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
电子书
内容简介
本书共8章，内容包括Python概述、NumPy数值计算、pandas基础、pandas进阶、Matplotlib绘图、scikit-learn、餐饮企业综合分析与预测、通信运营商客户流失分析与预测。前6章设置了选择题、填空题和操作题，后两章设置了操作题，希望通过练习和操作实践，读者可以巩固所学的内容。
章节目录
- 第 1 章 Python 概述
- 1.1 Python 简介
- 1.1.1 Python 语言
- 1.1.2 Python 与机器学习
- 1.1.3 Python 环境配置
- 1.2 Python 基础知识
- 1.2.1 固定语法
- 1.2.2 运算符
- 1.2.3 数据类型
- 1.2.4 Python I/O
- 1.3 控制语句
- 1.3.1 条件语句
- 1.3.2 循环语句
- 1.4 函数
- 小结
- 课后习题
- 第 2 章 NumPy 数值计算
- 2.1 ndarray 的创建与索引
- 2.1.1 创建ndarray
- 2.1.2 ndarray 的索引和切片
- 2.2 ndarray 的基础操作
- 2.2.1 变换ndarray 的形态
- 2.2.2 排序与搜索
- 2.3 ufunc
- 2.3.1 ufunc 的广播机制
- 2.3.2 常用ufunc 运算
- 小结
- 课后习题
- 第 3 章 pandas 基础
- 3.1 pandas 常用类
- 3.1.1 Series
- 3.1.2 DataFrame
- 3.1.3 Index
- 3.2 DataFrame 基本操作
- 3.2.1 索引
- 3.2.2 排序
- 3.2.3 合并
- 3.3 其他数据类型操作
- 3.3.1 时间操作
- 3.3.2 文本操作
- 3.3.3 category 操作
- 小结
- 课后习题
- 第 4 章 pandas 进阶
- 4.1 数据的读取与写出
- 4.1.1 CSV
- 4.1.2 Excel
- 4.1.3 数据库
- 4.2 DataFrame 进阶
- 4.2.1 统计分析
- 4.2.2 分组运算
- 4.2.3 透视表和交叉表
- 4.3 数据准备
- 4.3.1 缺失值处理
- 4.3.2 重复数据处理
- 4.3.3 连续特征离散化处理
- 4.3.4 哑变量处理
- 小结
- 课后习题
- 第 5 章 Matplotlib 绘图
- 5.1 Matplotlib 绘图基础
- 5.1.1 编程风格
- 5.1.2 动态rc 参数
- 5.2 分析特征关系常用图形
- 5.2.1 散点图
- 5.2.2 折线图
- 5.3 分析特征内部数据状态常用图形
- 5.3.1 直方图与条形图
- 5.3.2 饼图
- 5.3.3 箱线图
- 小结
- 课后习题
- 第 6 章 scikit-learn
- 6.1 数据准备
- 6.1.1 标准化
- 6.1.2 归一化
- 6.1.3 二值化
- 6.1.4 独热编码
- 6.2 降维
- 6.2.1 PCA
- 6.2.2 ICA
- 6.2.3 LDA
- 6.3 分类
- 6.3.1 Logistic 回归
- 6.3.2 SVM
- 6.3.3 决策树
- 6.3.4 KNN
- 6.3.5 朴素贝叶斯
- 6.3.6 随机森林
- 6.3.7 多层感知机
- 6.4 回归
- 6.4.1 最小二乘回归
- 6.4.2 岭回归
- 6.4.3 Lasso 回归
- 6.5 聚类
- 6.5.1 K-Means
- 6.5.2 层次聚类
- 6.5.3 DBSCAN
- 6.5.4 GMM
- 6.6 模型验证
- 6.6.1 数据集划分
- 6.6.2 交叉验证
- 6.6.3 自动调参
- 6.6.4 模型评价
- 小结
- 课后习题
- 第 7 章 餐饮企业综合分析与预测
- 7.1 餐饮企业需求分析
- 7.1.1 餐饮企业现状与需求
- 7.1.2 餐饮企业数据基本状况
- 7.1.3 餐饮企业数据分析的步骤与流程
- 7.2 数据准备
- 7.2.1 统计每日用餐人数与销售额
- 7.2.2 数据预处理
- 7.3 使用K-Means 算法进行客户价值分析
- 7.3.1 构建RFM 特征
- 7.3.2 构建K-Means 模型
- 7.3.3 K-Means 模型结果分析
- 7.4 使用决策树算法实现餐饮客户流失预测
- 7.4.1 构建客户流失特征
- 7.4.2 构建客户流失预测模型
- 7.4.3 分析决策树模型结果
- 小结
- 课后习题
- 第 8 章 通信运营商用户流失分析与预测
- 8.1 通信运营商用户流失需求分析
- 8.1.1 通信运营商现状与需求
- 8.1.2 通信运营商数据基本情况
- 8.1.3 通信运营商用户流失分析与预测的步骤与流程
- 8.2 数据准备
- 8.2.1 数据去重与降维
- 8.2.2 数据清洗
- 8.2.3 数据合并
- 8.3 特征工程
- 8.3.1 独热编码
- 8.3.2 合并预处理后的数据集
- 8.4 使用MLP 算法实现通信运营商用户流失预测
- 8.4.1 数据集划分与数据标准化
- 8.4.2 构建用户流失预测模型
- 8.4.3 模型评价
- 小结
- 课后习题
展开全部
Python机器学习编程与实战是2020年由人民邮电出版社出版,作者林耀进 张良均。
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《Python机器学习编程与实战》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。
电子书
电子书
机器学习是人工智能领域一个极其重要的研究方向，而深度学习则是机器学习中一个非常接近AI的分支，其思路在于建立进行分析学习的神经网络，模仿人脑感知与组织的方式，根据输入数据做出决策。深度学习在快速的发展过程中，不断有与其相关的产品推向市场，显然，深度学习的应用将会日趋广泛。《Python深度学习：逻辑、算法与编程实战》是关于深度学习的理论、算法、应用的实战教程，内容涵盖深度学习的语言、学习环境、典型
电子书
《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
电子书
Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。它具有丰富和强大的模块（库），能够很轻松地把用其他编程语言（尤其是C/C++）编写的各种模块联结在一起。这两年随着人们对人工智能的关注越来越多，大家对Python的学习热情也越来越高。在IEEE发布的编程语言排行榜中，Python已经多年排名第一。这本Python编程与机器学习的入门书，首先介绍了一些Python编程的基础知识，然
电子书
本书共11章，分别介绍了机器学习概述、数据准备、特征工程、有监督学习、无监督学习、智能推荐的相关知识，并介绍了市财政收入分析案例、基于非侵入式电力负荷监测与分解的电力分析案例、航空公司客户价值分析案例、广电大数据营销推荐案例以及基于TipDM数据挖掘建模平台实现航空公司客户价值分析案例。
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
电子书
机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了TensorFlow、PySpark、TI-ONE等主流机器学习平台的主要特点；然后结合Tableau介绍了数据可视化在银行客户用卡行为分析的应用。在此基础上，利用上述介绍的这些平台，通过多个项目案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、卷积神经网络、循环神经网络、对抗
电子书
本书基于Python语言，介绍了数据分析、机器学习、深度学习等内容，涉及统计学基础、Python基础、Python面向对象入门、在Python中操作MySQL、Pandas、Matplotlib、人工智能、Scikit-learn、神经网络等。书中包括大量代码和综合练习，以及丰富的实战案例。
