機器學習實戰（視頻教學版）

《機器學習實戰：視頻教學版》基於Python語言詳細講解機器學習算法及其應用，用於讀者快速入門機器學習。本書配套示例源代碼、PPT課件、教學視頻、教學大綱、習題與答案、作者微信答疑。 《機器學習實戰：視頻教學版》共分12章，內容包括機器學習概述、Python數據處理基礎、Python常用機器學習庫、線性回歸及應用、分類算法及應用、數據降維及應用、聚類算法及應用、關聯規則挖掘算法及應用、協同過濾算法及應用，最後通過3個綜合實戰項目（包括新聞內容分類實戰、泰坦尼克號獲救預測實戰、中藥數據分析項目實戰），幫助讀者對所學技能進行鞏固和提升。本書主要章節都給出了對應的示例及其詳細的分析步驟，方便讀者從編程中掌握機器學習基礎算法及應用。 《機器學習實戰：視頻教學版》適合機器學習初學者、大數據分析人員和機器學習算法開發工程師閱讀；也適合作為高等院校或高職高專人工智能、電腦、軟件工程、數據科學與大數據技術、智能科學與技術等專業機器學習課程的教材。

目    錄

第1章  機器學習概述 1

1.1  機器學習簡介 1

1.1.1  什麽是機器學習 1

1.1.2  機器學習三要素和核心 2

1.1.3  機器學習開發流程 4

1.1.4  機器學習模型評價指標 7

1.1.5  機器學習項目開發步驟 10

1.2  機器學習的發展史和分類 11

1.2.1  機器學習的發展史 11

1.2.2  機器學習分類 16

1.3  機器學習常用術語 19

1.4  本章小結 27

第2章  Python數據處理基礎 28

2.1  Python開發環境搭建 28

2.1.1  安裝Python解釋器 28

2.1.2  Python運行方法 30

2.1.3  安裝PyCharm 31

2.1.4  Python包管理工具 35

2.1.5  安裝Jupyter Notebook 36

2.2  Python基本數據類型 37

2.2.1  數值型 37

2.2.2  字符串（String） 39

2.2.3  列表（List） 41

2.2.4  元組（Tuple） 50

2.2.5  集合（Set） 54

2.2.6  字典（Dict） 60

2.3  Python文件的基本操作 65

2.3.1  文件讀寫基本操作 65

2.3.2  NumPy庫存取文件 69

2.3.3  Pandas存取文件 73

2.4  本章小結 74

第3章  Python常用機器學習庫 75

3.1  Python數值計算庫NumPy 75

3.1.1  NumPy簡介與安裝 75

3.1.2  NumPy數組的基本操作 76

3.2  Python數據處理庫Pandas 77

3.2.1  Pandas庫簡介與安裝 77

3.2.2  數據讀取與寫入 77

3.2.3  數據清洗與轉換 78

3.2.4  數據分析與可視化 79

3.3  Python數據可視化庫Matplotlib 80

3.3.1  Matplotlib安裝與基本使用 80

3.3.2  繪制折線圖 82

3.3.3  繪制柱狀圖 84

3.3.4  繪制餅圖 86

3.3.5  繪制子圖 87

3.4  Python機器學習庫scikit-learn 89

3.4.1  sklearn簡介與安裝 89

3.4.2  sklearn通用學習模式 89

3.4.3  sklearn數據集 90

3.4.4  sklearn模型的屬性和功能 91

3.4.5  sklearn數據預處理 92

3.4.6  交叉驗證 94

3.4.7  保存模型 96

3.5  本章小結 97

第4章  線性回歸及應用 98

4.1  線性回歸算法理論 98

4.2  回歸算法的評價指標 100

4.3  梯度下降算法 101

4.3.1  算法理解 101

4.3.2  SGD算法理論 102

4.4  過擬合 103

4.4.1  過擬合產生的原因 103

4.4.2  常見線性回歸正則化方法 104

4.5  線性回歸實戰 105

4.5.1  波士頓房價預測 105

4.5.2  加入正則化項 107

4.6  本章小結 108

第5章  分類算法及應用 109

5.1  邏輯回歸理論與應用 109

5.1.1  算法理論知識 109

5.1.2  邏輯回歸算法實戰 110

5.2  SVM理論及應用 118

5.2.1  算法理論知識 119

5.2.2  SVM算法實戰 120

5.3  樸素貝葉斯分類及應用 129

5.3.1  算法理論 129

5.3.2  樸素貝葉斯實戰應用 130

5.4  決策樹分類及應用 132

5.4.1  算法理論 132

5.4.2  ID3算法基礎 133

5.4.3  決策樹算法實戰 136

5.5  隨機森林算法實戰 140

5.6  本章小結 141

第6章  數據降維及應用 142

6.1  數據降維概述 142

6.2  PCA算法 143

6.2.1  PCA算法理論 143

6.2.2  PCA算法實戰 145

6.3  SVD算法 147

6.3.1  SVD理論 147

6.3.2  SVD實戰應用 149

6.4  本章小結 152

第7章  聚類算法及應用 153

7.1  聚類理論基礎 153

7.2  K-Means聚類 154

7.2.1  K-Means算法理論 154

7.2.2  K-Means算法實戰 155

7.3  高斯混合聚類 163

7.3.1  高斯聚類理論 163

7.3.2  高斯混合聚類應用 165

7.4  譜聚類 166

7.4.1  譜聚類理論基礎 167

7.4.2  譜聚類應用實戰 168

7.5  本章小結 171

第8章  關聯規則挖掘算法及應用 172

8.1  關聯規則挖掘算法理論 172

8.1.1  大數據關聯規則挖掘常識 172

8.1.2  經典的Apriori算法 173

8.1.3  FP樹算法 174

8.2  關聯規則挖掘算法實戰 177

8.2.1  FP樹實戰 177

8.2.2  Apriori算法實戰 182

8.3  本章小結 186

第9章  協同過濾算法及應用 187

9.1  協同過濾算法理論 187

9.1.1  協同過濾概述 187

9.1.2  物品相似度計算 189

9.1.3  關於ALS算法中的最小二乘法 190

9.2  協同過濾算法電影推薦實戰 191

9.3  本章小結 196

第10章  新聞內容分類實戰 197

10.1  數據準備 197

10.2  分詞與清洗工作 199

10.3  模型建立 202

10.4  分類任務 203

10.5  本章小結 205

第11章  泰坦尼克號獲救預測實戰 206

11.1  數據處理 206

11.2  建立模型 209

11.3  算法概率計算 210

11.4  集成算法，構建多棵分類樹 210

11.5  特徵提取 211

11.6  集成多種算法 214

11.7  本章小結 215

第12章  中藥數據分析項目實戰 216

12.1  項目背景及目標 216

12.2  數據處理與分析實戰 217

12.2.1  數據讀取 217

12.2.2  中藥材數據集的數據處理與分析 218

12.2.3  提取藥方成分 221

12.2.4  挖掘常用藥物組合 223

12.3  本章小結 227