SUMMARY.md

• 计算与推断思维
  • 一、数据科学
  • 二、因果和实验
  • 三、Python 编程
  • 四、数据类型
  • 五、表格
  • 六、可视化
  • 七、函数和表格
  • 八、随机性
  • 九、经验分布
  • 十、假设检验
  • 十一、估计
  • 十二、为什么均值重要
  • 十三、预测
  • 十四、回归的推断
  • 十五、分类
  • 十六、比较两个样本
  • 十七、更新预测
• UCB DS100 数据科学的原理与技巧
  • 一、数据科学的生命周期
  • 二、数据生成
  • 三、处理表格数据
  • 四、数据清理
  • 五、探索性数据分析
  • 六、数据可视化
  • 七、Web 技术
  • 八、处理文本
  • 九、关系数据库和 SQL
  • 十、建模与估计
  • 十一、梯度下降与数值优化
  • 十二、概率与泛化
  • 十三、线性模型
  • 十四、特征工程
  • 十五、偏方差权衡
  • 十六、正则化
  • 十七、分类
  • 十八、统计推断
  • 十九、向量空间回顾
  • 二十、参考表
• UCB Prob140 面向数据科学的概率论
  • 一、基础
  • 二、计算几率
  • 三、随机变量
  • 四、事件之间的关系
  • 五、事件集合
  • 六、随机计数
  • 七、泊松化
  • 八、期望
  • 九、条件（续）
  • 十、马尔科夫链
  • 十一、反转马尔科夫链
  • 十二、标准差
  • 十三、方差和协方差
  • 十四、 中心极限定律
  • 十七、联合密度
  • 十八、正态和伽马分布族
  • 十九、和的分布
  • 二十、估计方法
  • 二十一、Beta 和二项
  • 二十二、预测
  • 二十三、联合正态随机变量
  • 二十四、简单线性回归
  • 二十五、多元回归
• 利用 Python 进行数据分析 · 第 2 版
  • 第 1 章 准备工作
  • 第 2 章 Python 语法基础，IPython 和 Jupyter 笔记本
  • 第 3 章 Python 的数据结构、函数和文件
  • 第 4 章 NumPy 基础：数组和向量计算
  • 第 5 章 pandas 入门
  • 第 6 章 数据加载、存储与文件格式
  • 第 7 章 数据清洗和准备
  • 第 8 章 数据规整：聚合、合并和重塑
  • 第 9 章 绘图和可视化
  • 第 10 章 数据聚合与分组运算
  • 第 11 章 时间序列
  • 第 12 章 pandas 高级应用
  • 第 13 章 Python 建模库介绍
  • 第 14 章 数据分析案例
  • 附录 A NumPy 高级应用
  • 附录 B 更多关于 IPython 的内容
• Python 自然语言处理 第二版
  • 前言
  • 1 语言处理与 Python
  • 2 获得文本语料和词汇资源
  • 3 处理原始文本
  • 4 编写结构化程序
  • 5 分类和标注词汇
  • 6 学习分类文本
  • 7 从文本提取信息
  • 8 分析句子结构
  • 9 构建基于特征的语法
  • 10 分析句子的意思
  • 11 语言学数据管理
  • 后记：语言的挑战
  • 索引
• 斯坦福 Stats60 21 世纪的统计思维
  • 前言
    • 0.1 本书为什么存在？
    • 0.2 你不是统计学家-我们为什么要听你的？
    • 0.3 为什么是 R？
    • 0.4 数据的黄金时代
    • 0.5 开源书籍
    • 0.6 确认
  • 1 引言
    • 1.1 什么是统计思维？
    • 1.2 统计数据能为我们做什么？
    • 1.3 统计学的基本概念
    • 1.4 因果关系与统计
    • 1.5 阅读建议
  • 2 处理数据
    • 2.1 什么是数据？
    • 2.2 测量尺度
    • 2.3 什么是良好的测量？
    • 2.4 阅读建议
  • 3 概率
    • 3.1 什么是概率？
    • 3.2 我们如何确定概率？
    • 3.3 概率分布
    • 3.4 条件概率
    • 3.5 根据数据计算条件概率
    • 3.6 独立性
    • 3.7 逆转条件概率：贝叶斯规则
