《Python机器学习:数据建模与分析》薛薇等著 | PDF下载|ePub下载
Python机器学习:数据建模与分析 版权信息
- 出版社：机械工业出版社
- 出版时间：2021-03-01
- ISBN：9787111674900
- 条形码：9787111674900 ; 978-7-111-67490-0
Python机器学习:数据建模与分析 本书特色
适读人群 ：本书既可以作为数据分析从业人员的参考书，也可作为高等院校数据分析、机器学习等专业课程的教材。配套资源：电子课件、案例程序源代码、案例数据集 本书特色： 系统介绍Python用于机器学习的数据分析、机器学习、数据可视化相关库。 结合大量实例透彻讲解各类机器学习算法在数据建模、数据分析中的应用。 全彩呈现数据建模可视化图像，提供配套数据集、源代码、PPT等学习资源。
Python机器学习:数据建模与分析 内容简介
本书共13章, 对机器学习的原理部分进行了讲解, 对机器学习算法部分均进行了Python实现。除前两章外, 各章都给出了可实现的实践案例, 并全彩呈现数据可视化图形。
Python机器学习:数据建模与分析 目录
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
Python机器学习:数据建模与分析 作者简介
薛薇，博士，中国人民大学应用统计研究中心专职研究员，中国人民大学统计学院副教授。主要开设课程：机器学习，计量经济学，统计软件，统计学。研究方向：机器学习与深度学习算法研究。基于顾客消费行为大数据的客户终身价值统计建模，以及营销与品牌大数据的机器学习算法应用。
