电子工业出版社-网上书店

仅仅会Python编程是不够的。想成为一名优秀的数据分析工程师，还需要有全方位、透彻理解问题本质的能力，善于把实际的工作任务拆解成准确的数据问题，并运用相关的知识来解决。本书恰好是从这个角度出发的，它条分缕析地帮助你认识任务的本质，教你从数据的角度来思考、拆解任务，并最终顺利地达成目标。

1 概述 / 1
1.1 何为数据工程师 /  1
1.2 数据分析的流程 /  3
1.3 数据分析的工具  /  11
1.4 大数据的思与辨  /  14
2 关于Python /  17 
2.1 为什么是Python  / 17
2.2 常用基础库  / 19
2.2.1 Numpy  /  19
2.2.2 Pandas  / 26
2.2.3 Scipy /  37
2.2.4 Matplotlib  / 38
3 基础分析  /  43
3.1 场景分析与建模策略  /  43
3.1.1 统计量 / 43 
3.1.2 概率分布 / 48
3.2 实例讲解 /  55
3.2.1 谁的成绩更优秀  /  55
3.2.2 应该库存多少水果  / 57
4 数据挖掘  / 60
4.1 场景分析与建模策略  / 60
4.1.1 分类 / 61
4.1.2 聚类 /  76
4.1.3 回归  /  86
4.1.4 关联规则  / 90 
4.2 数据挖掘的重要概念 / 93
4.2.1 数据预处理   / 93
4.2.2 评估与验证 /97
4.2.3 Bagging 与Adaboost / 99
4.2.4 梯度下降与牛顿法 / 102
4.3 实例讲解  /105
4.3.1 信用卡欺诈监测 / 105
4.3.2 员工离职预判 /110
5 深度学习/ 114
5.1 场景分析与建模策略 / 115
5.1.1 感知机 / 115
5.1.2 自编码器 / 119
5.1.3 限制玻尔兹曼机 /123
5.1.4 深度信念神经网络 / 127
5.1.5 卷积神经网络 / 129
5.2 人工智能应用概况 / 137
5.2.1 深度学习的历史 /137
5.2.2 人工智能的杰作 / 140
5.3 实例讲解 / 146
5.3.1 学习识别手写数字 /  146
5.3.2 让机器认识一只猫  /  151
6 大数据分析 /  160
6.1 常用组件介绍 / 160
6.1.1 数据传输 / 165
6.1.3 数据计算 /  174
6.1.4 数据展示 /  180
6.2 大数据处理架构  / 188
6.2.1 Lambda 架构 / 189
6.2.2 Kappa 架构  / 192
6.2.3 ELK 架构 / 193
6.3 项目设计  / 194
参考文献 / 202

前言
数据分析、数据挖掘、深度学习及云计算，是当前最热门的技术领域。1830年前后，Gauss、Legendre 等数学家奠基了数据分析的基础理论；1943 年，心理学家Warren McCulloch 和数理逻辑学家Walter Pitts 首次提出神经网络；19 世纪80 年代，Hinton、Yann LeCun 等人提出BP 算法及卷积神经网络；2006 年，深度置信网络研究成果发表。至此，数据建模理论研究的宏观大厦已初见雏形。
历史是如此的巧合，正当需要海量数据集和工程技术方案来处理数据时，云计算应运而生。2003 年，谷歌发表关于Google File System、Google Bigtable 及MapReduce 三篇论文，让大数据处理技术风靡全球。以此为基础，2010 年前后，整个云计算的概念及技术体系已经非常完善了。
数据理论的完善、工程技术的发展与无数创意的结合，使得2010 年以后，整个人类社会进入了“数据时代”。无论是精细化运营，还是人工智能产品，对数据的应用无处不在；无论是政府机构，还是私有的大、中、小型企业，使用数据的热情都达到空前的高度。
2014 年，我加入百度公司，从事大数据处理及数据建模等相关工作。回首过往，在该领域的几年中，我经历了云计算从雾里看花到如今的方兴未艾；人工智能的初现端倪到如今的高潮迭起。作为一名前线的数据工程师， 我深刻认识到，对我及大多数工程师而言，既无法像Jeff Dean 等一样提出经典的大数据计算模型；也无法像Hinton、Yann LeCun 一样提出具有深远影响的建模算法。我们所要做的，就是学习与汲取当前的理论与技术，结合应用领域，实现工程应用。这也是我写本书的初衷，希望能从宏观框架上梳理已有的数据分析理论与工程实施技术，并搭建相对系统的知识体系；同时，阐述工作实践中遇到的问题及解决的思路。
Python 简洁易懂的语法、丰富的类库、与大数据组件的无缝集成等诸多特点，使其成为数据工程师的首选编程语言。当然，只是掌握Python 还完全不足以成为顶级数据工程师，因此，本书介绍数据处理知识体系，并以Python 实现相关代码示例，力求让读者能使用Python 完成数据处理的各个环节。
本书的第1 章和第2 章，简要说明了数据处理领域的基本概念，旨在让读者对数据处理工作有宏观的了解。第3 章～第5 章，主要讲述数据分析理论。笔者按照难易程度，将其划分成三个部分，即基础分析、数据挖掘和深度学习。第6章针对大数据分析，介绍了在工程实施过程中需要用到的工程组件和架构模式，并以一个具体的案例说明整个数据工程的实施流程。
本书适合以下读者阅读：① 对人工智能和云计算感兴趣的读者；② 刚进入数据处理领域的IT 工程师；③ 希望从宏观上梳理数据处理知识体系的读者；④ 用Excel、SPSS、Python 做过数据分析的数据分析师；⑤ 应用过HDFS、Kafka等大数据组件的IT 工程师。
本书能够完稿，得益于外界诸多的帮助与指导。感谢数据领域的先驱者Geoffrey Hinton、Yann LeCun、Jeff Dean 等，他们的著作是数据时代最重要的理论依据；感谢在百度工作中遇到杨振宇、李华青、王珉然、陈合等许多优秀的同事和领导，在和他们一起试错、交流的过程中，让我取得巨大的进步；感谢本书的编辑刘皎，在她不厌其烦地督促下，本书才从凌乱的只言片语中编辑成书；特别感谢女友孙万兴，在本书的撰写过程中给予的谅解与支持。

Python>数据分析

黄文青，目前在百度公司任职，从事大数据、机器学习方向的研究与学习。对于如果成为一名数据工程师，有自己独特的理解与实践。

仅仅会Python编程是不够的。想成为一名优秀的数据分析工程师，还需要有全方位、透彻理解问题本质的能力，善于把实际的工作任务拆解成准确的数据问题，并运用相关的知识来解决。__eol__本书恰好是从这个角度出发的，它条分缕析地帮助你认识任务的本质，教你从数据的角度来思考、拆解任务，并最终顺利地达成目标。__eol__

本书配套资源下载

对不起，暂无音视频资源！

Python绝技：运用Python成为顶级数据工程师