大数据分析师权威教程 机器学习、大数据分析和可视化 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

Wrox国际IT认证项目组 著，姚军 译

图书标签:

• 大数据分析
• 机器学习
• 数据可视化
• 数据分析
• Python
• R语言
• 统计学
• 数据挖掘
• 人工智能
• 职业技能

出版社： 人民邮电出版社

ISBN：9787115456892

版次：1

商品编码：12134647

品牌：异步图书

包装：平装

开本：16开

出版时间：2017-07-01

用纸：胶版纸

页数：317

正文语种：中文

编辑推荐

适读人群 ：本书适用于想参加大数据分析师认证考试的人员，以及所有对大数据分析感兴趣的技术人员和决策者阅读。

　　大数据是当今科技行业中非常受欢迎的流行语之一。全世界的企业都已经意识到了可用的大量数据的价值，并尽努力来管理和分析数据、发挥其作用，以建立战略和发展竞争优势。与此同时，这项技术的出现，导致了各种新的和增强的工作角色的演变。

　　《大数据分析师**教程》系列的目标是培养新一代的国际化全能大数据分析师，使他们精通数据挖掘、数据操纵和数据分析方面的基本及高级分析技术，熟悉大数据平台以及业务和行业需求，能够高效地参与大数据分析项目。

　　本系列旨在使参与者熟悉整个数据分析生命期，通过众多案例分析，使参与者熟悉大数据在不同相关行业中的角色和用途，提供基本及高级大数据分析以及可视化技术的完整技术诀窍，帮助他们分析数据、创建统计模型和提供业务洞察力。

　　本系列共两卷，第1卷“大数据分析与预测建模”包含4个模块，涉及大数据入门，分析和R编程入门，使用R语言进行数据分析，用R语言进行高级分析；第2卷“机器学习、大数据分析和可视化”包含3个模块，涉及机器学习的概念，社交媒体、移动分析和可视化，大数据分析的行业应用。

内容简介

　　“大数据”已连年入选IT领域的热点话题，人们每天都会通过互联网、移动设备等生产大量数据。如何从海量数据中洞悉出隐藏其后的见解是当今社会各领域人士极为关注的话题。本系列图书以“大数据分析师”应掌握的IT技术为主线，共分两卷，以7个模块（第1卷含4个模块，第2卷含3个模块）分别介绍大数据入门，分析和R编程入门，使用R进行数据分析，用R进行高级分析，机器学习的概念，社交媒体、移动分析和可视化，大数据分析的行业应用等核心内容，全面且详尽地涵盖了大数据分析的各个领域。

　　本书为第2卷，首先介绍机器学习的类型和方法，R上的图模型和贝叶斯网络、人工神经网络、使用PCA和因子分析降维法以及支持向量机，并讲解如何用R语言实现各种网络，然后介绍大数据解决方案工程、社交媒体分析和文本分析、移动分析和大数据可视化，最后通过几个实际案例讲解大数据分析在各行业中的应用。

　　本书适用于想成为大数据分析师的人员以及所有对大数据分析感兴趣的技术人员和决策者阅读。

作者简介

国际知名IT培训机构中的多名大牛讲师，通过对技术、IT市场需求以及当今就业培训方面的全球行业标准进行了广泛并严格的调研之后，开发而成。作者们的这些计划的构思目标是，成为理想的就业能力培训项目，为那些有志于在国际IT行业取得事业成功的人提供服务。

