巧用ChatGPT进行数据分析与挖掘

作者简介

推荐阅读

12.4 本章小结

12.3 案例：对乳腺癌数据集寻找最优模型

12.2.6 梯度下降法

12.2.5 Dropout

12.2.4 网格搜索

12.2.3 K折交叉验证

12.2.2 数据分区

12.2.1 正则化

12.2 模型参数优化

12.1.2 分类预测的评估方法及其scikit-learn实现

12.1.1 数值预测的评估方法及其scikit-learn实现

12.1 模型性能评估

第12章 使用ChatGPT学习模型性能评估及优化

11.4 本章小结

11.3.7 案例：使用卷积神经网络实现手写数字识别

11.3.6 全连接层

11.3.5 池化层的TensorFlow实现

11.3.4 池化层的原理

11.3.3 卷积层的TensorFlow实现

11.3.2 卷积层的原理

11.3.1 卷积神经网络的原理

11.3 卷积神经网络

11.2.3 案例：对乳腺癌数据集进行前馈神经网络分类

11.2.2 前馈神经网络的scikit-learn实现

11.2.1 了解前馈神经网络

11.2 前馈神经网络

11.1.4 常用的神经网络模型

11.1.3 常用的激活函数

11.1.2 神经网络的拓扑结构

11.1.1 了解神经网络算法

11.1 神经网络算法的理论基础

第11章 使用ChatGPT学习神经网络算法

10.5 本章小结

10.4.2 案例：对乳腺癌数据集进行支持向量机分类

10.4.1 基于scikit-learn实现支持向量机分类

10.4 支持向量机算法的Python实现

10.3.2 常见的支持向量机模型

10.3.1 了解支持向量机

10.3 支持向量机算法的原理

10.2.2 案例：对乳腺癌数据集进行k近邻分类

10.2.1 基于scikit-learn实现k近邻分类

10.2 k近邻算法的Python实现

10.1.3 距离的度量方法

10.1.2 k近邻算法的推导过程

10.1.1 k近邻算法的思想

10.1 k近邻算法的原理

第10章 使用ChatGPT学习k近邻算法及支持向量机算法

9.6 本章小结

9.5.3 案例：对乳腺癌数据集进行随机森林分类

9.5.2 基于scikit-learn实现随机森林分类

9.5.1 常用的集成学习算法

9.5 随机森林算法的原理及实现

9.4.2 对决策树分类模型进行调优

9.4.1 构建决策树分类模型

9.4 案例：对乳腺癌数据集进行决策树分类

9.3.4 绘制决策边界

9.3.3 决策树可视化

9.3.2 查看生成的决策规则

9.3.1 构建决策树

9.3 案例：对iris数据集进行决策树分类

9.2.2 基于scikit-learn实现决策树分类

9.2.1 实现决策树算法的常用库

9.2 决策树算法的Python实现

9.1.2 常用的决策树算法

9.1.1 决策树算法概述

9.1 决策树算法的原理

第9章 使用ChatGPT学习决策树算法及随机森林算法

8.7 本章小结

8.6.3 案例：对iris数据集进行逻辑回归

8.6.2 逻辑回归的Python实现

8.6.1 逻辑回归的原理

8.6 逻辑回归

8.5 通过逐步回归寻找最优模型

8.4.2 回归模型的效果评估

8.4.1 对自变量中有定性变量的数据集建立线性回归模型

8.4 对自变量中有定性变量的数据集进行线性回归

8.3.2 案例：对个人医疗费用进行多元线性回归

8.3.1 多元线性回归的原理

8.3 多元线性回归

8.2.3 案例：对women数据集进行一元线性回归

8.2.2 使用scikit-learn实现一元线性回归

8.2.1 一元线性回归的原理

8.2 一元线性回归

8.1 使用ChatGPT了解常用的有监督学习算法

第8章 使用ChatGPT学习回归分析

7.4 本章小结

7.3.3 案例：对用户购买物品的行为进行关联规则分析

7.3.2 关联规则分析的Python实现

7.3.1 关联规则分析的原理

7.3 关联规则分析

7.2.3 案例：对iris数据集进行主成分分析

7.2.2 主成分分析的Python实现

7.2.1 主成分分析的原理

7.2 主成分分析

7.1 使用ChatGPT了解降维算法

第7章 使用ChatGPT学习降维算法及关联规则分析

6.6 本章小结

