北德克萨斯大学的数据分析专业的课程介绍

北德克萨斯大学

该专业的课程提供了对当代数据分析方法的基本概念的理解，以及通过机器学习和深度学习工具从大数据中获取，整理和学习的经验。课程强调理论和工具的应用，以解决现实世界的商业和行业问题。课程包括：

数据分析和计算统计（Data Analytics and Computational Statistics） 1：本课程概述了分析数据所必需的定量方法，重点是科学和行业应用。主题包括确定适当的度量和测量方法，描述性和推理统计，实验设计，参数和非参数测试，模拟以及线性和逻辑回归，分类数据分析以及选择无监督学习技术。标准和开源统计包用于将技术应用于现实世界的问题。

数据分析和计算统计（Data Analytics and Computational Statistics） 2：多元分析的当代技术，包括关联规则、分类方法、时间序列、文本分析和机器学习方法，重点是在科学和工业中的应用。介绍实践状态的计算统计和数据分析工具和工具。

数据结构、收集和整理原则（Principles of Data Structures, Harvesting and Wrangling）：介绍收集、整理、存储、管理、检索和处理数据集。主题包括数据工程的基本概念和技术、大规模数据收集、数据整理方法以及存储和流程架构。强调应用程序并包括许多动手项目。

数据发现和学习方法（Methods for Discovery and Learning from Data）：介绍从数据集中发现和学习的当代方法。强调预测和模式识别技术在商业和科学环境中获得见解和做出决策的应用。主题辅以使用数据发现和统计学习软件的实践项

《工程师数据分析、计算统计和运筹学：方法和应用(Data Analytics, Computational Statistics, and Operations Research for Engineers: Methodologies and Applications)》

《工程师数据分析、计算统计和运筹学：方法和应用》

随着数据分析和计算统计领域的快速发展，跟上当前的趋势、方法和应用非常重要。本书探讨了数据挖掘在机器学习计算统计中的作用。它提供了可用于各个领域的应用程序，并检查了转换函数在优化问题陈述中的作用。

《数据分析，计算统计和工程师运筹学：方法和应用》介绍了计算密集型方法，推理技术和生存分析模型的应用。它讨论了数据挖掘如何提取信息，以及机器学习如何基于新信息改进计算模型。

对本参考工作感兴趣的人将包括在数据挖掘、计算统计、运筹学和机器学习领域工作的学生、专业人士和研究人员。

《大数据分析手册(Handbook of Big Data Analytics)》

《大数据分析手册》

这本跨学科应用中广泛的大数据分析基本指南侧重于该领域最新发展提供的统计前景。为此，它涵盖了高维问题的统计方法、算法设计、计算工具、分析流程以及支持从大数据中发现洞察力所需的软硬件协同设计。主要受众将是有兴趣将大数据分析与统计结合使用的统计学家、计算机专家、工程师和应用程序开发人员。读者应该有扎实的统计学和计算机科学背景。

《数据结构和算法的常识性指南：提升您的核心编程技能​（A Common-Sense Guide to Data Structures and Algorithms, 2e: Level Up Your Core Programming Skills）》

《数据结构和算法的常识性指南：提升您的核心编程技能​》

算法和数据结构不仅仅是抽象的概念。掌握它们使您能够编写更快、更高效运行的代码，这对于当今的 Web 和移动应用程序尤其重要。对数据结构和算法采用实用的方法，使用可在日常生产代码中使用的技术和实际场景，并提供 JavaScript、Python 和 Ruby 中的示例。这个新的和修订的第二版有关于递归、动态编程和在日常工作中使用 Big O 的新章节。

如果你认为数据结构和算法都只是理论，那么你就错过了它们能为你的代码做什么。学习使用 Big O 表示法使您的代码运行速度快几个数量级。从哈希表、树和图形等数据结构中进行选择，以指数方式提高代码的效率。本书以简单的语言和清晰的图表，无论您的背景如何，都可以访问这个复杂的主题。这个新版本在每一章中都有练习习题，以及关于动态编程和堆和尝试等主题的新章节。获取掌握日常工作的数据结构和算法所需的实践信息。算法和数据结构不仅仅是抽象的概念。掌握它们使您能够编写更快、更高效运行的代码，这对于当今的 Web 和移动应用程序尤其重要。对数据结构和算法采用实用的方法，使用可在日常生产代码中使用的技术和实际场景，并提供 JavaScript、Python 和 Ruby 中的示例。

