点进行了介绍，对各节点的难度和重要性进行了标记，以便新手更快地学习，对节点的覆盖性说明和一些高级内容，会让读者更深入地了解和使用KNIME。

目录

  • 版权信息
  • 内容简介
  • 自序
  • 第1章 数据分析方法论
  • 1.1 基本要求与基础概念
  • 1.1.1 目标读者
  • 1.1.2 楔子
  • 1.1.3 厘清谁是数据的所有者
  • 1.1.4 成为科学家还是工程师
  • 1.2 方法论
  • 1.2.1 你的问题是什么
  • 1.2.2 问题的解空间
  • 1.2.3 科学方法
  • 1.2.4 “然后呢”
  • 1.2.5 CRISP-DM数据挖掘的跨行业标准流程
  • 1.3 后续内容
  • 第2章 KNIME使用基础
  • 2.1 权衡数据分析的需求与解决方案
  • 2.1.1 制定实施方案
  • 2.1.2 案例：一次关于工具选型的聊天
  • 2.2 KNIME简介、生态圈和资源
  • 2.2.1 KNIME简介
  • 2.2.2 当我们提到KNIME时，具体是指什么
  • 2.2.3 KNIME的相关资源
  • 2.3 安装KNIME及其扩展
  • 2.3.1 安装KNIME分析平台
  • 2.3.2 启动KNIME
  • 2.3.3 安装KNIME扩展
  • 2.3.4 卸载KNIME扩展
  • 2.4 KNIME的使用
  • 2.4.1 关于KNIME界面
  • 2.4.2 KNIME使用简介
  • 2.4.3 导入和导出现有工作流
  • 2.4.4 例子服务器及Hub的使用
  • 2.5 遇到问题怎么办
  • 第3章 KNIME数据分析基础
  • 3.1 数据来源及轮廓
  • 3.1.1 了解原始数据来源
  • 3.1.2 了解轮廓，进行探索性分析
  • 3.1.3 一个好例子
  • 3.1.4 房价例子
  • 3.2 计算机如何处理表格数据
  • 3.2.1 基础数据操作
  • 3.2.2 展示示例数据
  • 3.2.3 具体的小问题
  • 3.3 基础操作之读取数据源
  • 3.3.1 读取文件
  • 3.3.2 读取数据库
  • 3.3.3 导入之前的数据
  • 3.4 基础操作之挑选（select）操作
  • 3.4.1 了解完备概念
  • 3.4.2 你会几种编程语言
  • 3.4.3 回顾之前的问题
  • 3.4.4 SQL中的挑选操作
  • 3.4.5 KNIME中的挑选操作
  • 3.5 基础操作之CASE、group by和join
  • 3.5.1 条件操作、缺失值和排序
  • 3.5.2 分组操作——group by
  • 3.5.3 子查询——subquery
  • 3.5.4 连接操作——join
  • 3.5.5 使用KNIME完成之前的问题
  • 3.6 了解KNIME中的重要概念
  • 3.6.1 了解路径
  • 3.6.2 了解节点基础
  • 第4章 KNIME基础节点——数据访问类型
  • 4.1 IO节点集合
  • 4.1.1 Read（读）目录下的节点
  • 4.1.2 File Folder Utility（文件、文件夹工具）目录下的节点
  • 4.1.3 Other（其他）目录下的节点
  • 4.1.4 文件处理节点的补充说明
  • 4.2 DB节点集合
  • 4.2.1 Connection（连接）目录下的节点
  • 4.2.2 获取数据的两种模式
  • 4.2.3 Query（查询）目录下的节点
  • 4.2.4 Read/Write（读/写）目录下的节点
  • 4.2.5 Utility（工具）目录下的节点
  • 4.3 JSON、XML类型
  • 4.3.1 JSON格式介绍与解析
  • 4.3.2 XML格式介绍与解析
  • 4.3.3 JSON与XML的相应节点
  • 4.4 Web相关节点
  • 4.5 NoSQL相关节点
  • 4.6 网络数据访问
  • 4.6.1 网络数据简要说明
  • 4.6.2使用GET/POST Request节点
  • 4.6.3 其他
  • 第5章 KNIME基础节点——转换类型
  • 5.1 Column（列）处理节点集合
  • 5.1.1 Binning（分桶）目录下的节点
  • 5.1.2 Convert & Replace（转换 & 替换）目录下的节点
  • 5.1.3 Filter（过滤）目录下的节点
  • 5.1.4 Split & Combine（分割与组合）目录下的节点
  • 5.1.5 Transform（转换）目录下的节点
  • 5.1.6 其他的列处理节点
  • 5.2 Row（行）处理节点集合
  • 5.2.1 Filter（过滤）目录下的节点
  • 5.2.2 Transform（转换）目录下的节点
  • 5.2.3 GroupBy（分组聚合）节点
  • 5.2.4 Pivoting（转轴或透视）节点
  • 5.2.5 其他行处理节点
  • 5.3 Table（表）处理节点集合
  • 5.4 PMML节点集合
  • 5.5 时间数据类型相关操作
