极简Python:数据分析与机器学习最小化知识库
点击次数:665 发布日期:2022/12/27 来源:华斯泰
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。