Python data science essentials

處理大量資料的基本工具「這本書提供了清晰且易於遵循的範例，幫助您設置與使用最重要的資料科學和機器學習工具。」—Anne BonnerContent Simplicity創辦人和CEOPython是許多研究人員的首選工具，它擁有豐富的儲存、操作及洞察資料的程式庫。這些資源散布在資料科學的領域中，藉由本書，您可以一次獲得這些資源，包括Ipython、NumPy、Pandas、Matplotlib、Scikit-Learn和其它相關的工具。對於熟悉Python，需要處理大量資料的資料科學家和資料處理人員來說，這是一本非常有價值的案頭書。可以有效率地處理每天面對的問題，像是操作、轉換及清理資料，視覺化不同形式的資料，建立統計學或機器學習模型等。藉由本書，你將可以學習到：‧IPython和Jupyter：提供資料科學家使用的Python計算環境‧NumPy：在Python中進行高效儲存及操作密集資料陣列的ndarrys‧Pandas：在Python中進行對於標籤式/欄位式的資料高效率儲存與操作‧Matplotlib：在Python中進行彈性範圍的資料視覺化功能‧Scikit-Learn：提供機器學習演算法以及簡潔的Python實作

Python is one of the most popular programming languages, widely used for data analysis and modelling, and is fast becoming the leading choice for scientists and engineers. Unlike other textbooks introducing Python, typically organised by language syntax, this book uses many examples from across Biology, Chemistry, Physics, Earth science, and Engineering to teach and motivate students in science and engineering. The text is organised by the tasks and workflows students undertake day-to-day, helping them see the connections between programming tools and their disciplines. The pace of study is carefully developed for complete beginners, and a spiral pedagogy is used so concepts are introduced across multiple chapters, allowing readers to engage with topics more than once. “Try This!” exercises and online Jupyter notebooks encourage students to test their new knowledge, and further develop their programming skills. Online solutions are available for instructors, alongside discipline-specif

風險建模演算法 「Abdullah Karasan成功展現了在金融風險管理領域中使用機器學習的能力，這是對任何金融機構都攸關重要的功能。」 ―Yves J. Hilpisch博士 The Python Quants與The AI Machine創辦人及總裁 「如果您需要將統計和機器學習方法應用在金融風險分析的入門指南，那麼這是一個很好的起點。」 ―Graham L. Giller 《Adventures in Financial Data Science》作者 金融風險管理在人工智慧的幫助下發展迅速。透過這本實用指南，開發人員、程式設計師、工程師、金融分析師、風險分析師及定量和演算法分析師，將可以機器學習和深度學習模型進行金融風險評估。建立基於人工智慧的財務建模實務技能後，您將學習要如何運用機器學習模型來取代傳統的金融風險模型。 作者Abdullah Karasan幫助您探索金融風險建模背後的理論，再深入研究使用Python運用機器學習模型以對金融風險進行建模的實際方法。 有了這本書，您將可以： ‧回顧經典的時間序列應用並將其與深度學習模型進行比較 ‧使用支撐向量迴歸、神經網路和深度學習來探索波動率模型以衡量風險程度 ‧使用機器學習技術來改善市場風險模型(VaR和ES)，並包括了流動性維度 ‧使用分群和貝氏方法來進行信用風險分析 ‧使用高斯混合模型和關聯結構模型來捕捉流動性風險的不同面向 ‧使用機器學習模型來進行詐欺偵測 ‧使用機器學習模型來預測股價崩盤並識別其決定因素

第一本結合管理數學和Python、R應用的工具書，輕鬆獲得雙倍效果！管理的問題，就用數學來解決吧！令人驚呼的超強特色：1.淺顯易懂的口吻加上超豐富內容，一本掌握管理數學！2.附有精彩的範例、習題與解析，滿足所有練習慾望！3.用Python、R簡單搞定繁雜的數學計算，手把手跟著步驟走！讓數據分析成為管理的後盾，成就更無懈可擊的經營決策！管理數學為一門重要的基礎，不只是為了商業管理和決策，也是學習資料科學的第一步。現今不論是商管領域的學生或是從業人員，為了跟上世界的腳步，都必須學習程式語言，如果能在學習管理數學時搭配Python、R做使用，不只符合世界潮流，也等同開啓資料分析的大門。本書作者投入融合「計量經濟學和資料科學」的計量資料科學 (Econometric Data Science) 多年，對於以計量經濟學為基礎的資料科學猶有心得，本書由淺入深地介紹微分、積分、矩陣代數和數學規劃等管理數學必需的基礎與商管應用，此外，為達到與程式學習相輔相成之效，作者編排章節亦十分用心，在管理數學的16堂課中，穿插步驟式的Python、R教學單元，讓讀者學完數學原理和計算之後，能立刻熟悉Python與R的應用方式，學習效率更加倍！輕鬆就學會管理數學！

使用基本的線性代數、機率和統計來掌控您的資料「在當前資料科學教育環境的嘈雜聲中，這本書脫穎而出，包含許多清晰、實用的範例，說明理解和建構資料所需的基礎知識。」―Vicki BoykisTumblr高級機器學習工程師讓您掌握在資料科學、機器學習和統計學等方面所需具備的數學知識。作者Thomas Nield將引導您了解微積分、機率、線性代數和統計等領域，以及它們是如何應用在線性迴歸、邏輯迴歸和神經網路等技術。在此過程中，您還將獲得對資料科學的實用見解，以及如何利用這些見解幫助提升您的職業生涯。您將了解如何：‧使用Python程式碼和SymPy、NumPy和scikit-learn等程式庫來探索基本的數學概念，例如微積分、線性代數、統計和機器學習‧用簡單的語言並使用最少的數學符號和行話來理解線性迴歸、邏輯迴歸和神經網路等技術‧對資料集執行描述性統計和假說檢定，以解釋p值和統計顯著性‧操作向量和矩陣並執行矩陣分解‧對微積分、機率、統計和線性代數的知識進行整合和建構，並應用於包括神經網路在內的迴歸模型‧在資料科學職業生涯中進行實際導航，避免常見的陷阱、假設和偏見，同時調整您的技能以在就業市場中脫穎而出