Python data mining and machine learning in action

本書作為數據挖掘的入門讀物，基於真實的數據集進行案例實戰，使用Python數據科學庫，從數據預處理開始一步步介紹數據建模和數據挖掘的過程。主要介紹了數據挖掘的基礎知識、基本工具和實踐方法，通過循序漸進地講解算法，帶領讀者輕鬆踏上數據挖掘之旅。本書採用理論與實踐相結合的方式，呈現了如何使用邏輯回歸進行環境數據檢測，如何使用HMM進行中文分詞，如何利用卷積神經網絡識別雷達剖面圖，如何使用循環神經網絡構建聊天機器人，如何使用樸素貝葉斯算法進行破產預測，如何使用DCGAN網絡進行人臉生成等。本書也涉及神經網絡、在線學習、強化學習、深度學習和大數據處理等內容。本書以人工智能主流編程語言Python 3版本作為數據分析與挖掘實戰的應用工具，從Pyhton的基礎語法開始，陸續介紹了NumPy數值計算、Pandas數據處理、Matplotlib數據可視化、爬蟲和Sklearn數據挖掘等內容。全書共涵蓋16個常用的數據挖掘算法和機器學習實戰項目。通過學習本書內容，讀者可以掌握數據分析與挖掘的理論知識及實戰技能。

《Python數據挖掘入門與實踐》一書作為數據挖掘入門讀物，介紹了數據挖掘的基礎知識、基本工具和實踐方法，通過循序漸進地講解算法，帶你輕鬆踏上數據挖掘之旅。本書採用理論與實踐相結合的方式，呈現瞭如何使用決策樹和隨機森林算法預測美國職業籃球聯賽比賽結果，如何使用親和性分析方法推薦電影，如何使用樸素貝葉斯算法進行社會媒體挖掘，等等。本書也涉及神經網絡、深度學習、大數據處理等內容。

這是一本介紹如何應用大數據和機器學習技術來解決投資問題並提高投資績效的專著。近年來，機器學習和數據科學在投資中發揮著越來越大的作用。從本質上講，機器學習模型在挖掘數據背後的非線性關係上要強于傳統模型。借助機器學習和大數據，投資經理能夠做出以往傳統模型無法實現的預測，進而做出明智的決策。然而，在投資中，並不是所有的數據集和機器學習技術都對金融應用有用，也不是所有的機器學習技術都可以“即插即用”。《大數據、機器學習與量化投資》這本書由資深量化分析專家托尼‧吉達主編，彙集了多位業內頗具影響力的專家學者的前沿分享，闡釋如何應用大數據和機器學習技術來解決投資問題並提高投資績效。這本書共有13章，理論嚴謹，案例豐富，內容涵蓋機器學習在投資管理中的應用現狀和前景、另類數據和大數據在宏觀交易中的應用、處理大數據集的難點和解決方案、挖掘社交媒體數據集分析企業文化、使用自然語言處理技術進行投資者情緒分析、基於支持向量回歸的全球戰術性資產配置策略、強化學習和深度學習在投資組合優化中的應用等主題，可以作為量化投資從業者、金融算法研究人員、高等院校計算機專業和金融工程專業的師生以及機器學習愛好者的參考用書。

This book provides a series of gesture and behavior recognition methods based on multimodal datarepresentation. The data modalities include image data and skeleton data, and the modeling methods includetraditional codebook, topological graph, and LSTM architectures. The tasks include single gesture recognitionclassification, single action recognition classification, continuous gesture classification, complex behaviorclassification of human interaction and other tasks of different complexity. This book focuses on the dataprocessing methods of each modality, and the modeling methods for different tasks. We hope the reader canlearn basic gesture and action recognition methods from this book, and develop a model system that suits theirneeds on this basis. This book can be used as a textbook for graduate, postgraduate and PhD students majoring in computerscience, automation, etc. It can also be used as a reference for the reader who is interested in gesturerecognition, human action inter

