趋近智
数据科学导论
章节 1: 数据科学入门
数据科学的定义
数据科学的重要性
数据科学家的职责
必备技能概览
数据科学常用工具
章节 2: 认识数据基本知识
什么是数据？
结构化数据与非结构化数据
定量数据与定性数据
常见数据格式
理解数据属性和特征
元数据简介
章节 3: 数据科学流程
数据科学工作流程概述
明确问题或疑问
数据获取方法
数据准备概述
理解探索性数据分析
模型构建原理介绍
沟通发现
章节 4: 数据收集与准备
识别数据来源
导入数据
数据清洗简介
处理缺失值
识别潜在异常值
基本数据转换需求
动手实践：简单数据加载
章节 5: 进行基本数据分析
开始数据初步分析 (EDA)
计算汇总统计量
测量数据分散度
理解频率分布
区分相关性与因果关系
假设基本原理介绍
动手实践：计算基本统计量
章节 6: 数据可视化概览
数据可视化的目的
常见图表类型说明
选择合适的图表
有效可视化的原则
可视化工具概览
动手实践：制作基本图表
基本数据转换需求
这部分内容有帮助吗？
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media, Inc.) - 一本实用指南，涵盖了数据预处理、特征缩放和特征工程，这些是为机器学习模型准备数据的核心步骤。
- Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, Wes McKinney, 2017 (O'Reilly Media) - 详细介绍了实际数据操作技术，包括使用 Pandas 库更改数据类型、单位转换和文本处理。
- Preprocessing data, scikit-learn developers, 2024 - 官方文档，提供各种数据预处理方法的深入信息，包括缩放（Min-Max 缩放、标准化）和其他转换。