目录

模块1 机器学习的概念
第1讲 理解机器学习技术 3
1．1 什么是机器学习 4
1．1．1 数据挖掘与机器学习之间的差异 5
1．1．2 SpamAssassin特性 6
1．2 机器学习的应用 8
1．2．1 图像识别 8
1．2．2 语音识别 10
1．2．3 医疗诊断 10
1．2．4 统计套利 11
1．2．5 关联学习 11
1．2．6 分类 11
1．2．7 预测 12
1．2．8 提取 13
1．2．9 回归 13
1．2．10 概率 13
1．3 机器学习的类型 14
1．3．1 有监督学习 14
1．3．2 无监督学习 15
1．3．3 强化学习 15
1．4 机器学习方法 16
1．4．1 决策树学习 16
1．4．2 关联规则学习 16
1．4．3 人工神经网络 17
1．4．4 归纳逻辑编程 17
1．4．5 支持向量机 17
1．4．6 聚类 18
1．4．7 贝叶斯网络 18
1．4．8 强化学习 18
1．4．9 表示学习 18
1．4．10 相似性和度量学习 18
1．4．11 稀疏字典学习 19
1．5 机器学习算法列表 19
练习 22
备忘单 24
第2讲 R上的图模型和贝叶斯网络 25
2．1 图模型简介 26
2．1．1 图模型的类型 30
2．1．2 图中的条件独立性 32
2．1．3 图中的条件独立性与分割 33
2．1．4 图的分解或者因子化 35
2．1．5 图模型的应用 36
2．2 案例研究——图模型在大众公司的应用 37
2．2．1 背景 37
2．2．2 问题 37
2．2．3 解决方案 38
2．3 贝叶斯统计简介 38
2．3．1 贝叶斯定理 39
2．3．2 贝叶斯网络 39
2．4 贝叶斯网络特性 43
2．5 贝叶斯网络中的概率推理 49
2．5．1 推断未观测变量 49
2．5．2 参数学习 49
2．5．3 结构学习 49
2．6 贝叶斯方法 51
2．6．1 变量消除 51
2．6．2 动态编程 52
2．6．3 逼近算法 52
2．7 贝叶斯网络的应用 54
练习 57
备忘单 59
第3讲 人工神经网络 60
3．1 神经网络简介 62
3．2 神经网络的应用 65
3．3 神经网络的结构 66
3．4 人工神经网络模型 68
3．4．1 多层感知器 68
3．4．2 径向基函数网络 69
3．4．3 Kohonen网络 70
3．5 学习规则 72
3．5．1 Hebbian学习规则 73
3．5．2 感知器学习规则 73
3．5．3 Delta学习规则（Windrow-Hoff学习规则） 74
3．5．4 相关学习规则 74
3．5．5 外向星学习规则 74
3．6 神经网络训练算法 75
3．6．1 梯度下降 76
3．6．2 演化算法 77
3．6．3 遗传算法 78
3．7 在R中实现神经网络 80
练习 84
备忘单 87
第4讲 在R中使用PCA和因子分析降维 88
4．1 降维简介 90
4．2 降维的应用 91
4．2．1 文档分类 91
4．2．2 基因表达微阵列分析 92
4．2．3 面部识别 93
4．3 因子分析 94
4．4 因子分析的应用 96
4．4．1 心理测验学中的因子分析 96
4．4．2 营销中的因子分析 97
4．5 因子分析方法 98
4．5．1 EFA和CFA的相似之处 98
4．5．2 EFA和CFA之间的差异 98
4．6 作为数据归约方法的因子分析 99
4．6．1 确定因子数量的标准 101
4．6．2 公因子方差 102
4．6．3 因子载荷 103
4．6．4 因子结构的旋转 104
4．6．5 旋转策略 104
4．6．6 因子结构的解读 105
4．6．7 层次化因子分析 106
4．6．8 因子得分 107
4．7 主成分分析 107
4．7．1 主成分分析的显著性 108
4．7．2 主成分的提取 108
4．7．3 主成分的特性 108
4．7．4 主成分分析的特性 109
