Python机器学习算法与实战电子书

前折页

内容简介

前言

第1章　Python机器学习入门

1.1　机器学习简介

1.1.1　机器学习是什么

1.1.2　机器学习算法分类

1.2　安装Anaconda（Python）

1.2.1　Spyder

1.2.2　Jupyter Notebook

1.2.3　JupyterLab

1.3　Python快速入门

1.3.1　列表、元组和字典

1.3.2　条件判断、循环和函数

1.4　Python基础库入门实战

1.4.1　NumPy库应用入门

1.4.2　pandas库应用入门

1.4.3　Matplotlib库应用入门

1.5　机器学习模型初探

1.6　本章小结

第2章　数据探索与可视化

2.1　缺失值处理

2.1.1　简单的缺失值处理方法

2.1.2　复杂的缺失值填充方法

2.2　数据描述与异常值发现

2.2.1　数据描述统计

2.2.2　发现异常值的基本方法

2.3　可视化分析数据关系

2.3.1　连续变量间关系可视化分析

2.3.2　分类变量间关系可视化分析

2.3.3　连续变量和分类变量间关系可视化分析

2.3.4　其他类型数据可视化分析

2.4　数据样本间的距离

2.5　本章小结

第3章　特征工程

3.1　特征变换

3.1.1　数据的无量纲化处理

3.1.2　数据特征变换

3.2　特征

3.2.1　分类特征重新编码

3.2.2　数值特征重新编码

3.2.3　文本数据的特征构建

3.3　特征选择

3.3.1　基于统计方法

3.3.2　基于递归消除特征法

3.3.3　基于机器学习的方法

3.4　特征提取和降维

3.4.1　主成分分析

3.4.2　核主成分分析

3.4.3　流形学习

3.4.4　t-SNE

3.4.5　多维尺度分析

3.5　数据平衡方法

3.5.1　基于过采样算法

3.5.2　基于欠采样算法

3.5.3　基于过采样和欠采样的综合算法

3.6　本章小结

第4章　模型选择和评估

4.1　模型拟合效果

4.1.1　欠拟合与过拟合表现方式

4.1.2　避免欠拟合与过拟合的方法

4.2　模型训练技巧

4.2.1　交叉验证

4.2.2　参数网络搜索

4.3　模型的评价指标

4.3.1　分类效果评价

4.3.2　回归效果评价

4.3.3　聚类效果评价

4.4　本章小结

第5章　假设检验和回归分析

5.1　假设检验

5.1.1　数据分布检验

5.1.2　t检验

5.1.3　方差分析

5.2　一元回归

5.2.1　一元线性回归

5.2.2　一元非线性回归

5.3　多元回归

5.3.1　多元线性回归

5.3.2　逐步回归

5.3.3　多元自适应回归样条

5.4　正则化回归分析

5.4.1　Ridge回归分析

5.4.2　LASSO回归分析

5.4.3　弹性网络回归

5.5　Logistic回归分析

5.5.1　数据准备与可视化

5.5.2　逻辑回归分类

5.6　本章小结

第6章　时间序列分析

6.1　时间序列数据的相关检验

6.1.1　白噪声检验

6.1.2　平稳性检验

6.1.3　自相关分析和偏自相关分析

6.2　移动平均算法

6.2.1　简单移动平均法

6.2.2　简单指数平滑法

6.2.3　霍尔特线性趋势法

6.2.4　Holt-Winters季节性预测模型

6.3　ARIMA模型

6.3.1　AR模型

6.3.2　ARMA模型

6.3.3　ARIMA模型

6.4　SARIMA模型

6.5　Prophet模型预测时间序列

6.5.1　数据准备

6.5.2　模型建立与数据预测

6.6　多元时间序列ARIMAX模型

6.6.1　数据准备与可视化

6.6.2　ARIMAX模型建立与预测

6.7　时序数据的异常值检测

6.7.1　数据准备与可视化

6.7.2　时序数据异常值检测

6.8　本章小结

第7章　聚类算法与异常值检测

7.1　模型简介

7.1.1　常用的聚类算法

7.1.2　常用的异常值检测算法

7.2　数据聚类分析

7.2.1　K-均值与K-中值聚类算法

7.2.2　层次聚类

7.2.3　谱聚类与模糊聚类

7.2.4　密度聚类（DBSCAN）

7.2.5　高斯混合模型聚类

7.2.6　亲和力传播聚类

7.2.7　BIRCH聚类

7.3　数据异常值检测分析

7.3.1　LOF和COF算法

7.3.2　带有异常值的高维数据探索

7.3.3　基于PCA与SOD的异常值检测方法

7.3.4　孤立森林异常值检测

7.3.5　支持向量机异常值检测

7.4　本章小结

第8章　决策树和集成学习

8.1　模型简介与数据准备

8.1.1　决策树与集成学习算法思想

8.1.2　数据准备和探索

8.2 决策树模型

8.2.1　决策树模型数据分类

8.2.2　决策树模型数据回归

8.3　随机森林模型

8.3.1　随机森林模型数据分类

8.3.2　随机森林模型数据回归

8.4　AdaBoost模型

8.4.1　AdaBoost模型数据分类

8.4.2　AdaBoost模型数据回归

8.5　梯度提升树（GBDT）

8.5.1　GBDT模型数据分类

8.5.2　GBDT模型数据回归

8.6　本章小结

第9章　贝叶斯算法和K-近邻算法

9.1　模型简介

9.2　贝叶斯分类算法

9.2.1　文本数据准备与可视化

9.2.2　朴素贝叶斯文本分类

9.3　贝叶斯网络数据分类

9.3.1　自定义贝叶斯网络结构

9.3.2　搜索所有网络结构

9.3.3　启发式搜索网络结构

9.4　K-近邻算法

9.4.1　K-近邻数据分类

9.4.2　K-近邻数据回归

9.5　本章小结

第10章　支持向量机和人工神经网络

10.1　模型简介

10.2　支持向量机模型

10.2.1 支持向量机数据分类

10.2.2　支持向量机数据回归

10.3　全连接神经网络模型

10.3.1　单隐藏层全连接神经网络数据分类

10.3.2　多隐藏层全连接神经网络数据分类

10.3.3　全连接神经网络数据回归

10.4　本章小结

第11章　关联规则与文本挖掘

11.1　模型简介

11.1.1　关联规则

11.1.2　文本挖掘

11.2　数据关联规则挖掘

11.2.1　FPGrowth关联规则挖掘

11.2.2　Apriori关联规则挖掘

11.3　文本数据预处理

11.3.1　英文文本预处理

11.3.2　《三国演义》文本预处理

11.4　文本聚类分析

11.4.1　文本数据特征获取

11.4.2　常用的聚类算法

11.4.3　LDA主题模型

11.5　《三国演义》人物关系分析

11.5.1　人物重要性时序分析

11.5.2　人物关系可视化分析

11.6　本章小结

第12章　深度学习入门

12.1　深度学习介绍

12.1.1　卷积和池化

12.1.2　卷积神经网络

12.1.3　循环神经网络

12.1.4　自编码网络

12.2　PyTorch入门

12.2.1　张量的使用

12.2.2　常用的层

12.3　卷积神经网络识别草书

12.3.1　草书数据预处理与可视化

12.3.2　ResNet18网络识别草书

12.4　循环神经网络新闻分类

12.4.1　数据准备

12.4.2　LSTM网络文本分类

12.5　自编码网络重构图像

12.5.1　数据准备

12.5.2　自编码网络重构手写数字

12.6　本章小结

参考文献

后折页