數(shù)據(jù)科學實踐

第1章 引言
1.1 數(shù)據(jù)科學與人工智能時代
1.2 數(shù)據(jù)智慧
1.3 本書內(nèi)容安排
第2章 基礎(chǔ)模型
2.1 機器學習方法
2.1.1 雙向聚類
2.1.2 基于鄰居的 算法
2.1.3 網(wǎng)絡(luò)模型
2.2 深度學習
2.2.1 機器翻譯模型
2.2.2 圖像分析模型
第3章 音樂風格識別
3.1 背景介紹
3.2 方法簡介
3.2.1 音頻數(shù)據(jù)和音頻特征
3.2.2 混合動力模型架構(gòu)
3.3 描述分析
3.3.1 數(shù)據(jù)來源及簡介
3.3.2 數(shù)據(jù)加工
3.3.3 音頻特征提取
3.4 混合動力模型架構(gòu)
3.4.1 兩個基礎(chǔ)模型的預(yù)測效果
3.4.2 混合動力模型架構(gòu)的預(yù)測效果
3.4.3 工程優(yōu)化
第4章 航空數(shù)據(jù)案例分析
4.1 數(shù)據(jù)簡介
4.2 單機實現(xiàn)
4.2.1 基于Mysql的數(shù)據(jù)預(yù)處理
4.2.2 洛杉磯到波士頓航線的延誤分析
4.2.3 機場聚類分析
4.2.4 短路徑
4.3 分布式實現(xiàn)
4.3.1 基于Hive的數(shù)據(jù)預(yù)處理
4.3.2 用Spark建立分類模型
第5章 公共自行車數(shù)據(jù)案例分析
5.1 數(shù)據(jù)簡介
5.1.1 交易流水表
5.1.2 紐約市天氣數(shù)據(jù)
5.2 單機實現(xiàn)
5.2.1 描述統(tǒng)計分析與可視化展現(xiàn)
5.2.2 自行車角度的分析
5.2.3 單個站點借車量預(yù)測分析
5.3 分布式實現(xiàn)
5.3.1 數(shù)據(jù)預(yù)處理與描述統(tǒng)計
5.3.2 分布式預(yù)測模型
第6章 機器翻譯實例
6.1 數(shù)據(jù)簡介與數(shù)據(jù)預(yù)處理
6.1.1 刪除異常值
6.1.2 修改異常值及數(shù)據(jù)篩選