掃一掃
關(guān)注中圖網(wǎng)
官方微博
PYTHON機(jī)器學(xué)習(xí):基礎(chǔ)、算法與實戰(zhàn) 版權(quán)信息
- ISBN：9787122435347
- 條形碼：9787122435347 ; 978-7-122-43534-7
- 裝幀：平裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
PYTHON機(jī)器學(xué)習(xí):基礎(chǔ)、算法與實戰(zhàn) 本書特色
本書主要具有以下特色： 1.全彩印刷，全程圖解，完 美呈現(xiàn)知識要點與實操步驟，為讀者帶來良好的學(xué)習(xí)體驗。 2.內(nèi)容循序漸進(jìn)，先從Python基礎(chǔ)入手，其次介紹常用庫，然后通過應(yīng)用實例和項目實例引導(dǎo)學(xué)習(xí)，知識結(jié)構(gòu)由淺入深，便于學(xué)習(xí)。 3.案例豐富實用，全書穿插幾十個大小實例，幫助讀者邊練邊學(xué)，在實踐中快速成長。 4.附贈配套資源，購書即可獲贈全程教學(xué)視頻、源碼等資源，并可享受在線技術(shù)支持等服務(wù)。
PYTHON機(jī)器學(xué)習(xí):基礎(chǔ)、算法與實戰(zhàn) 內(nèi)容簡介
本書基于Python語言，結(jié)合實際的數(shù)據(jù)集，介紹了機(jī)器學(xué)習(xí)算法以及數(shù)據(jù)分析方法的應(yīng)用。本書主要包含兩部分內(nèi)容，**部分為Python機(jī)器學(xué)習(xí)入門知識：主要介紹了Python的基礎(chǔ)內(nèi)容、Numpy與Pandas庫數(shù)據(jù)操作、Matplotlib與Seaborn庫數(shù)據(jù)可視化、Sklearn庫機(jī)器學(xué)習(xí)，以及與機(jī)器學(xué)習(xí)相關(guān)的基礎(chǔ)知識；第二部分為Python機(jī)器學(xué)習(xí)算法應(yīng)用：主要介紹了數(shù)據(jù)的回歸預(yù)測分析、時間序列預(yù)測，數(shù)據(jù)無監(jiān)督學(xué)習(xí)中的聚類、降維以及關(guān)聯(lián)規(guī)則，數(shù)據(jù)分類模型的應(yīng)用以及針對文本數(shù)據(jù)與網(wǎng)絡(luò)圖數(shù)據(jù)的機(jī)器學(xué)習(xí)算法應(yīng)用。 本書適合對機(jī)器學(xué)習(xí)、數(shù)據(jù)分析感興趣的初學(xué)者學(xué)習(xí)，也可作為Python機(jī)器學(xué)習(xí)、數(shù)據(jù)分析、數(shù)據(jù)可視化的入門及進(jìn)階的教材。
PYTHON機(jī)器學(xué)習(xí):基礎(chǔ)、算法與實戰(zhàn) 目錄
第1章 Python機(jī)器學(xué)習(xí)快速入門 1
1.1 Python安裝 1
1.1.1 安裝Anaconda 1
1.1.2 安裝Python庫 5
1.2 Python常用數(shù)據(jù)類型 5
1.2.1 列表 5
1.2.2 元組 8
1.2.3 字典 9
1.2.4 集合 10
1.2.5 字符串 11
1.3 Python條件、循環(huán)與函數(shù) 13
1.3.1 條件判斷語句 13
1.3.2 循環(huán)語句 14
1.3.3 函數(shù) 16
1.4 機(jī)器學(xué)習(xí)簡介 17
1.4.1 無監(jiān)督學(xué)習(xí) 18
1.4.2 有監(jiān)督學(xué)習(xí) 20
1.4.3 半監(jiān)督學(xué)習(xí) 21
1.4.4 常用機(jī)器學(xué)習(xí)算法 22