    • 3.8 数据学习
    • 3.9 优势比
    • 3.10 概率是什么意思？
    • 3.11 阅读建议
  • 4 汇总数据
    • 4.1 为什么要总结数据？
    • 4.2 使用表格汇总数据
    • 4.3 分布的理想化表示
    • 4.4 阅读建议
  • 5 将模型拟合到数据
    • 5.1 什么是模型？
    • 5.2 统计建模：示例
    • 5.3 什么使模型“良好”？
    • 5.4 模型是否太好？
    • 5.5 最简单的模型：平均值
    • 5.6 模式
    • 5.7 变异性：平均值与数据的拟合程度如何？
    • 5.8 使用模拟了解统计数据
    • 5.9 Z 分数
  • 6 数据可视化
    • 6.1 数据可视化如何拯救生命
    • 6.2 绘图解剖
    • 6.3 使用 ggplot 在 R 中绘制
    • 6.4 良好可视化原则
    • 6.5 最大化数据/墨水比
    • 6.6 避免图表垃圾
    • 6.7 避免数据失真
    • 6.8 谎言因素
    • 6.9 记住人的局限性
    • 6.10 其他因素的修正
    • 6.11 建议阅读和视频
  • 7 取样
    • 7.1 我们如何取样？
    • 7.2 采样误差
    • 7.3 平均值的标准误差
    • 7.4 中心极限定理
    • 7.5 置信区间
    • 7.6 阅读建议
  • 8 重新采样和模拟
    • 8.1 蒙特卡罗模拟
    • 8.2 统计的随机性
    • 8.3 生成随机数
    • 8.4 使用蒙特卡罗模拟
    • 8.5 使用模拟统计：引导程序
    • 8.6 阅读建议
  • 9 假设检验
    • 9.1 无效假设统计检验（NHST）
    • 9.2 无效假设统计检验：一个例子
    • 9.3 无效假设检验过程
    • 9.4 现代环境下的 NHST：多重测试
    • 9.5 阅读建议
  • 10 置信区间、效应大小和统计功率
    • 10.1 置信区间
    • 10.2 效果大小
    • 10.3 统计能力
    • 10.4 阅读建议
  • 11 贝叶斯统计
    • 11.1 生成模型
    • 11.2 贝叶斯定理与逆推理
    • 11.3 进行贝叶斯估计
    • 11.4 估计后验分布
    • 11.5 选择优先权
    • 11.6 贝叶斯假设检验
    • 11.7 阅读建议
  • 12 分类关系建模
    • 12.1 示例：糖果颜色
    • 12.2 皮尔逊卡方检验
    • 12.3 应急表及双向试验
    • 12.4 标准化残差
    • 12.5 优势比
    • 12.6 贝叶斯系数
    • 12.7 超出 2 x 2 表的分类分析
    • 12.8 注意辛普森悖论
  • 13 建模持续关系
    • 13.1 一个例子：仇恨犯罪和收入不平等
    • 13.2 收入不平等是否与仇恨犯罪有关？
    • 13.3 协方差和相关性
    • 13.4 相关性和因果关系
    • 13.5 阅读建议
  • 14 一般线性模型
    • 14.1 线性回归
    • 14.2 安装更复杂的模型
    • 14.3 变量之间的相互作用
    • 14.4“预测”的真正含义是什么？
    • 14.5 阅读建议
  • 15 比较方法
    • 15.1 学生 T 考试
    • 15.2 t 检验作为线性模型
    • 15.3 平均差的贝叶斯因子
    • 15.4 配对 t 检验
    • 15.5 比较两种以上的方法
  • 16 统计建模过程：一个实例
    • 16.1 统计建模过程
  • 17 做重复性研究
    • 17.1 我们认为科学应该如何运作
    • 17.2 科学（有时）是如何工作的
    • 17.3 科学中的再现性危机
    • 17.4 有问题的研究实践
    • 17.5 进行重复性研究
    • 17.6 进行重复性数据分析
    • 17.7 结论：提高科学水平
    • 17.8 阅读建议
  • 参考文献
