内容简介
本书使用Python的机器学习算法库scikit-learn讲解机器学习重要算法的应用，内容包括机器学习认知、数据预处理、KNN算法、线性回归算法、逻辑回归算法、朴素贝叶斯算法、决策树与随机森林算法、支持向量机、k-mcans算法、神经网络、模型评估与优化。本书使用通俗易懂的语言、丰富的图表和大量的案例对机器学习的重要算法进行讲解，提供一条从实践出发掌握机器学习知识的途径，读者即使没有很扎实的数学基础也可快速入门，大大降低了学习门槛。本书是项目驱动式教材，算法原理讲解深入浅出，实践案例典型，配套课件、实战案例、习题等课程资源丰富。
展开全文
- A-fy
- 59401-bq
- C-qy
- D-ml
- 目 录
- 01
- 项目1
- 机器学习认知
- 1.1 项目知识准备
- 1.1.1 什么是机器学习
- 1．机器学习的概念
- 2．机器学习、深度学习和人工智能之间的关系
- 1.1.2 机器学习的应用场景
- 1．数据分析与挖掘
- 2．计算机视觉
- 3．自然语言处理
- 4．语音识别
- 1.1.3 机器学习的流程
- 1．问题定义
- 2．数据准备
- 3．模型选择和开发
- 4．模型训练和调优
- 5．模型评估和测试
- 1.1.4 机器学习的分类
- 1．监督学习
- 2．无监督学习
- 3．强化学习
- 1.1.5 过拟合和欠拟合
- 1.1.6 衡量机器学习模型的指标
- 1．分类问题
- 2．回归问题
- 1.2.2 Jupyter Notebook的使用操作
- 1．Jupyter Notebook的启动
- 2．在Jupyter Notebook中新建Python文件
- 3．Jupyter Notebook的基本操作
- 1.2.3 NumPy的基本使用
- 1．使用arange函数创建数组
- 2．使用linspace函数创建数组
- 1.2.4 pandas的基本使用
- 1．pandas数据结构DataFrame
- 2．使用pandas读取CSV文件
- 1.2.5 Matplotlib的基本使用
- 1.3 项目拓展—查看机器学习常用数据集
- 1．scikit-learn概述
- 2．波士顿（boston）房价数据集探索
- 1.4 项目小结
- 1.5 习题
- 02
- 项目2
- 红酒数据集可视化——数据预处理
- 2.1 项目知识准备
- 2.1.1 数据处理
- 1．均值方差标准化
- 2．离差标准化
- 3．二值化
- 4．归一化
- 5．独热编码
- 6．转换器的使用说明
- 2.1.2 数据降维
- 1．主成分分析简介
- 2．scikit-learn库中PCA类用法介绍
- 2.1.3 数据集拆分
- 2.2 项目实训
- 2.2.1 数据标准化处理
- 1．数据准备
- 2．数据标准化
- 2.2.2 数据离差标准化处理
- 2.2.3 数据二值化处理
- 2.2.4 数据归一化处理
- 2.2.5 独热编码处理
- 2.2.6 数据降维处理
- 1．导入iris数据集
- 2．指定特征数的降维
- 3．指定方差百分比的降维
- 2.3 项目拓展—红酒数据集拆分、标准化和降维处理
- 1．导入wine数据集
- 2．将wine数据集拆分为训练集和测试集
- 3．对数据集进行标准化处理
- 4．对数据集进行降维处理
- 5．wine数据集可视化
- 2.4 项目小结
- 2.5 习题
- 03
- 项目3
- 基于KNN算法的分类模型
- 3.1 项目知识准备
- 3.1.1 KNN算法的原理
- 3.1.2 KNN算法的流程
- 3.1.3 KNN算法的关键
- 1．k最近邻算法中k的选取
- 2．距离的度量
- 3.2 项目实训
- 3.2.1 KNN算法完成分类任务
- 1．生成训练集
- 2．用KNN算法拟合这些数据
- 3．绘出分类边界，创建分类模型
- 4．新数据分类预测
- 5．验证KNN算法的分类结果
- 3.2.2 KNN算法实战—酒的分类
- 1．数据集探索
- 2．拆分数据集
- 3．用KNN算法拟合训练数据
- 4．使用模型对新样本的分类进行预测
- 3.3 项目拓展—辅助诊断乳腺肿瘤
- 1．数据集探索
- 2．数据集拆分