1.5 本章小結(jié) 22
第2章 Python中的常用庫 23
2.1 Numpy庫 23
2.1.1 Numpy數(shù)組生成 24
2.1.2 Numpy數(shù)組運算 27
2.1.3 Numpy數(shù)組操作 28
2.1.4 Numpy常用函數(shù) 33
2.2 Pandas庫 36
2.2.1 Pandas數(shù)據(jù)生成和讀取 37
2.2.2 Pandas數(shù)據(jù)操作 39
2.2.3 Pandas數(shù)據(jù)可視化 44
2.3 Matplotlib庫 47
2.3.1 Matplotlib可視化基礎(chǔ) 47
2.3.2 Matplotlib數(shù)據(jù)可視化實戰(zhàn) 53
2.4 Seaborn庫 60
2.4.1 Seaborn庫功能簡介 60
2.4.2 Seaborn庫數(shù)據(jù)可視化實戰(zhàn) 61
2.5 Sklearn庫 65
2.5.1 Sklearn庫功能簡介 65
2.5.2 Sklearn庫應(yīng)用實戰(zhàn) 66
2.6 本章小結(jié) 70
第3章 機(jī)器學(xué)習(xí)流程 71
3.1 數(shù)據(jù)預(yù)處理與探索 72
3.1.1 缺失值處理 73
3.1.2 數(shù)據(jù)可視化探索 74
3.1.3 數(shù)據(jù)標(biāo)準(zhǔn)化與變換 78
3.2 無監(jiān)督問題應(yīng)用 81
3.2.1 數(shù)據(jù)降維 81
3.2.2 數(shù)據(jù)聚類 84
3.3 有監(jiān)督分類問題應(yīng)用 87
3.4 有監(jiān)督回歸問題應(yīng)用 91
3.5 半監(jiān)督學(xué)習(xí)應(yīng)用 94
3.6 本章小結(jié) 96
第4章 模型的選擇與評估 98
4.1 模型的選擇 98
4.1.1 模型擬合情況 98
4.1.2 避免欠擬合和過擬合的方式 100
4.1.3 模型的方差與偏差 101
4.2 模型訓(xùn)練技巧 101
4.2.1 相關(guān)方法 102
4.2.2 實戰(zhàn)案例：K折交叉驗證 103
4.2.3 實戰(zhàn)案例：參數(shù)網(wǎng)格搜索 104
4.3 模型評價指標(biāo) 106
4.3.1 分類效果評價 106
4.3.2 回歸效果評價 106
4.3.3 聚類效果評價 107
4.4 本章小結(jié) 108
第5章 回歸模型 109
5.1 一元線性回歸 111
5.1.1 模型介紹 111
5.1.2 實戰(zhàn)案例：一元線性回歸建模 111
5.2 多元線性回歸 116
5.2.1 模型簡介 116
5.2.2 實戰(zhàn)案例：房屋價格預(yù)測 116
5.3 正則化Lasso回歸 127
5.3.1 模型簡介 127
5.3.2 實戰(zhàn)案例：Lasso回歸預(yù)測房屋價格 128
5.4 時間序列ARIMA模型 133
5.4.1 模型簡介 133
5.4.2 實戰(zhàn)案例：ARIMA模型預(yù)測未來啤酒消耗量 134
5.5 時間序列SARIMA模型 145
5.5.1 模型簡介 145
5.5.2 實戰(zhàn)案例：SARIMA模型預(yù)測未來啤酒消耗量 146
5.6 本章小結(jié) 149
第6章 無監(jiān)督模型 150
6.1 常用降維算法 151
6.1.1 主成分分析 151
6.1.2 因子分析 152
6.1.3 流形學(xué)習(xí)——等距映射 152
6.1.4 局部線性嵌入LLE 153
6.1.5 多維尺度變換MSD 153
6.1.6 t-SNE 153
6.2 數(shù)據(jù)降維案例實戰(zhàn) 154
6.2.1 主成分分析數(shù)據(jù)降維 156