• TutorialsPoint NumPy 教程
• NumPy 秘籍中文第二版
  • 零、前言
  • 一、使用 IPython
  • 二、高级索引和数组概念
  • 三、掌握常用函数
  • 四、将 NumPy 与世界的其他地方连接
  • 五、音频和图像处理
  • 六、特殊数组和通用函数
  • 七、性能分析和调试
  • 八、质量保证
  • 九、使用 Cython 加速代码
  • 十、Scikits 的乐趣
  • 十一、最新最强的 NumPy
  • 十二、使用 NumPy 进行探索性和预测性数据分析
• NumPy 初学者指南中文第三版
  • 零、前言
  • 一、NumPy 快速入门
  • 二、从 NumPy 基本原理开始
  • 三、熟悉常用函数
  • 四、为您带来便利的便利函数
  • 五、使用矩阵和 ufunc
  • 六、深入探索 NumPy 模块
  • 七、了解特殊例程
  • 八、通过测试确保质量
  • 九、matplotlib 绘图
  • 十、当 NumPy 不够用时 - SciPy 及更多
  • 十一、玩转 Pygame
  • 附录 A：小测验答案
  • 附录 B：其他在线资源
  • 附录 C：NumPy 函数的参考
• NumPy 基础知识
  • 零、前言
  • 一、NumPy 简介
  • 二、NumPy ndarray对象
  • 三、使用 NumPy 数组
  • 四、NumPy 核心和子模块
  • 五、NumPy 中的线性代数
  • 六、NumPy 中的傅立叶分析
  • 七、构建和分发 NumPy 代码
  • 八、使用 Cython 加速 NumPy
  • 九、NumPy C-API 简介
  • 十、扩展阅读
• 精通 NumPy 数值分析
  • 零、前言
  • 一、使用 NumPy 数组
  • 二、NumPy 线性代数
  • 三、使用 NumPy 统计函数对波士顿住房数据进行探索性数据分析
  • 四、使用线性回归预测房价
  • 五、使用 NumPy 对批发分销商的客户进行聚类
  • 六、NumPy，SciPy，Pandas 和 Scikit-Learn
  • 七、高级 NumPy
  • 八、高性能数值计算库概述
  • 九、性能基准
• NumPy 数组学习手册
  • 零、前言
  • 一、NumPy 入门
  • 二、NumPy 基础
  • 三、使用 NumPy 的基本数据分析
  • 四、使用 NumPy 的简单预测性分析
  • 五、信号处理技术
  • 六、性能分析，调试和测试
  • 七、Python 科学生态系统
• Pandas 秘籍
  • 零、前言
  • 一、Pandas 基础
  • 二、数据帧基本操作
  • 三、开始数据分析
  • 四、选择数据子集
  • 五、布尔索引
  • 六、索引对齐
  • 七、分组以进行汇总，过滤和转换
  • 八、将数据重组为整齐的表格
  • 九、组合 Pandas 对象
  • 十、时间序列分析
  • 十一、Pandas，Matplotlib 和 Seaborn 的可视化
• Pandas 学习手册中文第二版
  • 零、前言
  • 一、Pandas 与数据分析
  • 二、启动和运行 Pandas
  • 三、用序列表示单变量数据
  • 四、用数据帧表示表格和多元数据
  • 五、数据帧的结构操作
  • 六、索引数据
  • 七、类别数据
  • 八、数值统计方法
  • 九、存取数据
  • 十、整理数据
  • 十一、合并，连接和重塑数据
  • 十二、数据聚合
  • 十三、时间序列建模
  • 十四、可视化
  • 十五、历史股价分析
• 精通 Pandas
  • 零、前言
  • 一、Pandas 和数据分析简介
  • 二、Pandas 安装和支持软件
  • 三、Pandas 数据结构
  • 四、Pandas 的操作，第一部分 -- 索引和选择
  • 五、Pandas 的操作，第二部分 -- 数据的分组，合并和重塑
  • 六、处理缺失数据，时间序列和 Matplotlib 绘图
  • 七、统计之旅 -- 经典方法
  • 八、贝叶斯统计简介
  • 九、Pandas 库体系结构
  • 十、R 与 Pandas 的比较
  • 十一、机器学习简介
• NumPy 和 Pandas 数据分析实用指南
