Python机器学习原理与算法实现电子书

内容简介

推荐序1

推荐序2

前言

目 录

第1章 Python入门知识

1.1 Python简介与本书的教学理念

1.2 Python的下载与安装

1.3 Python注释、基本输入与输出

1.4 Python变量和数据类型

1.5 Python序列

1.6 Python列表

1.7 Python元组

1.8 Python字典

1.9 Python集合

1.10 Python字符串

1.11 习题

第2章 Python进阶知识

2.1 Python流程控制语句

2.2 Python函数

2.3 Python模块和包

2.4 Python numpy模块中的数组

2.5 Python pandas模块中的序列与数据框

2.6 Python对象与类

2.7 Python数据读取

2.8 Python数据检索

2.9 Python数据缺失值处理

2.10 Python数据重复值处理

2.11 Python数据行列处理

2.12 习题

第3章 机器学习介绍

3.1 机器学习概述

3.2 机器学习术语

3.3 机器学习分类

3.4 误差、泛化、过拟合与欠拟合

3.5 偏差、方差与噪声

3.6 性能量度

3.7 模型评估

3.8 机器学习项目流程

3.9 习题

第4章 线性回归算法

4.1 线性回归算法的基本原理

4.2 数据准备

4.3 描述性分析

4.4 图形绘制

4.5 正态性检验

4.6 相关性分析

4.7 使用statsmodels进行线性回归

4.8 使用sklearn进行线性回归

4.9 习题

第5章 二元Logistic回归算法

5.1 二元Logistic回归算法的基本原理

5.2 数据准备

5.3 描述性分析

5.4 数据处理

5.5 建立二元Logistic回归算法模型

5.6 习题

第6章 多元Logistic回归算法

6.1 多元Logistic回归算法的基本原理

6.2 数据准备

6.3 描述性分析及图形绘制

6.4 数据处理

6.5 建立多元Logistic回归算法模型

6.6 习题

第7章 判别分析算法

7.1 判别分析算法的基本原理

7.2 数据准备

7.3 特征变量相关性分析

7.4 使用样本全集开展线性判别分析

7.5 使用分割样本开展线性判别分析

7.6 使用分割样本开展二次判别分析

7.7 习题

第8章 朴素贝叶斯算法

8.1 朴素贝叶斯算法的基本原理

8.2 数据准备

8.3 高斯朴素贝叶斯算法示例

8.4 多项式、补集、二项式朴素贝叶斯算法示例

8.5 习题

第9章 高维数据惩罚回归算法

9.1 高维数据惩罚回归算法简介

9.2 数据准备

9.3 变量设置及数据处理

9.4 岭回归算法

9.5 Lasso回归算法

9.6 弹性网回归算法

9.7 习题

第10章 K近邻算法

10.1 K近邻算法简介

10.2 数据准备

10.3 回归问题K近邻算法示例

10.4 分类问题K近邻算法示例

10.5 习题

第11章 主成分分析算法

11.1 主成分分析算法简介

11.2 数据准备

11.3 主成分分析算法示例

11.4 习题

第12章 聚类分析算法

12.1 聚类分析算法简介

12.2 数据准备

12.3 划分聚类分析算法示例

12.4 层次聚类分析算法示例

12.5 习题

第13章 决策树算法

13.1 决策树算法简介

13.2 数据准备

13.3 分类问题决策树算法示例

13.4 回归问题决策树算法示例

13.5 习题

第14章 随机森林算法

14.1 随机森林算法的基本原理

14.2 数据准备

14.3 分类问题随机森林算法示例

14.4 回归问题随机森林算法示例

14.5 习题

第15章 提升法

15.1 提升法的基本原理

15.2 数据准备

15.3 回归提升法示例

15.4 二分类提升法示例

15.5 多分类提升法示例

15.6 习题

第16章 支持向量机算法

16.1 支持向量机算法的基本原理

16.2 数据准备

16.3 回归支持向量机算法示例

16.4 二分类支持向量机算法示例

16.5 多分类支持向量机算法示例

16.6 习题

第17章 神经网络算法

17.1 神经网络算法的基本原理

17.2 数据准备

17.3 回归神经网络算法示例

17.4 二分类神经网络算法示例

17.5 多分类神经网络算法示例

17.6 习题