6.2.2 因子分析數(shù)據(jù)降維 159
6.2.3 流形學(xué)習(xí)——等距嵌入數(shù)據(jù)降維 160
6.2.4 局部線性嵌入數(shù)據(jù)降維 161
6.2.5 MDS數(shù)據(jù)降維 162
6.2.6 t-SNE數(shù)據(jù)降維 163
6.3 常用聚類算法 164
6.3.1 K均值聚類 165
6.3.2 密度聚類 165
6.3.3 系統(tǒng)聚類 166
6.3.4 模糊聚類 167
6.4 數(shù)據(jù)聚類案例實戰(zhàn) 168
6.4.1 K均值聚類實戰(zhàn) 169
6.4.2 密度聚類實戰(zhàn) 173
6.4.3 系統(tǒng)聚類實戰(zhàn) 175
6.4.4 模糊聚類實戰(zhàn) 178
6.5 關(guān)聯(lián)規(guī)則挖掘 179
6.5.1 模型簡介 180
6.5.2 實戰(zhàn)案例：購物籃分析 181
6.6 本章小結(jié) 188
第7章 分類模型 189
7.1 決策樹算法 193
7.1.1 算法簡介 193
7.1.2 實戰(zhàn)案例：決策樹算法實戰(zhàn) 195
7.2 隨機(jī)森林算法 203
7.2.1 算法介紹 203
7.2.2 實戰(zhàn)案例：隨機(jī)森林算法實戰(zhàn) 203
7.3 Logistic回歸算法 208
7.3.1 算法簡介 208
7.3.2 實戰(zhàn)案例：Logistic回歸算法實戰(zhàn) 209
7.4 支持向量機(jī)算法 211
7.4.1 算法簡介 211
7.4.2 實戰(zhàn)案例：支持向量機(jī)算法實戰(zhàn) 213
7.5 人工神經(jīng)網(wǎng)絡(luò)算法 219
7.5.1 算法簡介 219
7.5.2 人工神經(jīng)網(wǎng)絡(luò)算法實戰(zhàn) 221
7.6 本章小結(jié) 225
第8章 高級數(shù)據(jù)回歸算法 226
8.1 高級數(shù)據(jù)回歸算法模型實戰(zhàn) 227
8.1.1 數(shù)據(jù)探索與可視化 227
8.1.2 隨機(jī)森林回歸預(yù)測實戰(zhàn) 232
8.1.3 GBDT回歸預(yù)測實戰(zhàn) 234
8.1.4 支持向量機(jī)回歸預(yù)測實戰(zhàn) 236
8.1.5 人工神經(jīng)網(wǎng)絡(luò)回歸預(yù)測實戰(zhàn) 237
8.2 復(fù)雜時間序列預(yù)測模型 239
8.2.1 Prophet時序回歸 239
8.2.2 多元時序回歸 240
8.3 時間序列回歸模型實戰(zhàn) 240
8.3.1 時序數(shù)據(jù)導(dǎo)入與可視化探索 240
8.3.2 Prophet算法預(yù)測用戶數(shù)量 242
8.3.3 Prophet算法預(yù)測流量 245
8.3.4 VAR多變量時間序列的建模與預(yù)測 247
8.3.5 VARMA多變量時間序列的建模與預(yù)測 250
8.4 本章小結(jié) 253
第9章 非結(jié)構(gòu)數(shù)據(jù)機(jī)器學(xué)習(xí) 254
9.1 非結(jié)構(gòu)數(shù)據(jù)分析簡介 255
9.1.1 文本數(shù)據(jù)分析簡介 255
9.1.2 網(wǎng)絡(luò)圖數(shù)據(jù)分析簡介 256
9.2 文本數(shù)據(jù)分析實戰(zhàn) 257
9.2.1 文本數(shù)據(jù)預(yù)處理 257
9.2.2 文本獲取TF-IDF特征 263
9.2.3 文本數(shù)據(jù)K均值聚類 265
9.2.4 文本數(shù)據(jù)LDA主題模型 266
