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
异常检测方法简介
这部分内容有帮助吗？
- Outlier Analysis, Charu C. Aggarwal, 2017 (Springer) DOI: 10.1007/978-3-319-47578-3 - 本书对异常检测技术进行了全面概述，涵盖了各种方法和应用。
- Isolation forest, Fei Tony Liu, Kai Ming Ting, Zhi-Hua Zhou, 2008 2008 Eighth IEEE International Conference on Data Mining (IEEE) DOI: 10.1109/ICDM.2008.17 - 介绍Isolation Forest算法的原始研究论文，这是一种用于异常检测的机器学习方法。
- Estimating the support of a high-dimensional distribution, Bernhard Schölkopf, John C. Platt, John Shawe-Taylor, Alex J. Smola, Robert C. Williamson, 2001 Neural computation, Vol. 13 (MIT Press) DOI: 10.1162/089976601750264965 - 一篇基础论文，描述了单类支持向量机，一种适用于异常检测的机器学习技术。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2019 (O'Reilly Media) - 一本实用指南，包含使用常用Python库实现各种机器学习算法（包括异常检测方法）的详细信息。