电子书
内容简介
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。 《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩固读者对知识点的掌握。 《Python机器学习》适合作为高等院校计算机类、软件工程类和大数据相关专业本科生Python机器学习相关课程的教材，也可作为数据科学相关领域工程技术人员的参考书，还可供不具备Python语言基础的机器学习爱好者从零开始学习。
章节目录
- 封面
- 书名页
- 版权页
- 前言
- 目录
- 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
- 封底
展开全部
Python机器学习是2021年由机械工业出版社出版,作者郭羽含 陈虹 肖成龙 主编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python机器学习》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。
电子书
电子书
电子书
电子书
电子书