9.2.5 文本數(shù)據(jù)樸素貝葉斯分類 267
9.3 網(wǎng)絡(luò)圖數(shù)據(jù)分析實戰(zhàn) 272
9.3.1 網(wǎng)絡(luò)圖可視化 272
9.3.2 網(wǎng)絡(luò)圖聚類分割 277
9.4 本章小結(jié) 281
第10章 綜合實戰(zhàn)案例：中藥材鑒別 282
10.1 無監(jiān)督學(xué)習(xí)——鑒別藥材種類 284
10.1.1 數(shù)據(jù)特征可視化探索 285
10.1.2 使用原始特征進(jìn)行聚類分析 287
10.1.3 使用降維后的特征進(jìn)行聚類 291
10.2 有監(jiān)督學(xué)習(xí)——藥材產(chǎn)地鑒別 295
10.2.1 數(shù)據(jù)特征可視化探索分析 296
10.2.2 利用選擇的特征進(jìn)行分類 297
10.3 半監(jiān)督學(xué)習(xí)——藥材類別鑒別 303
10.3.1 數(shù)據(jù)預(yù)處理和可視化探索 304
10.3.2 數(shù)據(jù)主成分分析降維 306
10.3.3 半監(jiān)督學(xué)習(xí)分類——標(biāo)簽傳播算法 308
10.4 本章小結(jié) 311
參考文獻(xiàn) 312
1.1 Python安裝 1
1.1.1 安裝Anaconda 1
1.1.2 安裝Python庫 5
1.2 Python常用數(shù)據(jù)類型 5
1.2.1 列表 5
1.2.2 元組 8
1.2.3 字典 9
1.2.4 集合 10
1.2.5 字符串 11
1.3 Python條件、循環(huán)與函數(shù) 13
1.3.1 條件判斷語句 13
1.3.2 循環(huán)語句 14
1.3.3 函數(shù) 16
1.4 機(jī)器學(xué)習(xí)簡介 17
1.4.1 無監(jiān)督學(xué)習(xí) 18
1.4.2 有監(jiān)督學(xué)習(xí) 20
1.4.3 半監(jiān)督學(xué)習(xí) 21
1.4.4 常用機(jī)器學(xué)習(xí)算法 22
1.5 本章小結(jié) 22
第2章 Python中的常用庫 23
2.1 Numpy庫 23
2.1.1 Numpy數(shù)組生成 24
2.1.2 Numpy數(shù)組運算 27
2.1.3 Numpy數(shù)組操作 28
2.1.4 Numpy常用函數(shù) 33
2.2 Pandas庫 36
2.2.1 Pandas數(shù)據(jù)生成和讀取 37
2.2.2 Pandas數(shù)據(jù)操作 39
2.2.3 Pandas數(shù)據(jù)可視化 44
2.3 Matplotlib庫 47
2.3.1 Matplotlib可視化基礎(chǔ) 47
2.3.2 Matplotlib數(shù)據(jù)可視化實戰(zhàn) 53
2.4 Seaborn庫 60
2.4.1 Seaborn庫功能簡介 60
2.4.2 Seaborn庫數(shù)據(jù)可視化實戰(zhàn) 61
2.5 Sklearn庫 65
2.5.1 Sklearn庫功能簡介 65
2.5.2 Sklearn庫應(yīng)用實戰(zhàn) 66
2.6 本章小結(jié) 70
第3章 機(jī)器學(xué)習(xí)流程 71
3.1 數(shù)據(jù)預(yù)處理與探索 72
3.1.1 缺失值處理 73
3.1.2 數(shù)據(jù)可視化探索 74
3.1.3 數(shù)據(jù)標(biāo)準(zhǔn)化與變換 78
3.2 無監(jiān)督問題應(yīng)用 81
3.2.1 數(shù)據(jù)降維 81
3.2.2 數(shù)據(jù)聚類 84
3.3 有監(jiān)督分類問題應(yīng)用 87