4．8 主成分分析中的数据归约和解读 109
4．8．1 投影于一个轴上的惯性 110
4．8．2 距离 110
4．8．3 逆方差 110
4．8．4 协方差 111
4．8．5 变量的范数 112
4．8．6 因子轴 112
4．8．7 因子平面 112
4．8．8 主成分分析的目标 113
4．8．9 相关矩阵的特征值 113
4．8．10 变量的表示 113
4．8．11 个体的表示 114
4．8．12 主成分分析过程 114
4．8．13 选择主成分数量 116
4．8．14 主成分分析的变种 118
4．9 在R上实现主成分分析 120
4．9．1 示例1：欧洲人的蛋白质消耗 120
4．9．2 示例2：美国月度失业率 122
练习 123
备忘单 125
第5讲 支持向量机 127
5．1 支持向量机简介 128
5．2 支持向量机的应用领域 129
5．3 SVM算法 131
5．3．1 可分情况 132
5．3．2 不可分情况 133
5．4 线性支持向量机 135
5．4．1 原型 135
5．4．2 对偶形式 136
5．4．3 有偏和无偏超平面 137
5．5 核函数 137
5．5．1 核规则 137
5．5．2 支持向量机核示例 139
5．6 在R中训练和测试SVM模型 139
5．7 用SVM模型预测的实例 143
5．7．1 数据集 143
5．7．2 准备数据集 144
5．7．3 选择参数 144
5．7．4 训练模型 145
5．7．5 测试模型 146
练习 147
备忘单 149
模块2 社交媒体、移动分析和可视化
第1讲 大数据解决方案工程 153
1．1 大数据展望过程 154
1．1．1 步骤1：研究和面谈以理解业务活动 155
1．1．2 步骤2：获取和分析数据 157
1．1．3 步骤3：对新思路展开头脑风暴 158
1．1．4 步骤4：排定大数据集用例的优先级 159
1．1．5 步骤5：文档 160
1．2 大数据用例的优先级排定 160
1．2．1 优先顺序矩阵过程 161
1．2．2 优先顺序矩阵的陷阱 162
1．3 解决方案工程过程 164
1．3．1 第1步：理解组织是如何赚钱的 164
1．3．2 第2步：识别组织的关键业务活动 167
1．3．3 第3步：进行头脑风暴，确定大数据在业务上的作用 167
1．3．4 第4步：将业务活动分解为用例 168
1．3．5 第5步：证明用例 168
1．3．6 第6步：设计和实施大数据解决方案 169
1．4 解决方案工程示例 170
1．4．1 客户行为分析 171
1．4．2 减少欺诈行为 172
1．5 大数据解决方案的挑战 172
练习 174
备忘单 176
第2讲 社交媒体分析和文本分析 177
2．1 什么是社交媒体 178
2．2 社交分析、指标和计量 181
2．2．1 社交媒体分析工具 181
2．2．2 社交媒体分析与业务决策 182
2．2．3 社交媒体分析与其他分析类型的对比 184
2．3 社交媒体分析的关键要素 184
2．3．1 目标受众 184
2．3．2 预期行动 185
2．3．3 内容 185
2．3．4 内容机制 185
2．3．5 社交媒体分析中使用的技术 186
2．3．6 在线社交媒体分析工具 187
2．3．7 社交媒体分析所用的桌面应用程序 187
2．4 文本挖掘简介 188
2．4．1 文本挖掘工作方式 189
2．4．2 文本挖掘的应用 190
2．5 文本分析过程 190
2．6 情绪分析 192
2．6．1 情绪分析使用的方法 193
2．6．2 在线情绪分析 193
2．7 在R上实施Twitter情绪分析 194
练习 203
备忘单 205
第3讲 执行移动分析 207
3．1 移动分析简介 208
3．1．1 什么是移动分析 209
3．1．2 移动分析和Web分析 209
3．1．3 移动分析和商业价值 210
3．1．4 移动分析结果类型 210
