人工智能数据素养

数据作为一种新型生产要素，在未来的社会发展过程中将扮演越来越重要的角色，提升数据素养将有助于促进中国人工智能后备人才的高质量发展。本书以人工智能下的大数据时代为背景，从数据素养、数据分析基础、统计分析、机器学习多个维度全面系统地介绍了如何探索数据、整理数据并分析数据。本书没有给出晦涩难懂的数学公式，也不涉及复杂烦琐的程序代码，而是在阐述基本原理的基础上，辅以简洁的Python 程序，让读者能够快速入门，提升个人的数据综合素养。

第1 章 人工智能下的大数据时代 ．． 001
1．1 大数据时代和人工智能 ．001
1．1．1 一切皆为数据 ．001
1．1．2 数据高速增长时代 ．002
1．1．3 利用人工智能掘金大数据．003
1．2 人工智能三要素 004
1．2．1 数据――AI 之源 005
1．2．2 算法――AI 之核 006
1．2．3 算力――AI 之驱 007
1．3 数据素养 ．007
1．3．1 何为数据素养 ．007
1．3．2 数据素养为何重要 ．010
1．3．3 如何提升数据素养 ．011
1．4 本章小结 ．012
第2 章 Python 数据分析基础 ． 013
2．1 Python 基础 ．013
2．1．1 Python 简介 013
2．1．2 Python 数据类型 017
2．1．3 常用的操作、函数和方法．021
2．1．4 列表、元组、字典 ．024
2．1．5 顺序结构 ．027
2．1．6 分支结构 ．027
2．1．7 循环结构 ．030
2．2 Python 数据分析环境 ．032
2．2．1 使用pip 安装数据分析相关库 ．032
2．2．2 安装Anaconda 033
2．3 Python 数据分析相关库 033
2．3．1 NumPy 库 ．033
2．3．2 Matplotlib 库 034
2．3．3 SciPy 库035
2．3．4 Pandas 库 036
2．3．5 xlrd 库 036
2．3．6 PyMySQL 库 037
2．3．7 其他数据分析相关库 037
2．4 本章小结 038
第3 章 Jupyter 环境的使用 ． 039
3．1 Jupyter Notebook 概述 039
3．1．1 Jupyter Notebook 简介及优点 039
3．1．2 Jupyter Notebook 开发环境的搭建 039
3．1．3 使用pip 命令安装 ．044
3．2 认识Jupyter Notebook 044
3．2．1 认识Files、Running、Clusters 页面 ．044
3．2．2 认识Jupyter Notebook 的主页面 046
3．3 新建、运行、保存Jupyter Notebook 文件 048
3．3．1 新建一个Jupyter Notebook ．048
3．3．2 运行代码 049
3．3．3 重命名Jupyter Notebook 文件 ．049
3．3．4 保存Jupyter Notebook 文件 050
3．4 处理不同类型的数据 ．050
3．4．1 处理txt 文件 050
3．4．2 处理CSV 文件 ．052
3．4．3 处理Excel 文件 053
3．4．4 处理sql 文件 ．053
3．5 在Markdown 中使用LaTeX 输入数学公式 ．054
3．5．1 使用LaTeX 输入一个数学公式 054
3．5．2 LaTeX 的2 种公式格式 ．055
3．5．3 常用数学公式的写法 056
3．6 Jupyter Notebook 应用实例解析 ．058
3．6．1 实例1：能力六维雷达图的绘制 058
3．6．2 实例2：词频统计 059
3．7 本章小结 ．060
第4 章 探索数据  062
4．1 走进数据的世界 062
4．1．1 定义数据 ．062
4．1．2 数据的分类 063
4．1．3 深挖数据的4 种能力 065
4．1．4 善用指标分析问题 ．067
4．2 数据的评估 069
4．2．1 指标真的可靠吗 069
4．2．2 统计数据会“说谎” 071
4．3 数据怎么用 072
4．3．1 数据清洗 ．072
4．3．2 数据的标准化 ．076
4．4 本章小结 ．078
第5 章 描述统计  079
5．1 数据集中趋势 ．079
5．1．1 均值的定义与应用 ．079
5．1．2 中位数的定义与应用 081
5．1．3 众数的定义与应用 ．083
5．1．4 案例分析 ．085
5．2 数据离散程度 ．087
5．2．1 极差的定义与应用 ．088
5．2．2 方差的定义与应用 ．090
5．3 本章小结 091
第6 章 推断统计 ． 092
6．1 基础知识要点 092
6．1．1 排列与组合 ．092
6．1．2 随机事件及其概率 ．095
6．2 概率分布及其特征 095
6．2．1 二项分布 096
6．2．2 正态分布 098
6．3 统计量 ．104
6．3．1 总体与样本 ．105
6．3．2 参数估计 109
6．3．3 假设检验 112
6．4 本章小结 116
第7 章 数据可视化 ． 117
7．1 什么是数据可视化 117
7．1．1 数据可视化的定义和意义 117
7．1．2 数据可视化的发展历史 ．118
7．2 图形对象与元素 ．119
7．2．1 如何建立坐标系121
7．2．2 如何设置坐标轴的文本和图例 122
7．3 可视化色彩的运用原理 123
