2019-04-08 21:59:35

SUMMARY.md

++   [UCSD COGS108 数据科学实战中文笔记](README.md)
++   [零、数据科学实战](docs/00-Introduction.md)
++   [一、Jupyter 笔记本](docs/01-JupyterNotebooks.md)
++   [二、数据分析](docs/02-DataAnalysis.md)
++   [三、Python](docs/03-Python.md)
++   [四、Python 中的数据科学](docs/04-DataSciencePython.md)
++   [五、数据收集](docs/05-DataGathering.md)
++   [六、数据整理](docs/06-DataWrangling.md)
++   [七、数据清理](docs/07-DataCleaning.md)
++   [八、数据隐私和匿名化](docs/08-DataPrivacy&Anonymization.md)
++   [九、使用 Python 进行数据可视化](docs/09-DataVisualization.md)
++   [十、分布](docs/10-Distributions.md)
++   [十一、检验分布](docs/11-TestingDistributions.md)
++   [十三、普通最小二乘](docs/13-OrdinaryLeastSquares.md)
++   [十四、线性模型](docs/14-LinearModels.md)
++   [十五、聚类](docs/15-Clustering.md)
++   [十六、降维](docs/16-DimensionalityReduction.md)
++   [十七、分类](docs/17-Classification.md)
++   [十八、自然语言处理](docs/18-NaturalLanguageProcessing.md)
++   [附录一、有用的 Python 数据科学包](docs/A1-PythonPackages.md)
++   [附录二、git/Github 版本控制工具](docs/A2-Git.md)

docs/00-Introduction.md

 
-# 数据科学实战
+# 零、数据科学实战
 
 欢迎来到阅读数据科学实战课程的实践材料。
 

docs/01-JupyterNotebooks.md

 
-# Jupyter 笔记本
+# 一、Jupyter 笔记本
 
 这是 Jupyter 笔记本的快速介绍。
 

docs/02-DataAnalysis.md

 
-# 数据分析
+# 二、数据分析
 
 这本笔记本讲解了一些，我们可能想要使用数据科学方法做的事情的最小例子。
 

docs/03-Python.md

-# Python
+# 三、Python
 
 ![title](img/python.png)
 

docs/04-DataSciencePython.md

 
-# Python 中的数据科学
+# 四、Python 中的数据科学
 
 Python 有大量可用于数据科学的工具。
 

docs/05-DataGathering.md

 
-# 数据收集
+# 五、数据收集
 
 
 数据收集只是将数据收集在一起的过程。

docs/06-DataWrangling.md

 
-# 数据整理
+# 六、数据整理
 
 “数据整理”通常是指将原始数据，转换为可用于你感兴趣的分析的可用形式，包括加载，聚合和格式化。
 

docs/07-DataCleaning.md

 
-# 数据清理
+# 七、数据清理
 
 “数据清理”是查找并删除或修复“错误数据”的过程，其中“错误数据”通常指的是损坏和/或不准确的数据点。
 

docs/08-DataPrivacy&Anonymization.md

 
-# 数据隐私和匿名化
+# 八、数据隐私和匿名化
 
 许多数据，可能是数据科学中通常使用的绝大多数数据，直接或间接地与人有关。
 

docs/09-DataVisualization.md

 
-# 使用 Python 进行数据可视化
+# 九、使用 Python 进行数据可视化
 
 数据可视化可能意味着不同的东西。
 

docs/10-Distributions.md

 
-# 分布
+# 十、分布
 
 概率分布反映了函数/数据源的可能结果的发生概率。
 

docs/11-TestingDistributions.md

 
-# 检验分布
+# 十一、检验分布
 
 
 有时，正式检验你观察到的某些数据是否遵循特定分布，可能是有用的（或必要的）。

docs/13-OrdinaryLeastSquares.md

 
-# Ordinary Least Squares
+# 十三、普通最小二乘
 
 普通最小二乘法（OLS）意味着最小化模型做出的预测与观测数据之间的平方和的误差。
 

docs/14-LinearModels.md

 
-# 线性模型
+# 十四、线性模型
 
 线性（回归）建模是一种方法，将输出值预测为输入值的加权线性组合。
 

docs/15-Clustering.md

 
-# 聚类
+# 十五、聚类
 
 
 聚类是尝试在数据中查找结构（簇）的过程。

docs/16-DimensionalityReduction.md

 
-# 降维
+# 十六、降维
 
 
 降维是将数据集转换为较低维空间的过程。

docs/17-Classification.md

 
-# 分类
+# 十七、分类
 
 分类是对数据进行分类的过程 - 将数据点分配给预定义的组（或簇）。
 

docs/18-NaturalLanguageProcessing.md

 
-# 自然语言处理
+# 十八、自然语言处理
 
 自然语言处理（NLP）是使用计算机分析文本数据的方法。
 

docs/A1-PythonPackages.md

 
-# 有用的 Python 数据科学包
+# 附录一、有用的 Python 数据科学包
 
 
 以下是 Python 中可能对数据科学有用的包一般概述。

docs/A2-Git.md

 
-# git/Github 版本控制工具
+# 附录二、git/Github 版本控制工具
 
 版本控制反映了一组与管理文件相关的实践，特别是管理不同版本的文件。