首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >极简Python:数据分析与机器学习最小化知识库

极简Python:数据分析与机器学习最小化知识库

作者头像
用户1682855
发布2020-05-11 17:44:28
6310
发布2020-05-11 17:44:28
举报
文章被收录于专栏:前沿技墅前沿技墅

我们正处于一个数据科技(Data Technology,DT)时代。在这个时代,我们的一举一动都能在数据空间留下电子印记,于是海量的社交、电商、科研大数据扑面而来。然而,太多的数据给人们带来的,可能并不是更多的洞察,反而是迷失。

因为仅就数据本身而言,它们是“一无所知”的。数据的价值,在于形成信息,变成知识,乃至升华为智慧。也就是说,这些数据如果不能进一步被“深加工”,即使数据量再“大”,也意义甚小。

于是,就派生出这么一个问题:这些数据,由谁来深加工?其实,早在2012年,《哈佛商业评论》就刊登了一篇文章并给出了答案,进行数据深加工的人就是“数据科学家”。文章还断言,数据科学家是21世纪最“性感”的职业。

但如何成为一名数据科学家,尤其是一名“性感”的数据科学家呢?

埃里克·莱斯(Eric Ries)曾写过一本有关创业的书,书名是《精益创业》(The Lean Startup)。这本书中有一个概念深入人心,那就是“最小可行产品”(Minimum Viable Product,MVP)。围绕这个概念,创业者在创业初期不可贪多求全,而应该先做出一个最小的可用产品,拿到市场上去检验,然后根据反馈反复迭代,打磨升级,最终做出比较完善、比较成功的产品。

后来,有人提出类似概念MAKE——最少必要知识,Minimal ActionableKnowledge and Experience。这个概念让人恍然大悟!“如何成为一名数据科学家”这个问题的答案也几乎呼之欲出——You can MAKE it!

先来说说什么是MAKE。它指的是入门某个新领域切实可行的最小知识集合。MAKE说起来好像比较高级,但实际上,它背后有一个支撑它的朴素原则——Pareto原则(亦称80-20原则),即80%的工作问题可以通过掌握20%的知识来解决。

同样,想成为一名“性感”的数据科学家,一条路自然是按部就班地学习所有技能——十年磨一剑,但这样做的风险在于,当你“携剑下山”时,别人可能已经用上了飞机、大炮。这样的对垒,你胜算几何?

其实还有另一条备选之路,那就是走一走MAKE之道。在学习某项技能(如Python、数据分析、机器学习)时,我们要想办法在最短的时间内,摸索清楚这项技能的“最少必要知识”。一方面,它已然可以帮我们解决工作中的大部分问题;另一方面,入门之后,技能的提升通道可以在实践中寻得,缺啥补啥。有明确的任务导向,学习就会有如神助,这也是当前时代的快节奏学习法。

《Python极简讲义:一本书入门数据分析与机器学习》这本书的定位就是,为初学者提供关于数据科学的“最少必要知识”,从而让你获得那份最“性感”的工作。这些知识包含了成为数据科学家所需要掌握的基础内容——Python编程、数据分析、机器学习。

这本书共分10章,涉及的知识点很多,但精而不杂,层层递进。就像上面所提到的,这些知识点就是入门数据分析与机器学习的“最少必要知识”。按照大的范围来看,这本书涉及的内容大概可以分为三个维度:Python语法及技巧、数据分析必备技能、机器学习相关知识。具体来说,每一章的内容简介如下。

