Python机器学习

图书标准信息

• 作者 郭羽含 陈虹 肖成龙 主编
• 出版社 机械工业出版社
• 出版时间 2021-03
• 版次 1
• ISBN 9787111676997
• 定价 59.90元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 264页
• 字数 409千字

【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。

【目录】

前言

第1章Python概述

11Python简介

111Python的产生与发展

112Python的特点

113Python的应用领域

12Python开发环境搭建

121Python安装与配置

122Jupyter NoteBook

123PyCharm

13Python程序基本编写方法

131Python程序编写与执行

132Python错误与调试

133Python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4scikit-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2Lasso回归

933ElasticNet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1k近邻算法

1011算法原理

1012实现及参数

1013k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2k均值算法

1121算法原理

1122实现及参数

113DBSCAN算法

1131算法原理

1132实现及参数

114Agglomerative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