Python机器学习:基础、算法与实战电子书

内容提要

前言

第1章 Python机器学习快速入门

1.1 Python安装

1.1.1 安装Anaconda

1.1.2 安装Python库

1.2 Python常用数据类型

1.2.1 列表

1.2.2 元组

1.2.3 字典

1.2.4 集合

1.2.5 字符串

1.3 Python条件、循环与函数

1.3.1 条件判断语句

1.3.2 循环语句

1.3.3 函数

1.4 机器学习简介

1.4.1 无监督学习

1.4.2 有监督学习

1.4.3 半监督学习

1.4.4 常用机器学习算法

1.5 本章小结

第2章 Python中的常用库

2.1 Numpy库

2.1.1 Numpy数组生成

2.1.2 Numpy数组运算

2.1.3 Numpy数组操作

2.1.4 Numpy常用函数

2.2 Pandas库

2.2.1 Pandas数据生成和读取

2.2.2 Pandas数据操作

2.2.3 Pandas数据可视化

2.3 Matplotlib库

2.3.1 Matplotlib可视化基础

2.3.2 Matplotlib数据可视化实战

2.4 Seaborn库

2.4.1 Seaborn库功能简介

2.4.2 Seaborn库数据可视化实战

2.5 Sklearn库

2.5.1 Sklearn库功能简介

2.5.2 Sklearn库应用实战

2.6 本章小结

第3章 机器学习流程

3.1 数据预处理与探索

3.1.1 缺失值处理

3.1.2 数据可视化探索

3.1.3 数据标准化与变换

3.2 无监督问题应用

3.2.1 数据降维

3.2.2 数据聚类

3.3 有监督分类问题应用

3.4 有监督回归问题应用

3.5 半监督学习应用

3.6 本章小结

第4章 模型的选择与评估

4.1 模型的选择

4.1.1 模型拟合情况

4.1.2 避免欠拟合和过拟合的方式

4.1.3 模型的方差与偏差

4.2 模型训练技巧

4.2.1 相关方法

4.2.2 实战案例：K折交叉验证

4.2.3 实战案例：参数网格搜索

4.3 模型评价指标

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 回归模型

5.1 一元线性回归

5.1.1 模型介绍

5.1.2 实战案例：一元线性回归建模

5.2 多元线性回归

5.2.1 模型简介

5.2.2 实战案例：房屋价格预测

5.3 正则化Lasso回归

5.3.1 模型简介

5.3.2 实战案例：Lasso回归预测房屋价格

5.4 时间序列ARIMA模型

5.4.1 模型简介

5.4.2 实战案例：ARIMA模型预测未来啤酒消耗量

5.5 时间序列SARIMA模型

5.5.1 模型简介

5.5.2 实战案例：SARIMA模型预测未来啤酒消耗量

5.6 本章小结

第6章 无监督模型

6.1 常用降维算法

6.1.1 主成分分析

6.1.2 因子分析

6.1.3 流形学习——等距映射

6.1.4 局部线性嵌入LLE

6.1.5 多维尺度变换MSD

6.1.6 t-SNE

6.2 数据降维案例实战

6.2.1 主成分分析数据降维

6.2.2 因子分析数据降维

6.2.3 流形学习——等距嵌入数据降维

6.2.4 局部线性嵌入数据降维

6.2.5 MDS数据降维

6.2.6 t-SNE数据降维

6.3 常用聚类算法

6.3.1 K均值聚类

6.3.2 密度聚类

6.3.3 系统聚类

6.3.4 模糊聚类

6.4 数据聚类案例实战

6.4.1 K均值聚类实战

6.4.2 密度聚类实战

6.4.3 系统聚类实战

6.4.4 模糊聚类实战

6.5 关联规则挖掘

6.5.1 模型简介

6.5.2 实战案例：购物篮分析

6.6 本章小结

第7章 分类模型

7.1 决策树算法

7.1.1 算法简介

7.1.2 实战案例：决策树算法实战

7.2 随机森林算法

7.2.1 算法介绍

7.2.2 实战案例：随机森林算法实战

7.3 Logistic回归算法

7.3.1 算法简介

7.3.2 实战案例：Logistic回归算法实战

7.4 支持向量机算法

7.4.1 算法简介

7.4.2 实战案例：支持向量机算法实战

7.5 人工神经网络算法

7.5.1 算法简介

7.5.2 人工神经网络算法实战

7.6 本章小结

第8章 高级数据回归算法

8.1 高级数据回归算法模型实战

8.1.1 数据探索与可视化

8.1.2 随机森林回归预测实战

8.1.3 GBDT回归预测实战

8.1.4 支持向量机回归预测实战

8.1.5 人工神经网络回归预测实战

8.2 复杂时间序列预测模型

8.2.1 Prophet时序回归

8.2.2 多元时序回归

8.3 时间序列回归模型实战

8.3.1 时序数据导入与可视化探索

8.3.2 Prophet算法预测用户数量

8.3.3 Prophet算法预测流量

8.3.4 VAR多变量时间序列的建模与预测

8.3.5 VARMA多变量时间序列的建模与预测

8.4 本章小结

第9章 非结构数据机器学习

9.1 非结构数据分析简介

9.1.1 文本数据分析简介

9.1.2 网络图数据分析简介

9.2 文本数据分析实战

9.2.1 文本数据预处理

9.2.2 文本获取TF-IDF特征

9.2.3 文本数据K均值聚类

9.2.4 文本数据LDA主题模型

9.2.5 文本数据朴素贝叶斯分类

9.3 网络图数据分析实战

9.3.1 网络图可视化

9.3.2 网络图聚类分割

9.4 本章小结

第10章 综合实战案例：中药材鉴别

10.1 无监督学习——鉴别药材种类

10.1.1 数据特征可视化探索

10.1.2 使用原始特征进行聚类分析

10.1.3 使用降维后的特征进行聚类

10.2 有监督学习——药材产地鉴别

10.2.1 数据特征可视化探索分析

10.2.2 利用选择的特征进行分类

10.3 半监督学习——药材类别鉴别

10.3.1 数据预处理和可视化探索

10.3.2 数据主成分分析降维

10.3.3 半监督学习分类——标签传播算法

10.4 本章小结

参考文献