  • 第1章 初识Python与Jupyter:Python是最具人气的编程语言之一,Jupyter是人气与口碑俱佳的Python开发平台。本章将介绍Python和Jupyter的基本内容,包括Python的安装与运行,以及文学化编程利器Jupyter的使用方法。
  • 第2章 数据类型与程序控制结构:本章将介绍Python的基础语法及常见的数据类型,包括数值型、布尔类型、字符串型、列表、元组、字典、集合等。此外,本章还将介绍三种程序控制结构(顺序结构、选择结构和循环结构)和高效的推导式。
  • 第3章 自建Python模块与第三方模块:本章将介绍Python的自定义模块及常用的第三方模块,包括collection、datetime、json、random等模块。
  • 第4章 Python函数:本章将讨论Python的函数定义、函数参数(关键字参数、可变参数、默认参数等)的“花式”传递、函数的递归调用,以及函数式编程。
  • 第5章 Python高级特性:本章将介绍Python中的一些高阶应用,这些高阶应用能让我们更高效地写出更专业的Python代码。本章内容涉及面向对象程序设计思想、生成器与迭代器、文件操作、异常处理及错误调试等。
  • 第6章 NumPy向量计算:本章将讨论NumPy数组的构建、方法和属性,介绍NumPy的广播机制、布尔索引、数组的堆叠,以及爱因斯坦求和约定等。
  • 第7章 Pandas数据分析:Pandas是数据分析的利器,本章将主要介绍Pandas的两种常用数据处理结构:Series和DataFrame。同时介绍基于Pandas的文件读取与分析,涉及数据的清洗、条件过滤、聚合与分组等。
  • 第8章 Matplotlib与Seaborn可视化分析:Matplotlib和Seaborn是非常好用的数据可视化包,本章将主要介绍Matplotlib和Seaborn的基本用法,并基于此绘制可视化图形,包括散点图、条形图、直方图、饼图等。同时,本章将以谷歌流感趋势数据为例,结合Pandas进行可视化分析。
  • 第9章 机器学习初步:本章将主要介绍有关机器学习的初步知识,包括机器学习的定义,机器学习的几个主要流派,并讨论机器学习模型的性能评估指标,包括混淆矩阵、查准率、查全率、P-R曲线、ROC曲线等。
  • 第10章 sklearn与经典机器学习算法:本章将主要讲解知名机器学习框架sklearn的用法,并介绍几种经典机器学习算法的原理和实战,这些算法包括线性回归、k-近邻算法、Logistics回归、神经网络学习算法、k均值聚类算法等。

通过阅读这本书,不仅可以走好MAKE之道,还能找到一条不错的人工智能学习曲线!赶紧读起来吧!

本文节选自博文视点新书《Python极简讲义:一本书入门数据分析与机器学习》。本书秉承零入门、可读性高和注重实战的理念,全面覆盖 NumPy、Pandas、Matplolib、Seaborn、sklearn 等入门数据科学的必备知识。直击左下阅读原文,破“门”而入,有如神助!

内容简介本书以图文并茂的方式介绍了Python的基础内容,并深入浅出地介绍了数据分析和机器学习领域的相关入门知识。第1章至第5章以极简方式讲解了Python的常用语法和使用技巧,包括数据类型与程序控制结构、自建Python模块与第三方模块、Python函数和面向对象程序设计等。第6章至第8章介绍了数据分析必备技能,如NumPy、Pandas和Matplotlib。第9章和第10章主要介绍了机器学习的基本概念和机器学习框架sklearn的基本用法。对人工智能相关领域、数据科学相关领域的读者而言,本书是一本极简入门手册。对于从事人工智能产品研发的工程技术人员,本书亦有一定的参考价值。

作者简介:张玉宏,大数据分析师(高级),2012年于电子科技大学获得博士学位,2009—2011年美国西北大学访问学者,2019—2020年美国IUPUI高级访问学者,YOCSEF郑州2018—2020年度副主席。现执教于河南工业大学,主要研究方向为大数据、机器学习。发表学术论文30余篇,先后撰写科技图书7本,参与编写英文学术专著2部。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-04-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 前沿技墅 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 本文节选自博文视点新书《Python极简讲义:一本书入门数据分析与机器学习》。本书秉承零入门、可读性高和注重实战的理念,全面覆盖 NumPy、Pandas、Matplolib、Seaborn、sklearn 等入门数据科学的必备知识。直击左下阅读原文,破“门”而入,有如神助!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档