- 3．用KNN算法拟合训练数据
- 4．可视化训练集准确率和测试集准确率
- 3.4 项目小结
- 3.5 习题
- 04
- 项目4
- 基于线性回归算法的预测模型
- 4.1 项目知识准备
- 4.1.1 什么是线性回归
- 1．什么是回归
- 2．线性回归
- 4.1.2 损失函数
- 4.1.3 岭回归模型
- 1．岭回归模型的原理
- 2．岭回归模型的参数调节
- 4.1.4 套索回归模型
- 1．套索回归模型的原理
- 2．套索回归模型的参数调节
- 4.2 项目实训
- 4.2.1 线性回归模型的应用
- 1．生成用于回归分析的有1个特征的数据集
- 2．使用线性回归模型对数据进行拟合
- 3．画出线性回归模型的图形
- 4．输出线性回归模型的系数、截距和方程
- 5．生成用于回归分析的有2个特征的数据集
- 6．使用线性回归模型对数据进行拟合，并输出线性回归模型的系数、截距
- 7．线性回归模型的性能评估
- 4.2.2 波士顿房价预测
- 1．数据集探索
- 2．用线性回归模型拟合数据并进行预测
- 3．对模型进行评估
- 4．输出线性回归模型的系数和偏置
- 5．绘制波士顿真实房价与预测房价走势图
- 4.2.3 岭回归模型的应用
- 4.2.4 套索回归模型的应用
- 4.3 项目拓展—糖尿病患者病情预测
- 1．数据探索
- 2．用线性回归模型拟合数据并进行预测和评估
- 3．用岭回归模型拟合数据并进行预测和评估
- 4．绘制不同alpha参数的岭回归模型中的coef_属性
- 4.4 项目小结
- 4.5 习题
- 05
- 项目5
- 基于逻辑回归算法的分类模型
- 5.1 项目知识准备
- 5.1.1 逻辑回归算法的基本原理
- 5.1.2 LogisticRegression逻辑回归分类器
- 5.2 项目实训
- 5.2.1 逻辑回归算法预测考试是否及格
- 1．数据准备
- 2．创建并训练逻辑回归模型
- 3．预测并输出预测结果
- 5.2.2 逻辑回归算法实现鸢尾花分类
- 1．准备数据集和必要的模块
- 2．创建逻辑回归模型对象并训练、评估模型
- 5.3 项目拓展—判断肿瘤是良性还是恶性
- 1．导入breast_cancer数据集
- 2．将breast_cancer数据集拆分为训练集和测试集
- 3．对数据集进行标准化处理
- 4．构建逻辑回归模型并训练模型
- 5．逻辑回归模型分析与评估
- 5.4 项目小结
- 5.5 习题
- 06
- 项目6
- 基于朴素贝叶斯算法的分类模型
- 6.1 项目知识准备
- 6.1.1 朴素贝叶斯原理
- 1．贝叶斯定理
- 2．朴素贝叶斯算法
- 3．朴素贝叶斯算法的原理
- 6.1.2 伯努利朴素贝叶斯算法
- 6.1.3 高斯朴素贝叶斯算法
- 1．高斯朴素贝叶斯原理
- 2．高斯朴素贝叶斯模型
- 6.1.4 多项式朴素贝叶斯算法
- 1．多项式朴素贝叶斯原理
- 2．多项式朴素贝叶斯模型
- 6.2 项目实训
- 6.2.1 伯努利朴素贝叶斯模型实现天气预测
- 1．数据收集和分析
- 2．创建伯努利朴素贝叶斯模型并进行天气预测
- 3．预测并分析预测结果
- 6.2.2 高斯朴素贝叶斯模型实现连续值的分类
- 1．准备数据集并用BernoulliNB类进行分类
- 2．使用高斯朴素贝叶斯模型进行分类
- 6.2.3 多项式朴素贝叶斯模型实现离散特征的分类
- 1．使用多项式朴素贝叶斯模型进行分类
- 2．将数值离散化处理后重新进行分类
- 6.3 项目拓展—估算个人收入等级
- 1．数据准备
- 2．将数据集进行数据转换并编码处理
- 3．使用高斯朴素贝叶斯模型进行建模
- 4．用模型进行预测
- 6.4 项目小结
- 6.5 习题
- 07
- 项目7
- 基于决策树与随机森林算法的预测模型
- 7.1 项目知识准备
- 7.1.1 决策树的基本原理和构造
- 1．决策树的构造
- 2．决策树的算法原理
- 3．决策树的剪枝
- 4．分类决策树DecisionTreeClassifier类
- 5. 决策树的优缺点
- 7.1.2 随机森林的基本原理和构造
- 1．随机森林的算法原理
- 2．随机森林的构造