6.5.3 案例：对multishapes数据集进行密度聚类

6.5.2 密度聚类的Python实现

6.5.1 密度聚类的原理

6.5 密度聚类

6.4.4 使用轮廓系数寻找最佳聚类簇数

6.4.3 案例：对USArrests数据集进行层次聚类

6.4.2 层次聚类的Python实现

6.4.1 层次聚类的原理

6.4 层次聚类

6.3.4 使用统计方法寻找最佳聚类簇数

6.3.3 案例：对iris数据集进行k均值聚类

6.3.2 k均值聚类的Python实现

6.3.1 k均值聚类的原理

6.3 k均值聚类

6.2 聚类分析方法概述

6.1 使用ChatGPT了解无监督学习

第6章 使用ChatGPT学习聚类分析

5.4 本章小结

5.3.2 使用Pyecharts进行交互可视化

5.3.1 Pyecharts交互可视化绘图方法

5.3 使用ChatGPT学习Pyecharts数据可视化

5.2.2 使用Bokeh进行交互可视化

5.2.1 Bokeh交互可视化绘图方法

5.2 使用ChatGPT学习Bokeh数据可视化

5.1.3 使用express进行交互可视化

5.1.2 使用graph_objs进行交互可视化

5.1.1 Plotly交互可视化绘图方法

5.1 使用ChatGPT学习Plotly数据可视化

第5章 使用ChatGPT学习交互数据可视化

4.6 本章小结

4.5.2 使用plotnine绘制图形

4.5.1 plotnine绘图方法

4.5 使用ChatGPT学习plotnine数据可视化

4.4.2 使用Seaborn绘制图形

4.4.1 Seaborn绘图方法

4.4 使用ChatGPT学习Seaborn数据可视化

4.3.2 使用Pandas绘制图形

4.3.1 Pandas绘图方法

4.3 使用ChatGPT学习Pandas数据可视化

4.2.2 使用Matplotlib绘制图形

4.2.1 Matplotlib绘图基础

4.2 使用ChatGPT学习Matplotlib数据可视化

4.1 使用ChatGPT了解数据可视化工具

第4章 使用ChatGPT学习数据静态可视化

3.4 本章小结

3.3.2 数据独热编码处理

3.3.1 数据标准化处理

3.3 使用ChatGPT学习数据变换

3.2.2 异常值的识别及处理

3.2.1 缺失值的识别及处理

3.2 使用ChatGPT学习数据清洗

3.1.5 数据类失衡处理

3.1.4 分层随机抽样

3.1.3 数据分区

3.1.2 简单随机抽样

3.1.1 常用的数据抽样方法

3.1 使用ChatGPT学习数据抽样

第3章 使用ChatGPT学习数据预处理

2.5 本章小结

2.4.3 图像的几何变换操作

2.4.2 图像像素的获取和编辑

2.4.1 图像的读取、显示及保存

2.4 使用ChatGPT学习图像数据操作

2.3.4 词性标注

2.3.3 关键词提取

2.3.2 添加自定义词典

2.3.1 Jieba分词

2.3 使用ChatGPT学习中文文本操作

2.2.5 频数分布分析

2.2.4 分布形状分析

2.2.3 离散程度分析

2.2.2 中心趋势分析

2.2.1 描述统计分析概述

2.2 使用ChatGPT学习描述统计分析

2.1.4 数据分箱

2.1.3 数据合并

2.1.2 数据排序

2.1.1 数据去重

2.1 使用ChatGPT学习数据的基本管理

第2章 使用ChatGPT学习数据操作

1.5 本章小结

1.4.3 使用ChatGPT学习Pandas

1.4.2 使用ChatGPT学习NumPy

1.4.1 使用ChatGPT学习Python数据对象

1.4 使用ChatGPT辅助Python入门

1.3.2 Jupyter Notebook的使用

1.3.1 Anaconda的安装

1.3 使用ChatGPT辅助工具安装

1.2.3 如何使用科大讯飞的星火认知大模型

1.2.2 如何使用百度的文心一言

1.2.1 如何使用OpenAI的GPT-3.5

1.2 常用AIGC工具的注册及使用

1.1.3 机器学习算法概述

1.1.2 数据分析与数据挖掘

1.1.1 用ChatGPT快速了解数据分析

1.1 数据分析概述

第1章 数据分析及ChatGPT概述

