Advanced Data Analytics Using Python_ With Machine Learning, Deep Learning and NLP Examples

本书提供了使用 Python 进行高级数据分析的方法，涵盖了机器学习、深度学习和自然语言处理的应用实例。书中详细讲解了如何在不同的数据库环境中进行数据提取、转换和加载（ETL），并探讨了监督学习、无监督学习、深度学习、时间序列分析以及大规模数据分析的相关内容。

目录

1. 简介

   • 为什么选择 Python？
   • 何时避免使用 Python
   • Python 中的面向对象编程
   • 调用其他语言代码
   • 将 Python 模型暴露为微服务
   • 高性能 API 和并发编程

2. 使用 Python 进行 ETL（结构化数据）

   • MySQL
   • Elasticsearch
   • Neo4j Python 驱动
   • 内存数据库
   • MongoDB（Python 版）
   • Pandas 框架

3. 使用 Python 的监督学习

   • 降维
   • 相关分析
   • 主成分分析
   • 互信息
   • 分类
   • 半监督学习
   • 决策树
   • 随机森林分类器
   • 朴素贝叶斯分类器
   • 支持向量机
   • 最近邻分类器
   • 情感分析
   • 图像识别
   • 回归
   • 最小二乘估计
   • 逻辑回归
   • 分类和回归
   • 处理类别数据

4. 无监督学习：聚类

   • K-means 聚类
   • 肘部法则选择 K
   • 距离或相似度度量
   • 层次聚类
   • 图论方法
   • 聚类结果的评价

5. 深度学习和神经网络

   • 反向传播
   • TensorFlow
   • 循环神经网络

6. 时间序列分析

   • 时间序列中的趋势分析
   • 消除趋势和季节性
   • 平稳时间序列
   • 自相关和协方差函数
   • 时间序列分析方法

7. 大规模数据分析

   • Hadoop
   • MapReduce 编程
   • Spark
   • 云端分析
   • 物联网分析

8. 附录

   • 索引
   • 作者简介
   • 技术审查者简介
   • 致谢

总结

本书旨在通过实例详细介绍如何利用 Python 进行数据分析和处理，包括结构化和非结构化数据的处理、监督和无监督学习算法的实现、深度学习模型的构建与训练以及时间序列数据的分析方法。此外，本书还探讨了如何在大数据环境下进行高效的数据分析，并介绍了在云计算和物联网环境下的应用。