  • 第6章 KNIME基础节点——分析和数据挖掘类型
  • 6.1 机器学习简述
  • 6.1.1 监督学习和非监督学习
  • 6.1.2 基本概念和约定
  • 6.1.3 模型选择、超参优化及错误分析
  • 6.2 Analytics节点集合
  • 6.2.1 学习器（Learner）和预测器（Predictor）
  • 6.2.2 Feature Selection（特征选择）节点
  • 6.2.3 Scoring（记分）目录下的节点
  • 6.2.4 Statistics（统计）类节点
  • 6.2.5 Distance Calculation（距离计算）类节点
  • 6.3 探索性数据分析（EDA）练习
  • 6.3.1 泰坦尼克号
  • 6.3.2 数据探索
  • 6.3.3 对原始数据进行粗略观察
  • 6.3.4 进一步观察数据
  • 6.4 简单的机器学习练习——使用KNIME中的决策树算法
  • 第7章 进阶话题——流变量与控制循环结构
  • 7.1 流变量从入门到精通
  • 7.1.1 了解流变量
  • 7.1.2 生成流变量
  • 7.1.3 使用流变量
  • 7.1.4 流变量的操作
  • 7.1.5 流变量的特别使用方式
  • 7.2 循环（Loop）结构
  • 7.2.1 两种Loop End（循环结束）节点
  • 7.2.2 递归循环
  • 7.2.3 循环的调试
  • 7.2.4 和流变量有关的循环
  • 7.2.5 其他循环
  • 7.3 分支（Switches）结构
  • 7.3.1 IF Switch节点
  • 7.3.2 Java IF（Table）节点
  • 7.3.3 CASE Switch类节点
  • 7.3.4 Empty Table Switch（空表切换）节点
  • 7.3.5 其他说明
  • 7.4 错误处理
  • 7.4.1 Try…Catch结构
  • 7.4.2 举例：循环中的Try...Catch结构
  • 7.4.3 其他
  • 第8章 进阶话题——数据可视化、模块化与编程节点
  • 8.1 数据可视化
  • 8.1.1 数据可视化简介
  • 8.1.2 KNIME中的可视化节点简介
  • 8.1.3 以折线图（Line Plot）为例介绍可视化相关节点
  • 8.1.4 其他可视化图表
  • 8.1.5 通用可视化节点——Generic JavaScript View
  • 8.2 模块化
  • 8.2.1 KNIME模块化简史
  • 8.2.2 元节点（Metanode）
  • 8.2.3 组件（Component）
  • 8.2.4 其他建议
  • 8.3 生成报告
  • 8.4 Java相关节点
  • 8.4.1 Java Snippet（simple）节点
  • 8.4.2 Java Snippet Row Filter（Java行过滤器）节点
  • 8.4.3 Java Snippet节点
  • 8.5 Python相关节点
  • 8.5.1 Python环境配置
  • 8.5.2 KNIME中的Python
  • 8.5.3 Python相关节点介绍
  • 8.5.4 与Jupyter交互
  • 8.5.5 Conda的常用命令
  • 第9章 高级话题
  • 9.1 可复现性与测试
  • 9.2 深度学习介绍
  • 9.2.1 基于Keras的深度学习
  • 9.2.2 基于TensorFlow 2的深度学习
  • 9.2.3 使用现有模型进行预测
  • 9.2.4 使用深度学习的其他方式
  • 9.3 时间序列分析介绍
  • 9.3.1 想要预测什么
  • 9.3.2 时间图（Time Plot）
  • 9.3.3 季节图（Seasonal Plot）
  • 9.3.4 季节性子图（Seasonal Subseries Plot）
  • 9.3.5 箱形图（Box Plot）
  • 9.3.6 散点图（Scatter Plot）
  • 9.3.7 滞后图（Lag Plot）
  • 9.3.8 自相关图（Auto Correlation Plot）与偏自相关图（Partial autocorrelation function Plot）
  • 9.3.9 时间序列的组成
  • 9.3.10 时间序列的预处理
  • 9.3.11 趋势（Trend）成分
  • 9.3.12 季节性（Seasonal）成分
  • 9.3.13 周期性（Cyclic）成分
  • 9.3.14 经典的统计学方法
  • 9.4 扩展开发介绍
  • 9.5（机器学习的）集成部署（Integrated Deployment）
  • 9.5.1 概述
  • 9.5.2 使用举例
  • 9.6 KNIME Server、Executor与Edge简介
  • 9.6.1 架构简介
  • 9.6.2 功能简介
展开全部

评分及书评

尚无评分
目前还没人评分
  • 加载中...

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。