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 数据分析及ChatGPT概述

1.1 数据分析概述

1.1.1 用ChatGPT快速了解数据分析

1.1.2 数据分析与数据挖掘

1.1.3 机器学习算法概述

1.2 常用AIGC工具的注册及使用

1.2.1 如何使用OpenAI的GPT-3.5

1.2.2 如何使用百度的文心一言

1.2.3 如何使用科大讯飞的星火认知大模型

1.3 使用ChatGPT辅助工具安装

1.3.1 Anaconda的安装

1.3.2 Jupyter Notebook的使用

1.4 使用ChatGPT辅助Python入门

1.4.1 使用ChatGPT学习Python数据对象

1.4.2 使用ChatGPT学习NumPy

1.4.3 使用ChatGPT学习Pandas

1.5 本章小结

第2章 使用ChatGPT学习数据操作

2.1 使用ChatGPT学习数据的基本管理

2.1.1 数据去重

2.1.2 数据排序

2.1.3 数据合并

2.1.4 数据分箱

2.2 使用ChatGPT学习描述统计分析

2.2.1 描述统计分析概述

2.2.2 中心趋势分析

2.2.3 离散程度分析

2.2.4 分布形状分析

2.2.5 频数分布分析

2.3 使用ChatGPT学习中文文本操作

2.3.1 Jieba分词

2.3.2 添加自定义词典

2.3.3 关键词提取

2.3.4 词性标注

2.4 使用ChatGPT学习图像数据操作

2.4.1 图像的读取、显示及保存

2.4.2 图像像素的获取和编辑

2.4.3 图像的几何变换操作

2.5 本章小结

第3章 使用ChatGPT学习数据预处理

3.1 使用ChatGPT学习数据抽样

3.1.1 常用的数据抽样方法

3.1.2 简单随机抽样

3.1.3 数据分区

3.1.4 分层随机抽样

3.1.5 数据类失衡处理

3.2 使用ChatGPT学习数据清洗

3.2.1 缺失值的识别及处理

3.2.2 异常值的识别及处理

3.3 使用ChatGPT学习数据变换

3.3.1 数据标准化处理

3.3.2 数据独热编码处理

3.4 本章小结

第4章 使用ChatGPT学习数据静态可视化

4.1 使用ChatGPT了解数据可视化工具

4.2 使用ChatGPT学习Matplotlib数据可视化

4.2.1 Matplotlib绘图基础

4.2.2 使用Matplotlib绘制图形

4.3 使用ChatGPT学习Pandas数据可视化

4.3.1 Pandas绘图方法

4.3.2 使用Pandas绘制图形

4.4 使用ChatGPT学习Seaborn数据可视化

4.4.1 Seaborn绘图方法

4.4.2 使用Seaborn绘制图形

4.5 使用ChatGPT学习plotnine数据可视化

4.5.1 plotnine绘图方法

4.5.2 使用plotnine绘制图形

4.6 本章小结

第5章 使用ChatGPT学习交互数据可视化

5.1 使用ChatGPT学习Plotly数据可视化

5.1.1 Plotly交互可视化绘图方法

5.1.2 使用graph_objs进行交互可视化

5.1.3 使用express进行交互可视化

5.2 使用ChatGPT学习Bokeh数据可视化

5.2.1 Bokeh交互可视化绘图方法

5.2.2 使用Bokeh进行交互可视化

5.3 使用ChatGPT学习Pyecharts数据可视化

5.3.1 Pyecharts交互可视化绘图方法

5.3.2 使用Pyecharts进行交互可视化

5.4 本章小结

第6章 使用ChatGPT学习聚类分析

6.1 使用ChatGPT了解无监督学习

6.2 聚类分析方法概述

6.3 k均值聚类

6.3.1 k均值聚类的原理

6.3.2 k均值聚类的Python实现

6.3.3 案例：对iris数据集进行k均值聚类

6.3.4 使用统计方法寻找最佳聚类簇数

6.4 层次聚类

6.4.1 层次聚类的原理

6.4.2 层次聚类的Python实现

6.4.3 案例：对USArrests数据集进行层次聚类

6.4.4 使用轮廓系数寻找最佳聚类簇数

6.5 密度聚类

6.5.1 密度聚类的原理

6.5.2 密度聚类的Python实现

