Python数据分析与应用
黄红梅 张良均
2228人在读
12.3万字总字数
¥29.99定价
黄红梅 张良均
本书以任务为导向，全面地介绍数据分析的流程和Python数据分析库的应用，详细讲解利用Python解决企业实际问题的方法。全书共9章，1章介绍了数据分析的基本概念等相关知识；2～6章介绍了Python数据分析的常用库及其应用，涵盖NumPy数值计算、Matplotlib数据可视化、pandas统计分析、使用pandas进行数据预处理、使用scikit-learn构建模型，较为全面地阐述了Python数据分析方法；第7～9章结合之前所学的数据分析技术，进行企业综合案例数据分析。除1章外，本书各章都包含了实训与课后习题，通过练习和操作实践，帮助读者巩固所学的内容。本书可作为高校大数据技术类专业的教材，也可以作为大数据技术爱好者的自学用书。
BP神经网络是目前应用最多的一种神经网络形式，它具备神经网络的普遍优点，但它也不是非常完美的，下面将介绍其优缺点。 优点有以下几个方面。 （1）非线性映射能力。BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明3层的神经网络就能够以任意精度逼近任何非线性连续函数，这使得其特别适合于求解内部机制复杂的问题。 （2）自学习和自适应能力。BP神经网络在训练时，能够通过学习自动提取特征、标签之间的“合理规则”，并自适应地将学习内容记忆于网络的权值中。 （3）泛化能力。所谓泛化能力，是指在设计分类器时，既要考虑网络是否对所需分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或有噪声污染的模式进行正确的分类，即BP神经网络具有将学习成果应用于新知识的能力。 （4）容错能力。BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说，即使系统受到局部损伤，还是可以正常工作的。 虽然 BP 网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。 （1）由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 （2）BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为，采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。 （3）网络隐含层的层数和单元数的选择尚无理论上的指导，一般根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。 （4）网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。
任务驱动，适合教学和实训参考。
8.4/10 比较基础，重复的地方比较多
适合数据分析进阶教程，课程案例多分析也很详细，可惜我是门外汉，学习有些困难
除了三个常用库，还讲了scikit-learn sklearn的用法
适合初级读者，并有一定基础的Python学习
整本书撸下来还是有点东西的，特别是每一章后的实训题部分