特色1. 數據處理和數據分析並重。針對金融大數據結構複雜、數據源和格式變換大的特點，充分講述SAS軟件DATA步強大的數據處理功能，強化金融數據處理內容。2. 將SAS數據分析能力強和R和Python靈巧和業界流行的特點相結合，建立融合SAS和R及Python的數據處理和分析教材構架，進行教學大綱、授課教案到教材、案例集和習題集等課程要件建設。3. 以《金融計量經濟學》為知識依托，以海通證券金融工程部、天風證券金融工程部、等有名券商量化金融策略為具體案例內容，以權益（股票）市場和債券（固定收益）市場為主要應用領域，以日數據（daily data）為主、高頻日內數據（intraday data）為輔，建立從數據搜集到數據清理、從投資組合到交易策略和算法交易等金融量化方法的教學案例。創新點1. 填補國內教材空白。作為一款權威的數據處理和統計分析軟件，多年來SAS在國內（尤其是銀行系統）得到了廣泛應用。已出版的教材多以操作和數據處理編程為主，針對金融數據處理和分析的書籍並不多見，尤其講解金融數據分析的SAS過程步（Proc step）的教材難以見到。本教材擬對分析金融時間序列的SAS過程進行詳細和全面的介紹，充分揭示SAS在處理和分析金融時間序列數據上的優勢，填補國內教材空白。2.SAS Viya平臺介紹和R、Python的軟件融合。SAS Viya 2016年推出以來，得到了很快的發展，出現了基於SAS Viya 云分析服務CAS的很多應用，國內一些金融機構也採用了SAS Viya構建自己的數據分析平臺。但國內介紹SAS Viya的書很少，沒有發現介紹利用SAS Viya中的ACTION進行金融數據分析的書籍。對SAS Viya的介紹以及利用SAS Viya中的Econometrics8.4 ACTION、Visal Statistical Analysis ACTION、Deep Learning ACTION等進行金融數據處理和分析的內容，是本教材的創新之處。

CiteSpace是一款著眼於分析科學分析中蘊含的潛在知識，並在科學計量學（Scientometric）、數據和信息可視化（Data and information visualization）背景下逐漸發展起來的一款引文可視化分析軟件。本書共8講，以CiteSpace所提供的功能模塊為主線，在前3講中對CiteSpace的基本情況從使用、下載、功能等方面進行概述，從第4講開始按照其提

《深度學習原理與PyTorch實戰》按照從理論到實踐，從實踐到創造的順序講解深度學習領域的知識與技術，代碼翔實，公式簡單易懂。 《深度學習原理與PyTorch實戰》第1章介紹深度學習的概念和目前的形勢，第2章介紹Python編程語言基礎，第3章使用Python語言計算極限、導數、級數等數學問題，第4章講解深度學習的基本原理與PyTorch框架的基本使用，第5章和第6章詳細講述經典網絡結構CNN和

This book provides a comprehensive foundation of machine learning. To answer the questions of what to learn, how to learn, what to get from learning, and how to evaluate, as well as what is meant by learning, the book focuses on the fundamental basics of machine learning, its methodology, theory, algorithms, and evaluations, together with some philosophical thinking on comparison between machine learning and human learning for machinery intelligence.The book is organized as follows: Introduction (Chapter 1), Evaluation (Chapter 2), Supervised learning (Chapters 3, 4, and 5), Unsupervised learning (Chapter 6), Representation learning (Chapter 7), Problem decomposition (Chapter 8), Ensemble learning (Chapter 9), Deep learning (Chapter 10), Application (Chapter 11), and Challenges (Chapter 12).The book can be used as a textbook for college, undergraduate, graduate and PhD students majored in computer science, automation, electronic engineering, communication, ect. It can also be used as

Machine Learning - Modeling Data Locally and Globally presents a novel and unified theory that tries to seamlessly integrate different algorithms。 Specifically， the book distinguishes the inner nature