3．1．5 移动分析应用类型 211
3．1．6 使用移动分析的领域 212
3．2 移动分析工具 212
3．2．1 基于位置的跟踪工具 213
3．2．2 实时分析工具 213
3．2．3 用户行为跟踪工具 214
3．3 执行移动分析 216
3．3．1 通过移动应用收集数据 216
3．3．2 将数据收集到服务器 217
3．4 应用分析报告 218
3．5 移动分析的挑战 219
3．5．1 网络问题 219
3．5．2 安全性问题和政府协议 220
练习 221
备忘单 223
第4讲 大数据可视化 225
4．1 什么是可视化 226
4．1．1 为什么对数据进行可视化 226
4．1．2 可视化技术 227
4．1．3 可视化类型 227
4．1．4 可视化的应用 228
4．2 大数据可视化的重要性 229
4．2．1 传统信息可视化的不足 229
4．2．2 大数据可视化的商业价值 229
4．2．3 用可视化将数据变成信息 230
4．2．4 使用不同工具的可视化示例 231
4．2．5 大数据可视化中的障碍 233
4．3 大数据可视化工具 233
4．3．1 大数据可视化专属服务 234
4．3．2 开源可视化程序库 234
4．3．3 用于大数据可视化的技术 235
4．4 Tableau产品 235
4．4．1 用Tableau Desktop创建可视化 236
4．4．2 Tableau Desktop工作区简介 239
4．4．3 多个工作表页面 240
4．4．4 Tableau工作区 240
4．5 使用数据源 246
4．5．1 用Tableau联合数据库表 246
4．5．2 连接到SQL 247
4．6 数据运算（排序、聚合、联接） 248
4．6．1 地图和地理单元 249
4．6．2 创建交互式可视化 251
练习 254
备忘单 256
第5讲 招聘准备 258
5．1 大数据分析师所需要的关键技能 260
5．2 大数据分析岗位职责 262
5．2．1 初级分析师 262
5．2．2 中级分析师 263
5．2．3 高级分析师 263
5．3 大数据工作机会领域 264
模块3 大数据分析的行业应用
第1讲 大数据业务问题和解决方案—保险欺诈分析 273
1．1 背景 274
1．1．1 保险合同 275
1．1．2 保单类型 275
1．2 保险欺诈及其影响 276
1．3 场景 277
1．4 数据的解释 277
1．5 方法论 278
1．6 具体做法 279
1．7 结论 280
第2讲 大数据业务问题和解决方案—信用风险 281
2．1 背景 282
2．2 场景 283
2．3 数据的解释 284
2．4 方法论和具体做法 285
2．5 结论 287
第3讲 大数据业务问题和解决方案—典型行业 288
3．1 背景 289
3．1．1 客户流失 289
3．1．2 缺乏最优营销策略 289
3．1．3 呼叫数据记录（CDR）分析的需求 290
3．2 为增加利润而进行数据分析 290
3．2．1 避免客户流失 290
3．2．2 采用最优的营销策略 290
3．2．3 分析呼叫详细记录 291
3．3 场景 291
3．4 数据的解释 291
3．5 方法论 294
3．6 具体做法 295
3．6．1 高管视图 295
3．6．2 中层管理视图 296
3．6．3 代理人视图 296
3．7 结论 298
第4讲 大数据业务问题和解决方案—在线客户细分 299
4．1 背景 300
4．2 为客户细分进行数据分析 301
4．3 场景 302
4．4 数据的解释 302
4．5 方法论 302
4．6 具体做法 303
4．7 结论 305
第5讲 大数据业务问题和解决方案—在电子商务中使用可视化工具 306
5．1 背景 307
5．2 场景 310
5．3 数据的解释 310
5．4 方法论 311
5．5 具体做法 311
5．6 结论 317