6.5.3 案例：对multishapes数据集进行密度聚类

6.6 本章小结

第7章 使用ChatGPT学习降维算法及关联规则分析

7.1 使用ChatGPT了解降维算法

7.2 主成分分析

7.2.1 主成分分析的原理

7.2.2 主成分分析的Python实现

7.2.3 案例：对iris数据集进行主成分分析

7.3 关联规则分析

7.3.1 关联规则分析的原理

7.3.2 关联规则分析的Python实现

7.3.3 案例：对用户购买物品的行为进行关联规则分析

7.4 本章小结

第8章 使用ChatGPT学习回归分析

8.1 使用ChatGPT了解常用的有监督学习算法

8.2 一元线性回归

8.2.1 一元线性回归的原理

8.2.2 使用scikit-learn实现一元线性回归

8.2.3 案例：对women数据集进行一元线性回归

8.3 多元线性回归

8.3.1 多元线性回归的原理

8.3.2 案例：对个人医疗费用进行多元线性回归

8.4 对自变量中有定性变量的数据集进行线性回归

8.4.1 对自变量中有定性变量的数据集建立线性回归模型

8.4.2 回归模型的效果评估

8.5 通过逐步回归寻找最优模型

8.6 逻辑回归

8.6.1 逻辑回归的原理

8.6.2 逻辑回归的Python实现

8.6.3 案例：对iris数据集进行逻辑回归

8.7 本章小结

第9章 使用ChatGPT学习决策树算法及随机森林算法

9.1 决策树算法的原理

9.1.1 决策树算法概述

9.1.2 常用的决策树算法

9.2 决策树算法的Python实现

9.2.1 实现决策树算法的常用库

9.2.2 基于scikit-learn实现决策树分类

9.3 案例：对iris数据集进行决策树分类

9.3.1 构建决策树

9.3.2 查看生成的决策规则

9.3.3 决策树可视化

9.3.4 绘制决策边界

9.4 案例：对乳腺癌数据集进行决策树分类

9.4.1 构建决策树分类模型

9.4.2 对决策树分类模型进行调优

9.5 随机森林算法的原理及实现

9.5.1 常用的集成学习算法

9.5.2 基于scikit-learn实现随机森林分类

9.5.3 案例：对乳腺癌数据集进行随机森林分类

9.6 本章小结

第10章 使用ChatGPT学习k近邻算法及支持向量机算法

10.1 k近邻算法的原理

10.1.1 k近邻算法的思想

10.1.2 k近邻算法的推导过程

10.1.3 距离的度量方法

10.2 k近邻算法的Python实现

10.2.1 基于scikit-learn实现k近邻分类

10.2.2 案例：对乳腺癌数据集进行k近邻分类

10.3 支持向量机算法的原理

10.3.1 了解支持向量机

10.3.2 常见的支持向量机模型

10.4 支持向量机算法的Python实现

10.4.1 基于scikit-learn实现支持向量机分类

10.4.2 案例：对乳腺癌数据集进行支持向量机分类

10.5 本章小结

第11章 使用ChatGPT学习神经网络算法

11.1 神经网络算法的理论基础

11.1.1 了解神经网络算法

11.1.2 神经网络的拓扑结构

11.1.3 常用的激活函数

11.1.4 常用的神经网络模型

11.2 前馈神经网络

11.2.1 了解前馈神经网络

11.2.2 前馈神经网络的scikit-learn实现

11.2.3 案例：对乳腺癌数据集进行前馈神经网络分类

11.3 卷积神经网络

11.3.1 卷积神经网络的原理

11.3.2 卷积层的原理

11.3.3 卷积层的TensorFlow实现

11.3.4 池化层的原理

11.3.5 池化层的TensorFlow实现

11.3.6 全连接层

11.3.7 案例：使用卷积神经网络实现手写数字识别

11.4 本章小结

第12章 使用ChatGPT学习模型性能评估及优化

12.1 模型性能评估

12.1.1 数值预测的评估方法及其scikit-learn实现

12.1.2 分类预测的评估方法及其scikit-learn实现

12.2 模型参数优化

12.2.1 正则化

12.2.2 数据分区

12.2.3 K折交叉验证

12.2.4 网格搜索

12.2.5 Dropout

12.2.6 梯度下降法

12.3 案例：对乳腺癌数据集寻找最优模型

12.4 本章小结

推荐阅读

作者简介