  • 零、前言
  • 一、配置 Python 数据分析环境
  • 二、探索 NumPy
  • 三、NumPy 数组上的运算
  • 四、Pandas 很有趣！ 什么是 Pandas？
  • 五、Pandas 的算术，函数应用以及映射
  • 六、排序，索引和绘图
• 精通 Pandas 探索性分析
  • 零、前言
  • 一、处理不同种类的数据集
  • 二、数据选择
  • 三、处理，转换和重塑数据
  • 四、像专业人士一样可视化数据
• UCSD COGS108 数据科学实战中文笔记
  • 零、数据科学实战
  • 一、Jupyter 笔记本
  • 二、数据分析
  • 三、Python
  • 四、Python 中的数据科学
  • 五、数据收集
  • 六、数据整理
  • 七、数据清理
  • 八、数据隐私和匿名化
  • 九、使用 Python 进行数据可视化
  • 十、分布
  • 十一、检验分布
  • 十三、普通最小二乘
  • 十四、线性模型
  • 十五、聚类
  • 十六、降维
  • 十七、分类
  • 十八、自然语言处理
  • 附录一、有用的 Python 数据科学包
  • 附录二、git/Github 版本控制工具
• USF MSDS501 计算数据科学中文讲义
  • 一、起步
    • 1.1 一些动机（音频处理）
    • 1.2 Python 工具的初次尝试
    • 1.3 播放声音
  • 二、设计和构建程序
    • 2.1 编程导论
    • 2.2 在内存中表示数据
    • 2.3 计算模型
    • 2.4 Python 中的编程模式
    • 2.5 数据别名
    • 2.6 使用函数组织你的代码
    • 2.7 如何阅读代码
    • 2.8 面向对象编程
  • 三、关键编程模式
    • 3.1 加载文件
    • 3.2 数据帧
    • 3.3 操纵和可视化数据
  • 四、用于计算和优化的迭代式方法
    • 4.1 生成均匀的随机数
    • 4.2 近似平方根
    • 4.3 单变量梯度下降
  • 五、常见编程工具
    • 5.1 使用 bash 走向胜利
    • 5.2 使用 git 版本控制工具
    • 5.3 在 Amazon Web Services 上启动虚拟机
  • 六、可选
    • 6.1 链表
• 社交媒体挖掘
  • 第一部分 数据挖掘
    • 1 应了解的编程语言
    • 2 从哪里获取数据
    • 3 用代码获取数据
    • 4 收集自己的 FACEBOOK 数据
    • 5 抓取实时站点
  • 第二部分 数据分析
    • 6 数据分析导论
    • 7 数据可视化
    • 8 数据分析的高级工具
    • 9 在 REDDIT 数据中寻找趋势
    • 10 测量公众人物的 Twitter 活动
    • 11 何去何从
  • 附录
    • 1 编写程序通过 API 获取网站的信息
    • 2 通过解析网页直接获取哔哩某播主的详细信息
    • 3 在离线表格软件中打开和处理 csv 文件
• 数据科学和人工智能技术笔记
  • 一、向量、矩阵和数组
  • 二、数据准备
  • 三、数据预处理
  • 四、图像预处理
  • 五、文本预处理
  • 六、日期时间预处理
  • 七、特征工程
  • 八、特征选择
  • 九、模型验证
  • 十、模型选择
  • 十一、线性回归
  • 十二、逻辑回归
  • 十三、树和森林
  • 十四、K 最近邻
  • 十五、支持向量机
  • 十六、朴素贝叶斯
  • 十七、聚类
  • 十八、Keras
  • 十九、数据整理（上）
  • 十九、数据整理（下）
  • 二十、数据可视化
  • 二十一、统计学
• Python 和 Jupyter 数据科学入门
  • 零、前言
  • 一、Jupyter 基础知识
  • 二、数据清理和高级机器学习
  • 三、Web 爬取和交互式可视化
• 精通 Python 数据科学
  • 零、前言
  • 一、原始数据入门
  • 二、推断统计
  • 三、大海捞针
  • 四、通过高级可视化感知数据
  • 五、发现机器学习
  • 六、使用线性回归执行预测