- 3．随机森林分类器RandomForestClassifier类
- 7.2 项目实训
- 7.2.1 用决策树判断西瓜的好坏
- 1．数据读取和处理
- 2．用决策树建模并做出预测
- 3．决策树的分类过程展示
- 7.2.2 决策树和随机森林实现酒分类的对比
- 1．数据准备
- 2．构建与评价分类模型
- 3．使用交叉验证评估模型
- 7.3 项目拓展—波士顿房价预测
- 1．导入boston数据集
- 2．构建线性回归模型
- 3．使用随机森林进行建模
- 4．预测房价并绘制对比图
- 7.4 项目小结
- 7.5 习题
- 08
- 项目8
- 支持向量机
- 8.1 项目知识准备
- 8.1.1 支持向量机（SVM）的概念
- 8.1.2 支持向量机的核函数与参数选择
- 8.2 项目实训
- 8.2.1 用SVM完成鸢尾花分类任务
- 8.2.2 SVM算法实战
- 1．导入数据集
- 2．数据集拆分
- 3．训练分类模型
- 8.3 项目拓展—波士顿房价分析
- 1．导入数据集
- 2．数据集拆分
- 3．训练回归模型
- 8.4 项目小结
- 8.5 习题
- 09
- 项目9
- 基于k-means算法的聚类模型
- 9.1 项目知识准备
- 9.1.1 聚类算法
- 9.1.2 k-means算法原理
- 9.1.3 k-means算法流程
- 9.1.4 k-means算法参数选择
- 1．k值如何确定？
- 2．初始的k个质心怎么选？
- 9.2 项目实训
- 9.2.1 k-means算法应用及效果展示
- 1．生成训练集
- 2．用k-means算法将这些数据聚为3类，并绘制聚类效果
- 3．输出k-means聚类的标签
- 9.2.2 k-means算法实现鸢尾花数据的聚类
- 1．导入iris数据集
- 2．绘制鸢尾花数据分布图
- 3．将鸢尾花数据聚为3类
- 4．绘制鸢尾花数据的手肘图
- 9.3 项目拓展—航空公司客户价值分析
- 1．读取并查看数据
- 2．构建LRFMC模型
- 3．数据标准化
- 4．模型构建
- 5．绘制雷达图
- 6．总结分析
- 9.4 项目小结
- 9.5 习题
- 10
- 项目10
- 神经网络
- 10.1 项目知识准备
- 10.1.1 神经网络的起源
- 10.1.2 神经网络的原理
- 1．神经网络结构
- 2．激活函数
- 10.1.3 神经网络的决策过程
- 1．看演唱会的决策因素
- 2．权重设置
- 10.2 项目实训
- 10.2.1 神经网络完成鸢尾花分类任务
- 1．导入数据集
- 2．定义分类器
- 3．显示分类结果
- 10.2.2 神经网络实例—手写识别
- 1．数据集探索
- 2．数据预处理
- 3．用MLP拟合训练数据集
- 10.3 项目拓展—良恶性肿瘤预测
- 1．数据集探索
- 2．数据集拆分
- 3．用MLP拟合训练数据集
- 10.4 项目小结
- 10.5 习题
- 11
- 项目11
- 模型评估与优化
- 11.1 项目知识准备
- 11.2 项目实训
- 11.2.1 使用交叉验证评估模型
- 1．导入数据集
- 2．构建分类模型
- 3．8折交叉验证
- 11.2.2 使用网格搜索算法进行模型调参
- 1．网格搜索算法
- 2．与交叉验证结合的网格搜索算法
- 11.2.3 分类模型的可信度评估
- 11.3 项目小结
- 11.4 习题
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2022
作者：张松慧 陈丹 主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习Python实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2022
作者：张松慧 陈丹 主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习Python实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
机器学习Python实战
免费读 (VIP)