本书旨在介绍大数据处理的一些定义、方法、工具、框架和解决方案,从信息提取和知识表示的过程开始,通过知识处理和分析,再到可视化、意义构建和实际应用。本书的每一章都讲述了数据处理链的一些相关方面,特别关注于理解企业知识图、语义大数据架构和智能数据分析解决方案。这本书是针对研究生从技术学科,专业观众继续教育短期课程,并研究人员从不同的领域自学课程。具备计算机科学、数学和统计学的基本技能。

https://www.springer.com/gp/book/9783030531980

成为VIP会员查看完整内容
0
79

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

Python算法,第二版解释了Python算法分析和设计的方法。作者Magnus Lie Hetland,开始Python的作者,这本书尖锐地关注经典算法,但它也提供了一个坚实的理解基本算法解决问题的技术。

这本书以高度可读的方式处理编程和计算机科学的一些最重要和具有挑战性的领域。它涵盖了算法理论和编程实践,展示了理论是如何在真实的Python程序中反映出来的。介绍了Python语言中内置的知名算法和数据结构,并向用户展示了如何实现和评估其他算法和数据结构。

https://www.apress.com/gp/book/9781484200568

成为VIP会员查看完整内容
0
56

学习使用Python分析数据和预测结果的更简单和更有效的方法

Python机器学习教程展示了通过关注两个核心机器学习算法家族来成功分析数据,本书能够提供工作机制的完整描述,以及使用特定的、可破解的代码来说明机制的示例。算法用简单的术语解释,没有复杂的数学,并使用Python应用,指导算法选择,数据准备,并在实践中使用训练过的模型。您将学习一套核心的Python编程技术,各种构建预测模型的方法,以及如何测量每个模型的性能,以确保使用正确的模型。关于线性回归和集成方法的章节深入研究了每种算法,你可以使用书中的示例代码来开发你自己的数据分析解决方案。

机器学习算法是数据分析和可视化的核心。在过去,这些方法需要深厚的数学和统计学背景,通常需要结合专门的R编程语言。这本书演示了机器学习可以如何实现使用更广泛的使用和可访问的Python编程语言。

使用线性和集成算法族预测结果

建立可以解决一系列简单和复杂问题的预测模型

使用Python应用核心机器学习算法

直接使用示例代码构建自定义解决方案

机器学习不需要复杂和高度专业化。Python使用了更简单、有效和经过良好测试的方法,使这项技术更容易为更广泛的受众所接受。Python中的机器学习将向您展示如何做到这一点,而不需要广泛的数学或统计背景。

成为VIP会员查看完整内容
0
133

Python中的数据科学和分析是为学术和商业环境中的数据科学和数据分析从业者设计的。其目的是通过使用Python开发的工具(如SciKit-learn、Pandas、Numpy等)向读者介绍数据科学中使用的主要概念。鉴于Python最近在数据科学社区的流行,它的使用特别有趣。有经验的程序员和新手都可以使用这本书。

本书的组织方式是各个章节相互独立,这样读者就可以放心地使用其中的内容作为参考。这本书从过程和获得的结果的角度讨论了什么是数据科学和分析。还介绍了Python的重要特性,包括Python入门。机器学习、模式识别和人工智能的基本元素在书的其余部分使用的算法和实现的基础上也出现在书的第一部分。

本书的第二部分介绍了使用Python、聚类技术和分类算法的回归分析。层次聚类、决策树和集成技术,以及降维技术和推荐系统也被探讨。书的最后一部分讨论了支持向量机算法和内核技巧。

成为VIP会员查看完整内容
0
52

使用Python的高级数据科学和分析使数据科学家能够继续发展他们的技能,并将其应用于商业和学术设置中。这本书中讨论的主题是补充和后续主题讨论的数据科学和分析与Python。其目的是使用Python开发的工具,如SciKit-learn、Pandas、Numpy、Beautiful Soup、NLTK、NetworkX等,覆盖数据科学中重要的高级领域。使用Keras、TensorFlow、Core ML等框架,以及用于iOS和MacOS应用开发的Swift来支持模型开发。

成为VIP会员查看完整内容
0
68

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
109

对于语音计算领域的开发者来说,这是一个激动人心的时刻:谷歌上每4次搜索中就有1次是支持语音的,亚马逊Alexa刚刚超过1万个技能,WhatsApp上每天完成1亿个通话。但是你从哪里开始学习如何在这个领域编码呢?

无论您是一位经验丰富的开发人员还是刚刚起步,这本书都将指导您使用Python构建基于语音的应用程序。

  • 了解如何读/写、记录、清洁、加密、回放、转码、转录、压缩、发布、饱和化、建模和可视化语音文件
  • 从零开始创建自己的语音计算机和语音助手
  • 在Docker和Kubernetes上设计前沿的微服务服务器架构
  • 在GitHub存储库中访问200多个初始脚本
  • 参与到更大的开源语音社区中
成为VIP会员查看完整内容
0
63

本书介绍了自由软件Python及其在统计数据分析中的应用。它涵盖了连续、离散和分类数据的常见统计测试,以及线性回归分析和生存分析和贝叶斯统计的主题。每个测试的Python解决方案的工作代码和数据,以及易于遵循的Python示例,可以被读者复制,并加强他们对主题的直接理解。随着Python生态系统的最新进展,Python已经成为科学计算的一种流行语言,为统计数据分析提供了一个强大的环境,并且是R的一个有趣的替代选择。本书面向硕士和博士学生,主要来自生命和医学科学,具有统计学的基本知识。由于该书还提供了一些统计方面的背景知识,因此任何想要执行统计数据分析的人都可以使用这本书。

成为VIP会员查看完整内容
0
69

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
117
小贴士
相关VIP内容
专知会员服务
56+阅读 · 3月20日
专知会员服务
133+阅读 · 2月25日
专知会员服务
52+阅读 · 2020年8月22日
专知会员服务
68+阅读 · 2020年8月7日
专知会员服务
109+阅读 · 2020年7月29日
专知会员服务
63+阅读 · 2020年7月12日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
154+阅读 · 2020年6月16日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
117+阅读 · 2020年3月12日
相关论文
Hongbin Ye,Ningyu Zhang,Shumin Deng,Mosha Chen,Chuanqi Tan,Fei Huang,Huajun Chen
4+阅读 · 2020年12月15日
Shuo Zhang,Krisztian Balog
7+阅读 · 2020年2月5日
Representation Learning with Ordered Relation Paths for Knowledge Graph Completion
Yao Zhu,Hongzhi Liu,Zhonghai Wu,Yang Song,Tao Zhang
6+阅读 · 2019年9月26日
Signed Graph Attention Networks
Junjie Huang,Huawei Shen,Liang Hou,Xueqi Cheng
6+阅读 · 2019年9月5日
Somayeh Asadifar,Mohsen Kahani,Saeedeh Shekarpour
3+阅读 · 2019年1月28日
Interpretable machine learning: definitions, methods, and applications
W. James Murdoch,Chandan Singh,Karl Kumbier,Reza Abbasi-Asl,Bin Yu
12+阅读 · 2019年1月14日
Alon Talmor,Jonathan Berant
5+阅读 · 2018年3月18日
Tianran Hu,Anbang Xu,Zhe Liu,Quanzeng You,Yufan Guo,Vibha Sinha,Jiebo Lu,Rama Akkiraju
8+阅读 · 2018年3月8日
Ruobing Xie,Zhiyuan Liu,Fen Lin,Leyu Lin
10+阅读 · 2018年2月16日
Liwei Cai,William Yang Wang
5+阅读 · 2017年11月11日
Top