  • 七、估计事件的可能性
  • 八、使用协同过滤生成建议
  • 九、使用集成模型扩展边界
  • 十、通过 K 均值聚类应用细分
  • 十一、通过文本挖掘分析非结构化数据
  • 十二、在大数据世界中利用 Python
• Python 数据科学本质论
  • 零、前言
  • 一、第一步
  • 二、数据整理
  • 三、数据管道
  • 四、机器学习
  • 五、可视化，见解和结果
  • 六、社交网络分析
  • 七、超越基础的深度学习
  • 八、大数据和 Spark
  • 九、加强您的 Python 基础
• 数据科学思想
  • 零、前言
  • 一、开发人员对数据科学的看法
  • 二、使用 Jupyter 笔记本和 PixieDust 的大规模数据科学
  • 三、PixieApp 深入了解
  • 四、使用 PixieGateway 服务器将 PixieApp 部署到 Web
  • 五、最佳实践和高级 PixieDust 概念
  • 六、TensorFlow 图像识别
  • 七、大数据和 Twitter 情感分析
  • 八、金融时间序列分析和预测
  • 九、使用图的美国国内航班数据分析
  • 十、最终思想
  • 十一、附录 A：PixieApp 快速参考
• 数据科学实战秘籍
  • 一、准备数据科学环境
  • 二、使用 R 的汽车数据可视化分析
  • 三、使用税务数据和 Python 创建面向应用的分析
  • 四、股票市场数据建模
  • 五、可视化探索就业数据
  • 六、汽车数据的可视化分析
  • 七、使用社交图
  • 八、Python 大规模电影推荐
  • 九、使用 Python 采集和地理定位 Twitter 数据
  • 十、预测新西兰海外访客
  • 十一、德国信用数据分析
• 时间序列分析实战
  • 零、前言
  • 一、时间序列简介
  • 二、了解时间序列数据
  • 三、基于指数平滑的方法
  • 四、自回归模型
  • 五、用于进行时间序列预测的深度学习
  • 六、Python 入门
• Python 真实世界的数据科学
  • 零、课程路线图和时间表
  • 第一部分：Python 基础知识
    • 一、简介和第一步——深呼吸
    • 二、面向对象设计
    • 三、Python 对象
    • 四、相同的对象
    • 五、异常处理
    • 六、何时使用面向对象的编程
    • 七、Python 数据结构
    • 八、Python 面向对象的快捷方式
    • 九、字符串和序列化
    • 十、迭代器模式
    • 十一、Python 设计模式 I
    • 十二、Python 设计模式 II
    • 十三、测试面向对象的程序
    • 十四、并发
  • 第二部分：数据分析
    • 十五、数据分析和库简介
    • 十六、NumPy 数组和向量化计算
    • 十七、Pandas 数据分析
    • 十八、数据可视化
    • 十九、时间序列
    • 二十、与数据库交互
    • 二十一、数据分析应用示例
  • 第三部分：数据挖掘
    • 二十二、数据挖掘入门
    • 二十三、将 scikit-learn 估计器用于分类
    • 二十四、使用决策树预测体育获胜者
    • 二十五、使用亲和力分析推荐电影
    • 二十六、使用提升器提取特征
    • 二十七、将朴素贝叶斯用于社交媒体洞察
    • 二十八、使用图挖掘发现要关注的帐户
    • 二十九、使用神经网络击败验证码
    • 三十、作者归属
    • 三十一、新闻文章聚类
    • 三十二、使用深度学习分类图像中的对象
    • 三十三、使用大数据
    • 三十四、下一步...
  • 第四部分：机器学习
    • 三十五、赋予计算机学习数据的能力
    • 三十六、训练机器学习分类算法
    • 三十七、scikit-learn 机器学习分类器之旅
    • 三十八、建立良好的训练集——数据预处理
    • 三十九、通过降维压缩数据
    • 四十、学习模型评估和超参数调整的最佳实践
    • 四十一、组合不同的模型以便集成学习
    • 四十二、使用回归分析预测连续目标变量
  • 四十三、附录 A：答案
  • 四十四、附录 B：参考书目