精彩书摘

　　《大数据分析师权威教程 机器学习、大数据分析和可视化》：
　　9.5.3精简的代码
　　网页代码也是网站的最基础条件，对网站在搜索引擎的表现也有一定的影响。尤其是建设网站的程序员，通常对SEO并不十分熟悉，只是根据程序和网站的方便性来设计网站的代码。这样就难免产生一些冗余代码，甚至是不利于SEO的代码。
　　精简的代码是网页快速反应的条件，也是对搜索引擎友好的因素，对于网站的收录有一定帮助。无论是自己公司建设的网站，还是购买的网站，代码冗余是常见的问题。要避免这些问题的产生，我们需要明确什么样的代码才算精简。
　　精简的代码需要注意以下3个方面。
　　整体代码简单规范，无多余空格、重复代码、复杂代码、无意义内容等。很多网页包含大量的空格，而且所占的比例非常大，通常检查和清理的方法就是使用编辑软件直接消除。
　　……

《数据时代的航海图：从洞察到决策的智慧之旅》 在信息爆炸的浪潮中，我们不再为数据的稀缺而苦恼，而是淹没在海量的数据洪流之中。如何从这片浑浊的泥沙中淘洗出闪耀的黄金，将零散的数字转化为驱动决策的洞察，成为每一个渴望在数字化时代乘风破浪的个体与组织面临的严峻挑战。本书并非一本单纯的工具手册，也非刻板的理论罗列，而是一场旨在引领您穿越数据迷雾，抵达价值彼岸的深度探索。 本书将带您踏上一段跨越式的数据之旅，从数据思维的根基出发，逐步深入到数据分析的核心领域，并最终抵达将数据洞察转化为 actionable insights 的实战应用。我们相信，理解数据的本质，掌握分析的精髓，并能清晰地呈现分析结果，是解锁数据力量的关键。因此，我们将首先构建坚实的数据思维框架，培养您对数据背后意义的深刻理解，以及识别潜在价值的能力。这包括理解数据的生命周期，从数据收集、清洗、转换到存储和应用的各个环节，掌握质量控制的关键要点，并认识到不同类型数据的特性及其应用场景。 随后，我们将聚焦于数据分析的技术与方法论。本书将深入浅出地剖析多种经典和前沿的数据分析技术，其目标并非让您成为代码的奴隶，而是让您理解这些技术背后的逻辑、适用的场景以及它们的局限性。我们会探讨描述性分析，帮助您理解“发生了什么”；接着深入到诊断性分析，探究“为什么会发生”；然后触及预测性分析，展望“未来可能发生什么”；最终引导您掌握规范性分析，思考“我们应该怎么做”。在这个过程中，我们会涉及统计学的基础概念，如概率、统计推断、假设检验等，并解释它们在实际数据分析中的应用。同时，我们也会介绍一些常用的数据分析模型和算法，但重点在于理解它们的原理和适用范围，而非仅仅是技术实现。我们将以一种直观易懂的方式，解释如回归分析、聚类分析、分类算法等核心概念，并讨论如何选择合适的模型来解决特定的业务问题。 数据可视化是本书的另一重要维度。我们坚信，再精妙的分析，如果无法清晰地传达给决策者，其价值将大打折扣。因此，本书将重点阐述如何将复杂的分析结果转化为直观、易懂且富有说服力的可视化图表。我们将探讨不同类型图表的适用场景，如条形图、折线图、散点图、饼图、热力图、地图可视化等，并指导您如何根据数据的特性和想要传达的信息，选择最恰当的可视化方式。更重要的是，我们将深入讲解可视化设计的基本原则，包括色彩运用、布局结构、信息层级、避免误导性展示等，帮助您创作出既美观又具有信息传达力的图表。您将学习到如何通过可视化来揭示数据中的趋势、模式、异常值以及它们之间的关系，从而更有效地沟通您的分析发现。 除了核心的技术和方法，本书还将强调数据分析的实际应用与最佳实践。我们将通过一系列精心设计的案例研究，展示数据分析如何在不同的行业和领域中发挥关键作用，例如市场营销、金融风控、产品优化、运营效率提升等等。这些案例将涵盖从问题定义、数据获取、分析过程到结果解读和决策建议的全流程，帮助您理解理论知识如何落地，以及如何在实际业务环境中应对挑战。您将了解到数据驱动决策的价值，以及如何构建一个以数据为核心的分析文化。 本书同样关注数据分析过程中的伦理考量和数据安全问题。在数据日益成为宝贵资产的今天，如何负责任地使用数据，保护个人隐私，以及确保数据的合规性，变得至关重要。我们将探讨数据偏见、算法公平性等议题，并提供一些实践建议，帮助您构建公平、透明且值得信赖的数据分析体系。 本书适合以下读者： 渴望理解数据价值的商业领袖与管理者： 无论您是否直接进行数据分析，理解数据分析的逻辑和能力，将帮助您做出更明智的战略决策，并能更有效地指导您的团队。 致力于提升业务洞察的业务分析师与运营人员： 如果您希望从日常工作中挖掘更深层次的业务洞察，优化运营效率，或发现新的增长点，本书将为您提供必备的工具和思路。 希望掌握数据技能的初学者： 本书将从基础概念入手，循序渐进地引导您掌握数据分析的核心技能，为您的职业发展奠定坚实的基础。 正在转型的数据从业者： 如果您是传统分析师，希望拥抱更现代的数据分析技术和方法，本书将为您提供前沿的知识和实用的指导。 对数据驱动决策感兴趣的任何人士： 在这个数据无处不在的时代，理解数据分析的基本原理，将使您在个人生活和职业发展中更具竞争力。 《数据时代的航海图：从洞察到决策的智慧之旅》并非一劳永逸的答案，而是一份持续探索的邀请。它将激发您对数据的敬畏之心，培养您解决问题的智慧，并赋予您驾驭数据洪流，驶向成功彼岸的能力。在这场数据驱动的变革浪潮中，愿您成为一名自信而卓越的领航员。

评分☆☆☆☆☆

这本书的厚度着实让我有些惊喜，翻开后发现内容非常详实，排版也比较紧凑，这意味着里面包含了相当多的干货。我之前接触过一些关于大数据分析的书籍，但往往篇幅不长，内容比较简略，看完之后感觉收获不大。而这本书的体量，让我有理由相信它能够覆盖更广泛的主题，并且对每个主题都能进行深入的探讨。我尤其关注它的“可视化”部分，因为在实际工作中，如何将复杂的数据转化成易于理解的图表，往往比数据分析本身更具挑战性。我希望这本书能在这方面提供一些实用的技巧和指导，让我能够更好地向非技术背景的同事或领导展示分析结果。同时，我也对它在“机器学习”和“大数据分析”方面的结合度非常好奇，期待它能提供一些将这两者融会贯通的案例和方法论。

