Python 機器學習 方法及實踐

薛薇

Python 機器學習 方法及實踐

商品描述

本書引領讀者進入Python機器學習領域。機器學習是一套先進、深刻且內容豐富的算法集合，是數據科學領域主流的一類分析方法；Python是一款簡明、高效且功能強大的開源工具，是數據科學領域最常用的計算機編程語言之一，它們相得益彰，構成了當今大數據技術、人工智能等前沿領域的必備知識技能，是數據科學人才培養的必修課。
本書采用理論與實踐相結合的方式，對Python機器學習進行了系統介紹，理論上突出可讀性並兼具知識深度和廣度，實踐上強調可操作性並兼具應用廣泛性。對機器學習的原理部分進行了深入透徹的講解，對機器學習的算法部分給出了Python實現，且在第3～13章均給出了可操作實現的應用案例。
本書可作為數據科學應用研究者以及對Python機器學習有興趣的數據分析從業者的參考書，也非常適合作為高校數據科學與大數據技術專業、人工智能專業、大數據管理與應用或相近專業的“機器學習”“數據挖掘與機器學習”“機器學習與智能計算”“數據分析與建模”等相關課程的教材。

目錄大綱

前言
第1章 機器學習概述
1.1 人工智能中的機器學習
1.1.1 符號主義人工智能
1.1.2 什麼是機器學習
1.1.3 機器學習助力人工智能發展
1.2 機器學習中的大數據
1.2.1 機器學習中的結構化數據
1.2.2 機器學習中的半結構化數據
1.2.3 機器學習中的非結構化數據
1.3 機器學習的主要任務
1.3.1 數據預測
1.3.2 數據聚類
1.3.3 其他任務
1.4 機器學習的典型應用
1.4.1 機器學習的典型行業應用
1.4.2 機器學習在客戶細分中的應用
1.4.3 機器學習在客戶流失分析中的應用
1.4.4 機器學習在營銷響應分析中的應用
1.4.5 機器學習在交叉銷售中的應用
1.4.6 機器學習在欺詐甄別中的應用
【本章總結】
【本章習題】
第2章 Python機器學習基礎
2.1 Python：機器學習的首選工具
2.2 Python的集成開發環境：Anaconda
2.2.1 Anaconda概述
2.2.2 Anaconda Prompt的使用
2.2.3 Spyder的使用
2.2.4 Jupyter Notebook的使用
2.3 Python第三方包的引用
2.4 NumPy使用示例
2.4.1 NumPy數組的創建和訪問
2.4.2 NumPy的計算功能
2.5 Pandas使用示例
2.5.1 Pandas的序列和索引
2.5.2 Pandas的數據框
2.5.3 Pandas的數據加工處理
2.6 NumPy和Pandas的綜合應用：空氣質量監測數據的預處理和基本分析
2.6.1 空氣質量監測數據的預處理
2.6.2 空氣質量監測數據的基本分析
2.7 Matplotlib的綜合應用：空氣質量監測數據的圖形化展示
2.7.1 AQI的時序變化特點
2.7.2 AQI的分布特征及相關性分析
2.8 Seaborn的綜合應用：空氣質量監測數據的圖形化展示
2.8.1 探究各年PM2.5 的統計分布特征
2.8.2 探究不同空氣質量等級下PM2.5 的統計分布特征
2.8.3 探究AQI和各種汙染物濃度之間的相關性
【本章總結】
【本章相關函數列表】
【本章習題】
第3章 數據預測與預測建模
3.1 認識線性回歸預測模型
3.1.1 線性回歸預測模型
3.1.2 線性回歸模型的幾何理解
3.1.3 回歸預測模型的評價
3.1.4 線性回歸預測模型的Python應用
實踐：PM2.5濃度預測
3.2 認識線性分類預測模型
3.2.1 線性分類預測模型：Logisitc回歸和Softmax回歸
3.2.2 線性分類模型的幾何理解
3.2.3 分類預測模型的評價
3.2.4 Python應用實踐：空氣質量等級預測
3.3 從線性預測模型到非線性預測模型
3.4 預測模型的參數估計
3.4.1 損失函數與有監督學習
3.4.2 參數估計的策略
3.5 預測模型的選擇
3.5.1 泛化誤差的估計
3.5.2 Python模擬和啟示：理解泛化誤差
3.5.3 預測模型的過擬合問題
3.5.4 模型選擇：偏差和方差
【本章總結】
【本章相關函數列表】
【本章習題】
第4章 數據預測建模：貝葉斯分類器
4.1 貝葉斯概率和貝葉斯法則
4.1.1 貝葉斯概率
4.1.2 貝葉斯法則
4.2 樸素貝葉斯分類器
4.2.1 從顧客行為分析看樸素貝葉斯分類器
4.2.2 Python模擬和啟示：認識樸素貝葉斯分類器的分類邊界
4.2.3 Python應用實踐：空氣質量等級預測
4.3 樸素貝葉斯分類器在文本分類中的應用
4.3.1 Python文本數據的預處理：文本分詞和量化計算
4.3.2 Python文本描述性分析：詞雲圖和文本相似性
4.3.3 Python文本分析綜合應用：裁判文書的要素提取
4.4 貝葉斯參數估計簡介
4.4.1 從科比投籃分析看貝葉斯參數估計的基本思想
4.4.2 共軛先驗分布
4.4.3 Python應用實踐：科比投籃命中率的研究
【本章總結】
【本章相關函數列表】
【本章習題】
第5章 數據預測建模：近鄰分析
5.1 近鄰分析：K-近鄰法
5.1.1 距離：K-近鄰法的近鄰度量
5.1.2 參數K：1-近鄰法和K-近鄰法
5.2 回歸預測中的K-近鄰法
5.2.1 Python模擬和啟示：認識K-近鄰回歸線
5.2.2 Python模擬和啟示：認識K-近鄰回歸面
5.3 分類預測中的K-近鄰法
5.3.1 基於1-近鄰和K-近鄰的分類
5.3.2 Python模擬和啟示：參數K和分類邊界
5.4 基於觀測相似性的加權K-近鄰法
5.4.1 加權K-近鄰法的權重
5.4.2 Python模擬和啟示：認識加權K-近鄰法的分類邊界
5.5 K-近鄰法的Python應用實踐
5.5.1 空氣質量等級的預測
5.5.2 國產電視劇的大眾評分預測
5.6 K-近鄰法的適用性探討
【本章總結】
【本章相關函數列表】
【本章習題】
第6章 數據預測建模：決策樹
6.1 決策樹的基本概念
6.1.1 什麼是決策樹
6.1.2 決策樹的深層含義
6.2 回歸預測中的決策樹
6.2.1 決策樹的回歸面
6.2.2 Python模擬和啟示：樹深度對回歸面的影響

類似商品

最後瀏覽商品 (16)