7．3．1 RGB 颜色模式 123
7．3．2 HSL 颜色模式 124
7．3．3 颜色搭配的技巧和案例 ．124
7．4 图表的基本类型 ．126
7．4．1 如何绘制柱形图126
7．4．2 如何绘制散点图127
7．4．3 如何绘制饼形图129
7．4．4 如何绘制折线图 130
7．5 数据分析及可视化案例 ．132
7．5．1 数据可视化经典案例 132
7．5．2 非结构化数据的可视化案例 132
7．6 常见的数据可视化流程 ．133
7．7 本章小结 ．133
第8 章 NumPy 数组  134
8．1 NumPy 库简介 134
8．2 NumPy 数组的生成 134
8．2．1 生成一般数组 ．135
8．2．2 生成特殊数组 ．136
8．2．3 生成随机数组 ．138
8．3 NumPy 数组基础 ．140
8．3．1 NumPy 数组的基本属性 ．140
8．3．2 数组索引：获取单个元素．141
8．3．3 数组切片：获取子数组 ．141
8．4 NumPy 数组重塑 ．143
8．4．1 NumPy 数组的变形 144
8．4．2 NumPy 数组的转置和换轴 144
8．4．3 NumPy 数组的拼接与分裂 146
8．5 NumPy 库中的线性代数 147
8．5．1 矩阵乘法 ．147
8．5．2 行列式 148
8．5．3 求线性方程的解 148
8．6 通用函数 ．150
8．6．1 一元通用函数 ．150
8．6．2 二元通用函数 ．150
8．6．3 广播 ．152
8．7 常用的数据分析函数 154
8．7．1 条件函数 ．154
8．7．2 聚合函数 154
8．7．3 快速排序 156
8．7．4 唯一值与其他集合逻辑 ．157
8．8 本章小结 158
第9 章 时间序列数据 ． 159
9．1 时间序列的定义及分类 159
9．1．1 时间序列的定义159
9．1．2 时间序列的分类159
9．2 时间序列的描述性分析 162
9．2．1 图形描述 162
9．2．2 增长率分析 ．163
9．3 时间序列的预测 ．164
9．3．1 确定时间序列成分 ．165
9．3．2 选择预测方法 166
9．3．3 预测方法评估 167
9．4 平稳时间序列的预测 ．169
9．4．1 简单平均法 ．169
9．4．2 移动平均法 ．170
9．4．3 指数平滑法 ．171
9．5 趋势型和复合型时间序列的预测 ．172
9．5．1 线性趋势预测 172
9．5．2 非线性趋势预测173
9．5．3 复合型时间序列的分解预测 ．174
9．6 使用Python 处理时间序列数据 ．174
9．6．1 时间序列数据处理工具的选择 175
9．6．2 时间序列数据的导入 175
9．6．3 时间序列数据预处理 176
9．6．4 时间序列数据处理 ．177
9．7 本章小结 185
第10 章 文本数据  186
10．1 文本数据的导入 186
10．1．1 文本数据与自然语言处理 ．186
10．1．2 分词 ．187
10．2 文本数据的处理 189
10．2．1 文本特征初探 189
10．2．2 文本信息的提取 ．194
10．2．3 文本向量化 ．198
10．3 文本分析的应用 200
10．3．1 文本分类 200
10．3．2 文本情感分析 201
10．4 本章小结 ．204
第11 章 回归分析  205
11．1 叩响人工智能之门 205
11．1．1 人工智能与机器学习 ．205
11．1．2 工欲善其事，必先利其器 ．208
11．1．3 算法，该“出道”了 ．208
11．2 万朝归宗：线性回归 ．209
11．2．1 一元之道 210
11．2．2 从一元到多元 216
11．2．3 学习和工作中的线性回归 ．218
11．3 回归增强术 221
11．3．1 非线性回归 ．221
11．3．2 可分类的回归 224
11．3．3 能降维的回归 227
11．4 本章小结 ．228
第12 章 聚类分析  229
12．1 数据之眼看聚类 229
12．1．1 什么是聚类 229
12．1．2 人工智能的未来：无监督学习 231
12．1．3 距离产生美 232
12．2 K 均值聚类 234
12．2．1 K 均值聚类的思想 ．234
12．2．2 抽丝剥茧K 均值 234
12．2．3 鸢尾花的K 均值聚类 238
12．3 案例：数据下的省、区、市 ．240
12．3．1 提出问题 ．240
12．3．2 数据获取与处理 241
12．3．3 建模分析与结果 242
12．4 本章小结 244
第13 章 数据素养综合案例  245
13．1 综合案例1：利用人工智能爬取大数据，轻松掌握股市动态 245
13．1．1 认识人工智能网络爬虫 ．245
13．1．2 爬取股市大数据，分析需求 ．246
13．1．3 爬取股市大数据案例 246
13．2 综合案例2：人工智能数据――体型分析 251
13．2．1 K 最邻近分类算法原理251
13．2．2 使用KNN 分类算法对体型进行分类的案例 253
13．3 其他案例集 254
13．3．1 计算生肖和星座 254
13．3．2 猜数游戏 255
13．3．3 二维列表排序 255
13．3．4 学生信息录入 255
13．3．5 打印回文素数（合数）256
13．3．6 数据库加密 256
13．3．7 计算圆台的体积和表面积 256
13．4 本章小结 257