这个新的和修订的第二版有关于递归、动态编程和在日常工作中使用 Big O 的新章节。使用 Big O 表示法来衡量和阐明代码的效率，并修改算法以使其更快。了解您选择的数组、链表和哈希表如何极大地影响您编写的代码。使用递归来解决棘手的问题，并创建比替代方案以指数级速度运行的算法。深入了解二叉树和图形等高级数据结构，以帮助扩展社交网络和地图软件等专业应用程序。您甚至会遇到一个关键字，它可以为您的代码提供涡轮增压。通过每一章的练习以及详细的答案来练习您的新技能。立即使用这些技术使您的代码更快、更具可扩展性。​​

《实用的 Python 数据整理和数据质量：阅读、清理和分析数据​（Practical Python Data Wrangling and Data Quality: Getting Started with Reading, Cleaning, and Analyzing Data）》

《实用的 Python 数据整理和数据质量：阅读、清理和分析数据》

我们周围的世界充满了拥有独特见解和宝贵故事的数据，本书将帮助您发现它们。无论您是已经在处理数据，还是想了解有关其可能性的更多信息，这本实用书籍中的示例和技术都将帮助您更轻松地清理、评估和分析数据，以便您可以生成有意义的见解和引人注目的可视化效果。作者Susan E. McGregor通过专家建议补充基础概念，提供提取，评估和分析各种数据源和格式所需的资源，以及有效传达发现的工具。本书为任何级别的数据从业者（从真正的新手到经验丰富的专业人士）提供了一种有条不紊、无术语的方式来利用数据的力量。

通过学习本书可以掌握使用 Python 3.8+ 读取、写入和转换来自各种来源的数据 ，了解并使用 Python 中的编程基础知识来大规模整理数据 使用最佳实践组织、记录和构建代码 从结构化数据文件、网页和 API 收集数据 执行基本的统计分析，从数据集中获取意义 以清晰且引人注目的方式可视化和呈现数据。​

《基于模型的强化学习：使用基于 Python 的工具箱从数据到连续操作​（Model-Based Reinforcement Learning: From Data to Continuous Actions with a Python-based Toolbox）》

《基于模型的强化学习：使用基于 Python 的工具箱从数据到连续操作​》

《基于模型的强化学习》探索全面实用的强化学习方法；强化学习是机器学习的基本范式，其中智能代理执行操作以确保设备的最佳行为。虽然这种机器学习范式近年来取得了巨大的成功和普及，但以前的学术研究要么集中在理论上——最优控制和动态规划——要么集中在算法上——其中大部分是基于模拟的。

《基于模型的强化学习》提供了一个基于模型的框架来桥接这两个方面，从而创建基于模型的在线学习控制主题的整体处理。在此过程中，作者寻求开发一个基于模型的数据驱动控制框架，该框架将系统识别和数据，基于模型的强化学习和最佳控制以及每个主题的应用联系起来。这种评估经典结果的新技术将允许更有效的强化学习系统。本书的核心是提供一个端到端的框架——从设计到应用——一种更易于处理的基于模型的强化学习技术。

基于模型的强化学习读者还将发现：

一本有用的教科书，用于数据驱动和基于学习的控制研究生课程，强调从数据对动态系统进行建模和控制详细比较不同技术的影响，例如基本线性二次控制器、基于学习的模型预测控制、无模型强化学习和结构化在线学习在具有非完整动力学的地面车辆上的应用和案例研究，以及在象方器直升机上的应用和案例研究一个基于Python的在线工具箱，其中包含本书中涵盖的内容，以及必要的代码和数据

《基于模型的强化学习》是高年级本科生、研究生、研究助理、教授、过程控制工程师和机器人专家的有用参考书籍。

《机器学习的训练数据：从注释到数据科学的人工监督(Training Data for Machine Learning: Human Supervision from Annotation to Data Science)》

《机器学习的训练数据：从注释到数据科学的人工监督》

训练数据与数据项目的成功与算法本身一样重要 - 深度学习系统中的大多数失败都与训练数据有关。但是，虽然训练数据是成功机器学习的基础，但很少有全面的资源可以帮助您完成这一过程。本实践指南介绍了如何使用和缩放训练数据。通过学习本书，数据科学专业人员和机器学习工程师将深入了解以下方面所需的概念、工具和流程：

为生产级深度学习应用程序设计、部署和交付训练数据与不断增长的工具生态系统集成识别并纠正新的基于训练数据的故障模式提高现有系统性能并避免开发风险自信地使用自动化和加速方法更有效地创建训练数据通过围绕创建的数据集构建元数据来避免数据丢失向主题专家和其他股东清楚地解释训练数据概念成功维护、操作和改进您的系统