评分☆☆☆☆☆

拿到这本书，首先吸引我的是它非常专业的排版和清晰的章节划分。作为一名对大数据领域充满热情，但又苦于缺乏系统性知识的读者，我一直渴望找到一本能够提供全面指导的教材。这本书的标题——“大数据分析师权威教程”，恰恰满足了我的需求。我特别看重它提到的“机器学习”和“大数据分析”这两个核心主题，我希望这本书能够深入浅出地讲解相关的理论知识，并且提供丰富的实践案例，让我能够真正掌握这些技能。同时，“可视化”这个关键词也引起了我的兴趣，我希望这本书能够教会我如何有效地利用可视化工具来呈现数据洞察，从而更好地支持决策。总的来说，我对这本书充满了期待，相信它能够成为我大数据分析学习道路上的重要指引。

评分☆☆☆☆☆

我一直在寻找一本能够真正帮助我理解机器学习原理，并且能够将其应用到实际大数据项目中的教材。市面上很多书要么过于理论化，要么过于浅显，很难找到一个恰到好处的平衡点。这本书的标题直接点出了我的需求，让我眼前一亮。我特别看重它提到的“权威教程”，这让我对其内容的深度和专业性抱有很高的期望。我希望它不仅仅是介绍各种算法，更能深入讲解算法背后的数学原理，以及如何在实际场景中选择和调优模型。另外，“可视化”这个关键词也很吸引我，因为我深知清晰的数据可视化对于洞察大数据、沟通分析结果的重要性。这本书如果能在这方面提供丰富的案例和技巧，那我绝对会毫不犹豫地推荐给我的同行。我期待它能够成为我职业生涯中的一本常备参考书。

评分☆☆☆☆☆

当我看到这本书的封面时，就有一种莫名的亲切感，仿佛它就是为我量身打造的。我是一名在数据领域摸索了几年，但总觉得在某个瓶颈期徘徊的从业者。我尝试过一些零散的学习资料，但总感觉不成体系，难以形成完整的知识框架。而这本书的标题——“大数据分析师权威教程”，让我看到了突破的希望。我希望它能像一位经验丰富的前辈，一步步地引领我，从入门到精通。尤其是“机器学习”和“大数据分析”的结合，这正是我当前最迫切想要掌握的技能。我对书中是否能包含一些前沿的算法、业界常用的工具和技术，以及如何处理实际工作中遇到的棘手数据问题抱有极大的期待。如果书中能够提供一些实操性强的项目案例，那就更完美了，能够让我学以致用，提升解决实际问题的能力。

评分☆☆☆☆☆

这本书的装帧设计很有质感，封面采用了一种深邃的蓝色，搭配银色的烫金字体，显得专业又高端。拿到手里沉甸甸的，让人觉得内容一定非常扎实。我尤其喜欢它封底的简介，用简洁而有力的语言概括了大数据分析师的核心技能，激发了我深入学习的欲望。书本的纸张质量也非常好，摸起来很舒服，印刷清晰，即使是图表和代码也能看得一清二楚，这一点对于我这种需要经常对照学习的读者来说非常重要。翻开目录，章节的划分非常合理，从基础概念到高级应用，层层递进，逻辑清晰，让人一眼就能看出学习的脉络。虽然我还没深入阅读，但仅仅是初步翻阅，就感受到了作者在编排上的用心。我觉得对于想要系统学习大数据分析，但又苦于不知从何入手的读者来说，这本书很可能就是指路明灯。包装也很严实，送到我手上的时候一点磕碰都没有，看得出商家很负责。

评分☆☆☆☆☆

实用，不错，好好好好好好好好好好好！

评分☆☆☆☆☆

大数据分析师权威教程 机器学习、大数据分析和可视化

评分☆☆☆☆☆

实用，不错，好好好好好好好好好好好！

评分☆☆☆☆☆

实用，不错，好好好好好好好好好好好！

评分☆☆☆☆☆

内容没有很展开，感觉就是考试辅导书。

评分☆☆☆☆☆

好红红火火恍恍惚惚哈哈哈哈

评分☆☆☆☆☆

拿到书了，开始看起来，不错呢

评分☆☆☆☆☆

好红红火火恍恍惚惚哈哈哈哈

评分☆☆☆☆☆

投资自己，书不错。