利用AI进行数据分析——基于DeepSeek+豆包+智谱清言，让效率提高N倍
徐小磊
1132人在读
9.3万字总字数
¥55.86定价
徐小磊
"本书旨在通过一系列精心设计理论和实战案例，深入浅出地介绍人工智能编程的基础与进阶知识，使读者能够在实践中快速掌握AI编程技能。从AI编程的基础概念出发，到高级技巧的应用，再到AI助手工具的介绍，本书涵盖了广泛的内容，确保读者能够全面理解并有效应用AI编程技术。书中不仅提供了丰富的实战案例，如通过ChatGPT进行网络数据包解析、API文档调用、MySQL数据库操作等，还探讨了如何利用AI技术进行创新项目开发，如自制小游戏和办公自动化工具。这些案例涵盖了多种编程语言和工具，展示了AI编程在不同场景下的实际应用，旨在激发读者的创新思维和解决问题的能力。本书还关注于**的AI编程工具和平台，如GitHub Copilot、CodeWhisperer等，帮助读者了解和掌握这些工具的使用方法，以提高编程效率和质量。 本书目标读者群体： 1.小白用户：对编程感兴趣，但没有基础知识，希望通过学习AI编程来进入编程世界。 2.专业人士：已有编程基础，希望通过学习AI编程来提升自己的技能，或者转向AI编程领域。 3.企业决策者和团队领导：想要了解AI编程和相关工具如何被用来提升团队效率和产品创新。"
主成分分析（PCA）的降维与数据结构重塑可概括为四个核心步骤： 1. 中心化数据： 对原始高维样本矩阵 X 的每一列（特征）减去该特征的均值，使数据围绕原点分布，保证后续计算只反映变量间的协方差结构，而非位置偏移。 2. 构造协方差矩阵并求解特征分解： 计算中心化后矩阵的协方差 C = XᵀX / (n-1)，然后求出所有特征值 λ₁, λ₂, …, λₘ 及对应特征向量 u₁, u₂, …, uₘ。特征值的大小反映了各主成分能够解释的方差量。 3. 按特征值大小排序并选择前 k 个主成分： 将特征值从大到小排列，累计方差贡献率最高的前 k 个特征值对应的特征向量构成新的基向量矩阵 W ∈ ℝ^{m×k}。这些基向量彼此正交，既保留了原始特征的主要方差方向，又去除了高维空间中的冗余信息。 4. 投影得到低维表示： 对原始样本 X 的每一行（或列）做矩阵乘法 Z = WᵀX（或 XW），即可把 n × m 的高维数据映射为 n × k 的低维表示（k ≪ m）。此时 Z 的每一行仍保留了与原数据同尺度的方差信息，但维度显著降低，便于可视化、存储与后续建模。 通过上述流程，PCA 实现了两件事： • 降维：将 m 维特征压缩到 k 维，计算量和存储量随之减少。 • 重塑数据结构：用新的正交基（主成分）替换原始基，使数据在低维空间中以“方差最大化”的方向展开，从而揭示数据内部的主要结构与相关性。
这本书出乎意料的好，竟然在不知不觉中读完了？！知识的获取就像呼吸一样简单～
说是AI，其实跟平常讲分析方法论没有太大区别。涉及机器学习算法，通常运行等待时间会很长，智能体全程包办，可能会中断任务。就当前，各种数据分析技能，其实一个skill就可以打包了。本书写得比较早吧。
读了几十页的推荐和前言，一章正文都不给试读。