利用AI進行數據分析——基於DeepSeek+豆包+智譜清言，讓效率提高N倍
徐小磊
1132人在讀
9.3萬字總字數
¥55.86定價
徐小磊
"本書旨在通過一系列精心設計理論和實戰案例，深入淺出地介紹人工智能編程的基礎與進階知識，使讀者能夠在實踐中快速掌握AI編程技能。從AI編程的基礎概念出發，到高級技巧的應用，再到AI助手工具的介紹，本書涵蓋了廣泛的內容，確保讀者能夠全面理解並有效應用AI編程技術。書中不僅提供了豐富的實戰案例，如通過ChatGPT進行網絡數據包解析、API文檔調用、MySQL數據庫操作等，還探討了如何利用AI技術進行創新項目開發，如自制小遊戲和辦公自動化工具。這些案例涵蓋了多種編程語言和工具，展示了AI編程在不同場景下的實際應用，旨在激發讀者的創新思維和解決問題的能力。本書還關注於**的AI編程工具和平臺，如GitHub Copilot、CodeWhisperer等，幫助讀者瞭解和掌握這些工具的使用方法，以提高編程效率和質量。 本書目標讀者羣體： 1.小白用戶：對編程感興趣，但沒有基礎知識，希望通過學習AI編程來進入編程世界。 2.專業人士：已有編程基礎，希望通過學習AI編程來提升自己的技能，或者轉向AI編程領域。 3.企業決策者和團隊領導：想要了解AI編程和相關工具如何被用來提升團隊效率和產品創新。"
主成分分析（PCA）的降維與數據結構重塑可概括爲四個核心步驟： 1. 中心化數據： 對原始高維樣本矩陣 X 的每一列（特徵）減去該特徵的均值，使數據圍繞原點分佈，保證後續計算只反映變量間的協方差結構，而非位置偏移。 2. 構造協方差矩陣並求解特徵分解： 計算中心化後矩陣的協方差 C = XᵀX / (n-1)，然後求出所有特徵值 λ₁, λ₂, …, λₘ 及對應特徵向量 u₁, u₂, …, uₘ。特徵值的大小反映了各主成分能夠解釋的方差量。 3. 按特徵值大小排序並選擇前 k 個主成分： 將特徵值從大到小排列，累計方差貢獻率最高的前 k 個特徵值對應的特徵向量構成新的基向量矩陣 W ∈ ℝ^{m×k}。這些基向量彼此正交，既保留了原始特徵的主要方差方向，又去除了高維空間中的冗餘信息。 4. 投影得到低維表示： 對原始樣本 X 的每一行（或列）做矩陣乘法 Z = WᵀX（或 XW），即可把 n × m 的高維數據映射爲 n × k 的低維表示（k ≪ m）。此時 Z 的每一行仍保留了與原數據同尺度的方差信息，但維度顯著降低，便於可視化、存儲與後續建模。 通過上述流程，PCA 實現了兩件事： • 降維：將 m 維特徵壓縮到 k 維，計算量和存儲量隨之減少。 • 重塑數據結構：用新的正交基（主成分）替換原始基，使數據在低維空間中以“方差最大化”的方向展開，從而揭示數據內部的主要結構與相關性。
這本書出乎意料的好，竟然在不知不覺中讀完了？！知識的獲取就像呼吸一樣簡單～
說是AI，其實跟平常講分析方法論沒有太大區別。涉及機器學習算法，通常運行等待時間會很長，智能體全程包辦，可能會中斷任務。就當前，各種數據分析技能，其實一個skill就可以打包了。本書寫得比較早吧。
讀了幾十頁的推薦和前言，一章正文都不給試讀。