ApacheCN 数据科学译文集 20211109 更新ApacheCN 数据科学译文集 20211109 更新

• 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
• 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
• 复杂性思维 中文第二版
  • 一、复杂性科学
  • 二、图
  • 三、小世界图
  • 四、无标度网络
  • 五、细胞自动机
  • 六、生命游戏
  • 七、物理建模
  • 八、自组织临界
  • 九、基于智能体的模型
  • 十、兽群、鸟群和交通堵塞
  • 十一、进化
  • 十二、合作进化
  • 附录 A、算法分析
  • 附录 B、阅读列表
• 数据可视化的基础知识
  • 欢迎
  • 前言
  • 1 简介
  • 2 可视化数据：将数据映射到美学上
  • 3 坐标系和轴
  • 4 颜色刻度
  • 5 可视化的目录
  • 6 可视化数量
  • 7 可视化分布：直方图和密度图
  • 8 可视化分布：经验累积分布函数和 q-q 图
  • 9 一次可视化多个分布
  • 10 可视化比例
  • 11 可视化嵌套比例
  • 12 可视化两个或多个定量变量之间的关联
  • 13 可视化自变量的时间序列和其他函数
  • 14 可视化趋势
  • 15 可视化地理空间数据
  • 16 可视化不确定性
  • 17 比例墨水原理
  • 18 处理重叠点
  • 19 颜色使用的常见缺陷
  • 20 冗余编码
  • 21 多面板图形
  • 22 标题，说明和表格
  • 23 *衡数据和上下文
  • 24 使用较大的轴标签
  • 25 避免线条图
  • 26 不要走向 3D
  • 27 了解最常用的图像文件格式
  • 28 选择合适的可视化软件
  • 29 讲述一个故事并提出一个观点
  • 30 带注解的参考书目
  • 技术注解
  • 参考
• 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
• 精通 SciPy
  • 零、前言
  • 一、数值线性代数
  • 二、插值和*似
  • 三、微分与积分
  • 四、非线性方程式和最优化
  • 五、常微分方程的初值问题
  • 六、计算几何
  • 七、描述性统计
  • 八、推断和数据分析
  • 九、数字图像处理
• 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
• Matplotlib 3.0 秘籍
  • 零、前言
  • 一、Matplotlib 的剖析
  • 二、基本绘图入门
  • 三、绘制多个图表和子图
  • 四、开发可视化来提高发布质量
  • 五、使用高级功能的绘图
  • 六、嵌入文本和表达式
  • 七、以不同格式保存图形
  • 八、开发交互式绘图
  • 九、在图形用户界面中嵌入绘图
  • 十、使用mplot3d工具包绘制 3D 图形
  • 十一、使用axisartist工具包
  • 十二、使用axes_grid1工具包
  • 十三、使用 Cartopy 工具包绘制地理地图
  • 十四、使用 Seaborn 工具包的探索性数据分析
• Matplotlib 绘图秘籍
  • 零、前言
  • 一、第一步
  • 二、自定义颜色和样式
  • 三、处理标注
  • 四、处理图形
  • 五、文件输出
  • 六、处理地图
  • 七、处理 3D 图形
  • 八、用户界面
• 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 *似*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
• fast.ai 数值线性代数讲义中文版 v2
  • 一、我们为什么在这里
  • 二、SVD 背景消除
  • 三、使用 NMF 和 SVD 的主题建模
  • 四、随机化 SVD
  • 五、LU 分解
  • 六、使用鲁棒回归的 CT 扫描的压缩感知
  • 七、线性回归和健康结果
  • 八、如何实现线性回归
  • 九、PageRank 和特征值分解
  • 十、实现 QR 分解
• 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*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 机器学习入门
  • 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
• Python 数据科学和机器学习实践指南
  • 零、前言
  • 一、入门
  • 二、统计和概率回顾和 Python 实践
  • 三、Matplotlib 和高级概率概念
  • 四、预测模型
  • 五、Python 机器学习
  • 六、推荐系统
  • 七、更多数据挖掘和机器学习技术
  • 八、处理真实数据
  • 九、Apache Spark-大数据机器学习
  • 十、测试与实验设计
• 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
• Python 仿真建模实用指南
  • 序言
  • 第一部分：数值仿真入门
    • 一、仿真模型简介
    • 二、理解随机性和随机数
    • 三、概率和数据生成过程
  • 第二部分：仿真建模算法与技术
    • 四、探索蒙特卡罗仿真
    • 五、基于仿真的马尔可夫决策过程
    • 六、重采样方法
    • 七、利用仿真改进和优化系统
  • 第三部分：实际应用
    • 八、将仿真模型用于金融工程
    • 九、使用神经网络仿真物理现象
    • 十、项目管理建模与仿真
    • 十一、下一步是什么？

下载

Docker

docker pull apachecn0/apachecn-ds-zh
docker run -tid -p <port>:80 apachecn0/apachecn-ds-zh
# 访问 http://localhost:{port} 

PYPI

pip install apachecn-ds-zh
apachecn-ds-zh <port>
# 访问 http://localhost:{port} 

NPM

npm install -g apachecn-ds-zh
apachecn-ds-zh <port>
# 访问 http://localhost:{port} 

贡献指南

本项目需要校对，欢迎大家提交 Pull Request。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

组织介绍

访问我们的主页。

赞助我们

通过*台自带的打赏功能，或点击这里。