Python机器学习电子书

前言

第1章 Python概述

1.1 Python简介

1.1.1 Python的产生与发展

1.1.2 Python的特点

1.1.3 Python的应用领域

1.2 Python开发环境搭建

1.2.1 Python安装与配置

1.2.2 Jupyter NoteBook

1.2.3 PyCharm

1.3 Python程序基本编写方法

1.3.1 Python程序编写与执行

1.3.2 Python错误与调试

1.3.3 Python编码规范

1.4 本章小结

1.5 习题

第2章 Python语言基础

2.1 变量和简单数据类型

2.1.1 标识符和变量

2.1.2 基本数据类型

2.1.3 运算符和表达式

2.2 顺序结构

2.2.1 赋值语句

2.2.2 标准输入和输出

2.2.3 顺序结构程序举例

2.3 分支结构

2.3.1 分支语句

2.3.2 分支结构程序举例

2.4 循环结构

2.4.1 可迭代对象

2.4.2 循环语句

2.4.3 循环控制语句

2.4.4 循环结构程序举例

2.5 案例——人机对话猜数字

2.6 本章小结

2.7 习题

第3章 基础数据结构

3.1 列表

3.1.1 列表的基本操作

3.1.2 列表相关函数

3.1.3 列表选取

3.2 元组

3.2.1 元组的基本操作

3.2.2 元组与列表的异同与转换

3.3 字典

3.3.1 字典的基本操作

3.3.2 遍历字典

3.3.3 字典与列表的嵌套

3.4 案例——约瑟夫环

3.5 本章小结

3.6 习题

第4章 函数与模块

4.1 函数的定义与调用

4.1.1 函数的定义

4.1.2 函数的调用

4.2 函数的参数与返回值

4.2.1 函数参数

4.2.2 函数返回值

4.3 两类特殊函数

4.3.1 匿名函数

4.3.2 递归函数

4.4 常用函数

4.4.1 字符串处理函数

4.4.2 高级函数

4.5 模块和包

4.5.1 模块与包的导入

4.5.2 常用模块

4.6 案例——拼单词游戏

4.7 本章小结

4.8 习题

第5章 面向对象程序设计

5.1 类与对象

5.1.1 类的定义

5.1.2 对象的创建与使用

5.1.3 数据成员与成员方法

5.2 继承与重写

5.2.1 继承

5.2.2 重写

5.3 异常处理

5.3.1 内置的异常类

5.3.2 异常的捕获与处理

5.3.3 自定义异常类

5.4 案例——超市销售管理系统

5.5 本章小结

5.6 习题

第6章 NumPy数据分析

6.1 安装NumPy库

6.2 数据的获取

6.2.1 使用Python读写文件

6.2.2 使用NumPy读写文件

6.3 数组创建与使用

6.3.1 数组创建和基本属性

6.3.2 数组选取

6.3.3 数组操作

6.4 数据运算

6.4.1 算术运算

6.4.2 比较运算

6.5 案例——鸢尾花数据分析

6.6 本章小结

6.7 习题

第7章 数据可视化

7.1 安装Matplotlib库

7.2 数据可视化基本流程

7.3 设置绘图属性

7.4 绘制常用图表

7.4.1 折线图

7.4.2 条形图

7.4.3 散点图

7.4.4 饼图

7.5 绘制高级图表

7.5.1 组合图

7.5.2 三维图

7.6 案例——随机漫步可视化

7.7 本章小结

7.8 习题

第8章 机器学习概述

8.1 机器学习简介

8.1.1 机器学习的定义

8.1.2 机器学习的发展

8.1.3 机器学习的应用领域

8.2 机器学习的基本理论

8.2.1 基本术语

8.2.2 机器学习算法

8.2.3 机器学习的一般流程

8.3 安装scikit-learn库

8.4 scikit-learn基本框架

8.4.1 数据的加载

8.4.2 模型训练和预测

8.4.3 模型的评估

8.4.4 模型的保存与使用

8.5 本章小结

8.6 习题

第9章 回归分析

9.1 回归分析原理

9.2 多元线性回归

9.2.1 算法原理

9.2.2 实现及参数

9.3 正则化回归分析

9.3.1 岭回归

9.3.2 Lasso回归

9.3.3 ElasticNet回归

9.4 案例——不同回归算法的分析对比

9.5 本章小结

9.6 习题

第10章 分类算法

10.1 k近邻算法

10.1.1 算法原理

10.1.2 实现及参数

10.1.3 k近邻回归

10.2 朴素贝叶斯算法

10.2.1 相关概念

10.2.2 算法原理

10.2.3 实现及参数

10.3 决策树

10.3.1 算法原理

10.3.2 最优特征选择函数

10.3.3 实现及参数

10.4 分类与回归树

10.4.1 算法原理

10.4.2 实现及参数

10.5 支持向量机

10.5.1 算法原理

10.5.2 核函数

10.5.3 实现及参数

10.6 案例——多分类器分类数据

10.7 本章小结

10.8 习题

第11章 聚类算法

11.1 聚类的不同思想

11.2 k均值算法

11.2.1 算法原理

11.2.2 实现及参数

11.3 DBSCAN算法

11.3.1 算法原理

11.3.2 实现及参数

11.4 Agglomerative聚类

11.4.1 算法原理

11.4.2 实现及参数

11.5 案例——聚类不同分布形状数据

11.6 本章小结

11.7 习题

第12章 集成学习

12.1 集成学习理论

12.2 随机森林

12.2.1 算法原理

12.2.2 实现及参数

12.3 投票法

12.4 提升法

12.5 本章小结

12.6 习题

第13章 算法评估与验证

13.1 数据集划分

13.2 距离度量方法

13.3 分类有效性指标

13.4 回归有效性指标

13.5 聚类有效性指标

13.6 参数调优

13.7 本章小结

13.8 习题

参考文献