《Python机器学习:数据建模与分析》薛薇等著 | PDF下载|ePub下载

目录

前言

第1章 机器学习概述 1

1.1 机器学习的发展：人工智能中的

机器学习 1

1.2 机器学习的核心：数据和数据建模 4

1.3 机器学习的典型应用 11

【本章总结】 16

【本章习题】 17

第2章 Python机器学习基础 18

2.1 Python：机器学习的首选工具 18

2.2 Python的集成开发环境：

Anaconda 19

2.3 Python第三方包的引用 24

2.4 NumPy使用示例 24

2.5 Pandas使用示例 29

2.6 NumPy和Pandas的综合应用：空气质量监测数据的预处理和基本分析 32

2.7 Matplotlib的综合应用：空气质量监测数据的图形化展示 36

【本章总结】 41

【本章相关函数】 41

【本章习题】 47

第3章 数据预测与预测建模 49

3.1 数据预测的基本概念 49

3.2 预测建模 50

3.3 预测模型的评价 59

3.4 预测模型的选择问题 69

3.5 Python建模实现 73

模拟研究 82

3.6 Python实践案例 86

【本章总结】 91

【本章相关函数】 91

【本章习题】 91

第4章 数据预测建模：贝叶斯分类器 93

4.1 贝叶斯概率和贝叶斯法则 93

4.2 贝叶斯和朴素贝叶斯分类器 94

4.3 贝叶斯分类器的分类边界 99

4.4 Python建模实现 100

4.5 Python实践案例 103

案情要素分类 105

【本章总结】 110

【本章相关函数】 111

【本章习题】 111

第5章 数据预测建模：近邻分析 112

5.1 近邻分析：K-近邻法 112

5.2 基于观测相似性的加权K-近邻法 117

5.3 K-近邻法的适用性 120

5.4 Python建模实现 122

5.5 Python实践案例 125

评分预测 127

【本章总结】 129

【本章相关函数】 129

【本章习题】 130

第6章 数据预测建模：决策树 131

6.1 决策树概述 131

6.2 CART的生长 139

6.3 CART的后剪枝 141

6.4 Python建模实现 143

6.5 Python实践案例 147

【本章总结】 154

【本章相关函数】 155

【本章习题】 155

第7章 数据预测建模：集成学习 156

7.1 集成学习概述 157

7.2 基于重抽样自举法的集成学习 158

7.3 从弱模型到强模型的构建 163

7.4 梯度提升树 174

7.5 XGBoost算法 181

7.6 Python建模实现 185

7.7 Python实践案例 191

【本章总结】 197

【本章相关函数】 197

【本章习题】 198

第8章 数据预测建模：人工神经网络 200

8.1 人工神经网络的基本概念 201

8.2 感知机网络 203

8.3 多层感知机及B-P反向传播算法 213

8.4 Python建模实现 220

8.5 Python实践案例 223

【本章总结】 227

【本章相关函数】 227

【本章习题】 227

第9章 数据预测建模：支持向量机 229

9.1 支持向量分类概述 229

9.2 完全线性可分下的支持向量分类 233

9.3 广义线性可分下的支持向量分类 238

9.4 线性不可分下的支持向量分类 242

9.5 支持向量回归 247

9.6 Python建模实现 252

9.7 Python实践案例 258

【本章总结】 266

【本章相关函数】 266

【本章习题】 266

第10章 特征选择：过滤、包裹和

嵌入策略 267

10.1 特征选择概述 267

10.2 过滤式策略下的特征选择 268

10.3 包裹式策略下的特征选择 278

10.4 嵌入式策略下的特征选择 281

10.5 Python建模实现 288

10.6 Python实践案例 290

【本章总结】 298

【本章相关函数】 298

【本章习题】 299

第11章 特征提取：空间变换策略 300

11.1 特征提取概述 300

11.2 主成分分析 301

11.3 矩阵的奇异值分解 307

11.4 核主成分分析 309

11.5 因子分析 315

11.6 Python建模实现 323

11.7 Python实践案例 331

【本章总结】 334

【本章相关函数】 334

【本章习题】 335

第12章 揭示数据内在结构：聚类分析 336

12.1 聚类分析概述 336

12.2 基于质心的聚类模型：K-均值

聚类 343

12.3 基于连通性的聚类模型：系统

聚类 346

12.4 基于高斯分布的聚类模型：EM

聚类 351

12.5 Python建模实现 356

12.6 Python实践案例：各地区环境

污染的特征的对比分析 367

【本章总结】 370

【本章相关函数】 370

【本章习题】 370

第13章 揭示数据内在结构：特色聚类 371

13.1 基于密度的聚类：DBSCAN

聚类 371

13.2 Mean-Shift聚类 375

13.3 BIRCH聚类 380

13.4 Python建模实现 387

13.5 Python实践案例：商品批发商的

市场细分 394

【本章总结】 397

【本章相关函数】 398

【本章习题】 398