趋近智
应用数据科学：方法与实践
章节 1: 高级数据获取与准备
连接数据库和数据仓库
使用Web API获取数据
网页抓取结构化数据的技巧
高级数据清洗方法
处理缺失值的策略
数据转换与标准化方法
合并与连接不同数据集
动手实践：数据获取与规整
章节 2: 实用特征工程
从数值数据生成特征
高效编码类别变量
从文本数据生成特征
交互项与多项式特征
PCA降维
使用统计方法选择特征
实践：特征创建与选择
章节 3: 构建与调整预测模型
常用监督学习算法回顾
实施线性回归与逻辑回归
应用基于树的模型
梯度提升机介绍
使用网格搜索和随机搜索进行超参数调优
模型准确度评估
交叉验证策略
动手实践：模型训练与超参数优化
章节 4: 应用无监督学习
理解聚类方法要点
实现K-Means聚类
应用 DBSCAN 进行基于密度的聚类
异常检测方法简介
用于可视化的降维
动手实践：聚类与异常检测练习
章节 5: 模型部署要点
保存和加载训练好的模型
模型服务框架简介
构建模型预测的REST API
使用 Docker 容器化应用
模型监控基本要点
实践：创建模型API并将其容器化
PCA降维
这部分内容有帮助吗？
- An Introduction to Statistical Learning: with Applications in R, Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, 2021 (Springer) - 清晰易懂地解释了PCA并提供了实际示例，适合初学者。
- 1.5. Principal component analysis (PCA), scikit-learn developers, 2023 (scikit-learn project) - scikit-learn PCA实现的官方文档，详细介绍了参数、属性和用法。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2009 (Springer) - 对PCA提供了基础而严谨的统计学叙述。
- Machine Learning, Andrew Ng, Aarti Bagul, Geoff Ladwig, Eddy Shyu, 2012 (Coursera, DeepLearning.AI, Stanford Online) - 提供了PCA易于理解的概述和算法细节。