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
用于可视化的降维
这部分内容有帮助吗？
- Visualizing Data using t-SNE, Laurens van der Maaten and Geoffrey Hinton, 2008 Journal of Machine Learning Research, Vol. 9 (JMLR.org) DOI: 10.1162/jmlr.2008.02579a - 这篇基础性论文介绍了t-SNE算法，用于可视化高维数据。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) - 一本广受推崇的教科书，提供了各种机器学习方法的统计框架，包括关于主成分分析（PCA）等降维技术的详细章节。（第二版）
- sklearn.decomposition.PCA, scikit-learn developers, 2024 - scikit-learn的PCA实现官方文档，提供参数、属性和使用示例的详细信息。
- sklearn.manifold.TSNE, scikit-learn developers, 2024 - scikit-learn的t-SNE实现官方文档，提供困惑度、学习率等超参数信息和实践考虑。