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。
电子书
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。
章节目录
- 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
机器学习Python实战是2022年由人民邮电出版社出版,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。
电子书
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，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。
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
本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。??本书适合Pyth
