123,123

內(nèi)容簡(jiǎn)介

　　隨著大數(shù)據(jù)的興起，Python 和機(jī)器學(xué)習(xí)迅速成為時(shí)代的寵兒。本書(shū)在內(nèi)容編排上避免了枯燥的理論知識(shí)講解，依循“理論簡(jiǎn)述——實(shí)際數(shù)據(jù)集——Python 程序?qū)崿F(xiàn)算法”分析數(shù)據(jù)的思路，根據(jù)實(shí)際數(shù)據(jù)集的分析目的，采用合適的主流機(jī)器學(xué)習(xí)算法來(lái)解決問(wèn)題。全書(shū)共12章，其中第1 ～ 4 章介紹了機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)；第5 ～ 12 章討論了在面對(duì)不同的數(shù)據(jù)時(shí)，如何采用一些主流的算法來(lái)解決問(wèn)題，主要包括回歸分析、關(guān)聯(lián)規(guī)則、無(wú)監(jiān)督學(xué)習(xí)、文本LDA 模型、決策樹(shù)和集成學(xué)習(xí)、樸素貝葉斯和K 近鄰分類、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)，以及深度學(xué)習(xí)入門(mén)等內(nèi)容。針對(duì)每個(gè)算法，都給出Python 代碼實(shí)現(xiàn)算法建模的過(guò)程，并結(jié)合可視化技術(shù)，幫助讀者更好地理解算法和分析結(jié)果。《Python 在機(jī)器學(xué)習(xí)中的應(yīng)用》是使用Python 進(jìn)行機(jī)器學(xué)習(xí)的入門(mén)實(shí)戰(zhàn)教程，可作為以Python 為基礎(chǔ)進(jìn)行機(jī)器學(xué)習(xí)的本科生和研究生入門(mén)書(shū)籍，也可供對(duì)Python 機(jī)器學(xué)習(xí)感興趣的研究人員參考閱讀。

作者簡(jiǎn)介

　　余本國(guó)，博士，碩士研究生導(dǎo)師。于中北大學(xué)理學(xué)系任教，主講線性代數(shù)、微積分、Python語(yǔ)言、大數(shù)據(jù)分析基礎(chǔ)等課程。2012年到加拿大York University做訪問(wèn)學(xué)者。出版有《Python數(shù)據(jù)分析基礎(chǔ)》《基于Python的大數(shù)據(jù)分析基礎(chǔ)及實(shí)戰(zhàn)》等著作。

圖書(shū)目錄

第1 章機(jī)器學(xué)習(xí)簡(jiǎn)介
1.1 機(jī)器學(xué)習(xí)的任務(wù)
1.2 機(jī)器學(xué)習(xí)的三種方式
1.3 機(jī)器學(xué)習(xí)系統(tǒng)的建立
1.4 機(jī)器學(xué)習(xí)實(shí)例
第2 章 Python 常用庫(kù)介紹
2.1 Python 的安裝(Anaconda)
2.1.1 Spyder
2.1.2 Jupyter Notebook
2.2 Python 常用庫(kù)
2.2.1 Numpy 庫(kù)
2.2.2 Pandas 庫(kù)
2.2.3 Matplotlib 庫(kù)
2.2.4 Statsmodels 庫(kù)
2.2.5 Scikit-learn 庫(kù)
2.3 其他Python 常用的數(shù)據(jù)庫(kù)
2.4 Python 各種庫(kù)在機(jī)器學(xué)習(xí)中的應(yīng)用
第3 章數(shù)據(jù)的準(zhǔn)備和探索
3.1 數(shù)據(jù)預(yù)處理
3.2 數(shù)據(jù)假設(shè)檢驗(yàn)
3.3 數(shù)據(jù)間的關(guān)系
3.4 數(shù)據(jù)可視化
3.5 特征提取和降維
第4 章模型訓(xùn)練和評(píng)估
4.1 模型訓(xùn)練技巧
4.2 分類效果的評(píng)價(jià)
4.3 回歸模型評(píng)價(jià)
4.4 聚類分析評(píng)估
第5 章回歸分析
5.1 回歸分析簡(jiǎn)介
5.2 多元線性回歸分析
5.2.1 多元線性回歸
5.2.2 逐步回歸
5.3 Lasso 回歸分析
5.4 Logistic 回歸分析
5.5 時(shí)間序列預(yù)測(cè)
第6 章關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則簡(jiǎn)介
6.2 使用關(guān)聯(lián)規(guī)則找到問(wèn)卷的規(guī)則
6.3 關(guān)聯(lián)規(guī)則可視化
第7 章無(wú)監(jiān)督學(xué)習(xí)
7.1 無(wú)監(jiān)督學(xué)習(xí)介紹
7.2 系統(tǒng)聚類
7.3 K- 均值聚類
7.4 密度聚類
7.5 Mean Shift 聚類
7.6 字典學(xué)習(xí)圖像去噪
第8 章文本LDA 模型
8.1 文本分析簡(jiǎn)介
8.2 中文分詞
8.3 LDA 主題模型分析《紅樓夢(mèng)》
8.4 紅樓夢(mèng)人物關(guān)系
第9 章決策樹(shù)和集成學(xué)習(xí)
9.1 模型簡(jiǎn)介
9.2 泰坦尼克號(hào)數(shù)據(jù)預(yù)處理
9.3 決策樹(shù)模型
9.4 決策樹(shù)剪枝
9.5 隨機(jī)森林模型
9.6 AdaBoost 模型
第10 章樸素貝葉斯和K近鄰分類
10.1 模型簡(jiǎn)介
10.2 垃圾郵件數(shù)據(jù)預(yù)處理
10.3 貝葉斯模型識(shí)別垃圾郵件
10.4 基于異常值檢測(cè)的垃圾郵件查找
10.4.1 PCA 異常值檢測(cè)
10.4.2 Isolation Forest 異常值檢測(cè)
10.5 數(shù)據(jù)不平衡問(wèn)題的處理
10.6 K 近鄰分類
第11 章支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)
11.1 模型簡(jiǎn)介
11.2 肺癌數(shù)據(jù)可視化
11.3 支持向量機(jī)模型
11.4 全連接神經(jīng)網(wǎng)絡(luò)
第12 章深度學(xué)習(xí)入門(mén)
12.1 深度學(xué)習(xí)介紹
12.2 卷積和池化
12.3 CNN 人臉識(shí)別
12.4 CNN 人臉檢測(cè)
12.5 深度卷積圖像去噪
12.5.1 空洞卷積
12.5.2 圖像與圖像塊的相互轉(zhuǎn)換
12.5.3 一種深度學(xué)習(xí)去噪方法