《精通数据科学：从线性回归到深度学习》一书的配套代码和数据
建议对Python比较熟悉的读者参考feature_pep_8分支上的代码，因为后者更加工整，符合PEP 8的规范。
本书由人民邮电出版社出版，网购地址为：
本书还配套免费的视频课程，观看地址为：
如果发现书中有纰漏之处，请在这里勘误，谢谢大家。
如果大家对本书有赞赏、建议、批评之声，请在豆瓣上留下你们的看法，再次谢谢大家。
即使有严重的自夸嫌疑，但我还是想说：这是一本非常不错的书，推荐大家购买。
李国杰院士和韩家炜教授在读过这本书之后，亲自为其作序，在此再次向两位大佬表示感谢。
-
第1章 数据科学概述
- 1.1 挑战
- 1.2 机器学习
- 1.3 统计模型
- 1.4 关于本书
-
第2章 Python安装指南与简介：告别空谈
- 2.1 Python简介
- 2.2 Python安装
- 2.3 Python上手实践
- 2.4 本章小结
-
第3章 数学基础：恼人但又不可或缺的知识
- 3.1 矩阵和向量空间
- 3.2 概率：量化随机
- 3.3 微积分
- 3.4 本章小结
-
第4章 线性回归：模型之母
- 4.1 一个简单的例子
- 4.2 上手实践：模型实现
- 4.3 模型陷阱
- 4.4 模型持久化
- 4.5 本章小结
-
第5章 逻辑回归：隐藏因子
- 5.1 二元分类问题：是与否
- 5.2 上手实践：模型实现
- 5.3 评估模型效果：孰优孰劣
- 5.4 多元分类问题：超越是与否
- 5.5 非均衡数据集
- 5.6 本章小结
-
第6章 工程实现：计算机是怎么算的
- 6.1 算法思路：模拟滚动
- 6.2 数值求解：梯度下降法
- 6.3 上手实践：代码实现
- 6.4 更优化的算法：随机梯度下降法
- 6.5 本章小结
-
第7章 计量经济学的启示：他山之石
- 7.1 定量与定性：变量的数学运算合理吗
- 7.2 定性变量的处理
- 7.3 定量变量的处理
- 7.4 显著性
- 7.5 多重共线性：多变量的烦恼
- 7.6 内生性：变化来自何处
- 7.7 本章小结
-
第8章 监督式学习： 目标明确
- 8.1 支持向量学习机
- 8.2 核函数
- 8.3 决策树
- 8.4 树的集成
- 8.5 本章小结
-
第9章 生成式模型：量化信息的价值
- 9.1 贝叶斯框架
- 9.2 朴素贝叶斯
- 9.3 判别分析
- 9.4 隐马尔可夫模型
- 9.5 本章小结
-
第10章 非监督学习：聚类与降维
- 10.1 K-means
- 10.2 其他聚类模型
- 10.3 Pipeline
- 10.4 主成分分析
- 10.5 奇异值分解
- 10.6 本章小结
-
第11章 分布式机器学习：集体力量
- 11.1 Spark简介
- 11.2 最优化问题的分布式解法
- 11.3 大数据模型的两个维度
- 11.4 开源工具的另一面
- 11.5 本章小结
-
第12章 神经网络：模拟人的大脑
- 12.1 神经元
- 12.2 神经网络
- 12.3 反向传播算法
- 12.4 提高神经网络的学习效率
- 12.5 本章小结
-
第13章 深度学习：继续探索
- 13.1 利用神经网络识别数字
- 13.2 卷积神经网络
- 13.3 其他深度学习模型
- 13.4 本章小结
针对技术书籍，最好的阅读方法是对照每一章的示例代码，动手实现所讨论的模型。这样会极大加深自己对模型的理解和实践能力，否则就会像读小说一样，阅读时感觉不错，但实际使用时就无从下手了。
若想要使用这份代码，请先按照本书第2章和第11章的指南，安装相关的开源软件。
需要注意的是，为了节省篇幅、突出重点，正文中所展示的代码是基于Linux系统下的Python 2.7，而配套代码则兼容Python 3和Windows系统。