3.4 有監(jiān)督回歸問題應(yīng)用 91
3.5 半監(jiān)督學(xué)習(xí)應(yīng)用 94
3.6 本章小結(jié) 96
第4章 模型的選擇與評估 98
4.1 模型的選擇 98
4.1.1 模型擬合情況 98
4.1.2 避免欠擬合和過擬合的方式 100
4.1.3 模型的方差與偏差 101
4.2 模型訓(xùn)練技巧 101
4.2.1 相關(guān)方法 102
4.2.2 實戰(zhàn)案例：K折交叉驗證 103
4.2.3 實戰(zhàn)案例：參數(shù)網(wǎng)格搜索 104
4.3 模型評價指標(biāo) 106
4.3.1 分類效果評價 106
4.3.2 回歸效果評價 106
4.3.3 聚類效果評價 107
4.4 本章小結(jié) 108
第5章 回歸模型 109
5.1 一元線性回歸 111
5.1.1 模型介紹 111
5.1.2 實戰(zhàn)案例：一元線性回歸建模 111
5.2 多元線性回歸 116
5.2.1 模型簡介 116
5.2.2 實戰(zhàn)案例：房屋價格預(yù)測 116
5.3 正則化Lasso回歸 127
5.3.1 模型簡介 127
5.3.2 實戰(zhàn)案例：Lasso回歸預(yù)測房屋價格 128
5.4 時間序列ARIMA模型 133
5.4.1 模型簡介 133
5.4.2 實戰(zhàn)案例：ARIMA模型預(yù)測未來啤酒消耗量 134
5.5 時間序列SARIMA模型 145
5.5.1 模型簡介 145
5.5.2 實戰(zhàn)案例：SARIMA模型預(yù)測未來啤酒消耗量 146
5.6 本章小結(jié) 149
第6章 無監(jiān)督模型 150
6.1 常用降維算法 151
6.1.1 主成分分析 151
6.1.2 因子分析 152
6.1.3 流形學(xué)習(xí)——等距映射 152
6.1.4 局部線性嵌入LLE 153
6.1.5 多維尺度變換MSD 153
6.1.6 t-SNE 153
6.2 數(shù)據(jù)降維案例實戰(zhàn) 154
6.2.1 主成分分析數(shù)據(jù)降維 156
6.2.2 因子分析數(shù)據(jù)降維 159
6.2.3 流形學(xué)習(xí)——等距嵌入數(shù)據(jù)降維 160
6.2.4 局部線性嵌入數(shù)據(jù)降維 161
6.2.5 MDS數(shù)據(jù)降維 162
6.2.6 t-SNE數(shù)據(jù)降維 163
6.3 常用聚類算法 164
6.3.1 K均值聚類 165
6.3.2 密度聚類 165
6.3.3 系統(tǒng)聚類 166
6.3.4 模糊聚類 167
6.4 數(shù)據(jù)聚類案例實戰(zhàn) 168
6.4.1 K均值聚類實戰(zhàn) 169
6.4.2 密度聚類實戰(zhàn) 173
6.4.3 系統(tǒng)聚類實戰(zhàn) 175
6.4.4 模糊聚類實戰(zhàn) 178
6.5 關(guān)聯(lián)規(guī)則挖掘 179
6.5.1 模型簡介 180
6.5.2 實戰(zhàn)案例：購物籃分析 181
6.6 本章小結(jié) 188
第7章 分類模型 189
7.1 決策樹算法 193
7.1.1 算法簡介 193
7.1.2 實戰(zhàn)案例：決策樹算法實戰(zhàn) 195
7.2 隨機(jī)森林算法 203
7.2.1 算法介紹 203
7.2.2 實戰(zhàn)案例：隨機(jī)森林算法實戰(zhàn) 203
7.3 Logistic回歸算法 208
7.3.1 算法簡介 208
7.3.2 實戰(zhàn)案例：Logistic回歸算法實戰(zhàn) 209
7.4 支持向量機(jī)算法 211
7.4.1 算法簡介 211
