顶部
收藏

数据应用开发与服务(Python)(中、高级)


作者:
北京中软国际信息技术有限公司 组织编写 吕志君 王正才 李兴书 主编
定价:
52.50元
ISBN:
978-7-04-059349-5
版面字数:
350.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2023-06-21
读者对象:
高等职业教育
一级分类:
计算机大类
二级分类:
计算机类
三级分类:
软件技术

本书为1+X 职业技能等级证书配套系列教材之一,以《数据应用开发与服务(Python)职业技能等级标准(中、高级)》为依据,由北京中软国际信息技术有限公司组织编写。

本书采用项目化编写模式,共分为5 个项目:项目1 介绍多源数据采集与存储,主要利用Python 语言对不同数据源的数据进行采集;项目2 介绍数据处理,从数据探查、数据清洗和转换、数据取样以及数据检验4 个方面演练典型的数据处理方法;项目3 介绍数据建模与性能评估,在熟悉数据含义并对数据进行预处理的基础上,构建并训练如回归、分类和聚类等机器学习模型,并对未知数据进行预测;项目4 介绍特征选取与模型优化,使用Python语言调用sklearn 库函数实现特征提取与模型优化;项目5 介绍模型应用开发,实现端到端的数据应用开发与服务,并且侧重于将模型集成到一个完整的应用程序中。全书通过构建42 个学习任务,引导学生掌握Python 应用开发的综合应用知识与技能,并培养其应用所学完成实际任务的能力。

本书配套微课视频、电子课件(PPT)、任务源码、习题解答等数字化学习资源。与本书配套的数字课程“数据应用开发与服务(Python)”在“智慧职教”平台(www.icve.com.cn)上线,学习者可以登录平台进行在线学习,也可以通过扫描书中二维码观看教学视频,详见“智慧职教”服务指南。教师可发邮件至编辑邮箱1548103297@qq.com 获取相关教学资源。

本书可作为数据应用开发与服务(Python)1+X 职业技能等级证书(中、高级)认证的相关教学和培训教材,也可作为高等职业院校Python程序设计及大数据技术类课程的相关教学用书,还可供有一定Python 数据分析基础的开发人员自学参考,为将来从事与Python 应用相关的多源数据采集、数据预处理、数据建模、数据可视化、特征选取、模型优化、模型部署、模型应用开发等工作打下良好基础。

  • 前辅文
  • 项目1 多源数据采集与存储
    • 学习目标
    • 项目介绍
    • 任务1.1 使用多线程实现多任务并发
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.2 基于网络应用协议获取数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.3 使用正则表达式匹配文本
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.4 使用爬虫框架爬取网站数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.5 读写MongoDB 非结构化数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.6 读写Redis 非结构化数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.7 快速搭建本地大数据环境
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.8 读写HDFS 数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.9 读写HBase 数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务1.10 从Hive 读取数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 项目小结
    • 课后练习
  • 项目2 数据处理
    • 学习目标
    • 项目介绍
    • 任务2.1 获取数据的分布特点
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.2 以可视化方式查看数据特点
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.3 对数据进行归一化处理
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.4 对文本数据进行数值化处理
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.5 对数据进行离散化和分箱处理
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.6 生成K 折交叉验证数据
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.7 数据抽样
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.8 数据正态性验证
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务2.9 检测数据中的异常点或离群点
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 项目小结
    • 课后练习
  • 项目3 数据建模与性能评估
    • 学习目标
    • 项目介绍
    • 任务3.1 训练线性回归模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.2 评价线性回归模型的性能
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.3 训练逻辑回归模型进行二分类
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.4 评价二分类模型的性能
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.5 使用朴素贝叶斯模型进行文本分类
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.6 使用K 近邻模型进行分类
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.7 使用决策树模型进行分类
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务3.8 使用K-Means 模型进行聚类
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 项目小结
    • 课后练习
  • 项目4 特征选取与模型优化
    • 学习目标
    • 项目介绍
    • 任务4.1 合理使用逻辑回归的惩罚项
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.2 根据性能指标优选模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.3 使用Bagging 方法构建集成学习模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.4 使用Boosting 方法构建集成学习模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.5 使用Filter 方法进行特征筛选
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.6 使用Wrapper 方法进行特征筛选
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.7 使用Embedded 方法进行特征筛选
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.8 对数据进行特征降维
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.9 使用关联规则推荐模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.10 使用协同过滤模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务4.11 使用时间序列模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 项目小结
    • 课后练习
  • 项目5 模型应用开发
    • 学习目标
    • 项目介绍
    • 任务5.1 训练、保存和测试模型
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务5.2 使用Django 构建模型服务
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务5.3 实现客户端程序
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 任务5.4 使用Flask 构建模型服务
      • 【任务目标】
      • 【任务描述】
      • 【知识准备】
      • 【任务实施】
      • 【任务小结】
    • 项目小结
    • 课后练习
  • 参考文献

相关图书