7.4.2 實戰(zhàn)案例：支持向量機(jī)算法實戰(zhàn) 213
7.5 人工神經(jīng)網(wǎng)絡(luò)算法 219
7.5.1 算法簡介 219
7.5.2 人工神經(jīng)網(wǎng)絡(luò)算法實戰(zhàn) 221
7.6 本章小結(jié) 225
第8章 高級數(shù)據(jù)回歸算法 226
8.1 高級數(shù)據(jù)回歸算法模型實戰(zhàn) 227
8.1.1 數(shù)據(jù)探索與可視化 227
8.1.2 隨機(jī)森林回歸預(yù)測實戰(zhàn) 232
8.1.3 GBDT回歸預(yù)測實戰(zhàn) 234
8.1.4 支持向量機(jī)回歸預(yù)測實戰(zhàn) 236
8.1.5 人工神經(jīng)網(wǎng)絡(luò)回歸預(yù)測實戰(zhàn) 237
8.2 復(fù)雜時間序列預(yù)測模型 239
8.2.1 Prophet時序回歸 239
8.2.2 多元時序回歸 240
8.3 時間序列回歸模型實戰(zhàn) 240
8.3.1 時序數(shù)據(jù)導(dǎo)入與可視化探索 240
8.3.2 Prophet算法預(yù)測用戶數(shù)量 242
8.3.3 Prophet算法預(yù)測流量 245
8.3.4 VAR多變量時間序列的建模與預(yù)測 247
8.3.5 VARMA多變量時間序列的建模與預(yù)測 250
8.4 本章小結(jié) 253
第9章 非結(jié)構(gòu)數(shù)據(jù)機(jī)器學(xué)習(xí) 254
9.1 非結(jié)構(gòu)數(shù)據(jù)分析簡介 255
9.1.1 文本數(shù)據(jù)分析簡介 255
9.1.2 網(wǎng)絡(luò)圖數(shù)據(jù)分析簡介 256
9.2 文本數(shù)據(jù)分析實戰(zhàn) 257
9.2.1 文本數(shù)據(jù)預(yù)處理 257
9.2.2 文本獲取TF-IDF特征 263
9.2.3 文本數(shù)據(jù)K均值聚類 265
9.2.4 文本數(shù)據(jù)LDA主題模型 266
9.2.5 文本數(shù)據(jù)樸素貝葉斯分類 267
9.3 網(wǎng)絡(luò)圖數(shù)據(jù)分析實戰(zhàn) 272
9.3.1 網(wǎng)絡(luò)圖可視化 272
9.3.2 網(wǎng)絡(luò)圖聚類分割 277
9.4 本章小結(jié) 281
第10章 綜合實戰(zhàn)案例：中藥材鑒別 282
10.1 無監(jiān)督學(xué)習(xí)——鑒別藥材種類 284
10.1.1 數(shù)據(jù)特征可視化探索 285
10.1.2 使用原始特征進(jìn)行聚類分析 287
10.1.3 使用降維后的特征進(jìn)行聚類 291
10.2 有監(jiān)督學(xué)習(xí)——藥材產(chǎn)地鑒別 295
10.2.1 數(shù)據(jù)特征可視化探索分析 296
10.2.2 利用選擇的特征進(jìn)行分類 297
10.3 半監(jiān)督學(xué)習(xí)——藥材類別鑒別 303
10.3.1 數(shù)據(jù)預(yù)處理和可視化探索 304
10.3.2 數(shù)據(jù)主成分分析降維 306
10.3.3 半監(jiān)督學(xué)習(xí)分類——標(biāo)簽傳播算法 308
10.4 本章小結(jié) 311
參考文獻(xiàn) 312
展開全部
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
隨園食單
- >
上帝之肋:男人的真實旅程
- >
經(jīng)典常談
- >
詩經(jīng)-先民的歌唱
- >
二體千字文
- >
姑媽的寶刀
本類暢銷
