消息首页搜索举报

【全新正版包邮】 PYTHON数据挖掘与机器学习（第2版·微课视频版）魏伟一张国治张志昌编著著清华大学出版社 9787302663416

全新正版图书可以放心购买。

45.02 7.5折 59.8 全新

库存18件

江苏南京

认证卖家担保交易快速发货售后保障

作者魏伟一张国治张志昌编著著

出版社清华大学出版社

ISBN9787302663416

出版时间2024-08

装帧平装

开本其他

定价59.8元

货号1203368346

上书时间2024-10-24

南京栖霞书店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 13小时
好评率暂无

店主推荐
最新上架

【全新正版包邮】八千年国宝记忆魏峻,邱婧雯,林得菊新蕾出版社 9787530776926 ¥28.80

【全新正版包邮】变革之心【美】约翰·科特（John P. Kotter）【美】丹·科恩（Dan S. Cohen) 机械工业出版社 9787111749103 ¥59.25

【全新正版包邮】蔡志忠漫画动物园 2 蔡志忠绘浙江少年儿童出版社 9787559735652 ¥21.33

【全新正版包邮】呀!营造法式 [宋]李诫文化发展出版社 9787514242256 ¥22.03

【全新正版包邮】北大公开课：北大才斋讲堂精选·教育与心理王博主编北京大学出版社 9787301345870 ¥44.71

【全新正版包邮】欢迎来到熊世界 [英]凯特.佩里多特中国友谊出版公司 9787505757622 ¥41.06

【全新正版包邮】商务英语笔译（第2版）陈永生、于璠、叶一粟、李静玉著清华大学出版社 9787302668114 ¥36.90

【全新正版包邮】中国旱作节水农业典型技术模式全国农业技术推广服务中心编中国农业出版社 9787109319981 ¥71.58

【全新正版包邮】家常课报道管建刚著福建教育出版社 9787533499648 ¥24.04

【全新正版包邮】 PYTHON程序设计及医学应用夏翃、华琳、高磊、信中、刘文艳、池添雨、李杰著清华大学出版社 9787302669432 ¥33.37

【全新正版包邮】汽车涂装技术（第4版）（微课版）吴兴敏黄艳玲翟静著人民邮电出版社 9787115624505 ¥47.60

【全新正版包邮】西南山区乡村振兴发展战略与实践路径——以四川为例 "四川乡村振兴集成示范试点村的战略研究"课题组,刘永红等著宋宝安编中国农业出版社 9787109318991 ¥35.01

【全新正版包邮】高中数学史辑成林相著福建教育出版社 9787533499600 ¥24.04

【全新正版包邮】 UNI-APP移动应用开发（微课版）赵丙秀，江骏著人民邮电出版社 9787115646675 ¥50.34

【全新正版包邮】蔬菜全产业链机器视觉关键技术王学伟,刘君著中国农业出版社 9787109321748 ¥42.00

商品详情

品相描述：全新

商品描述: 目录
扫一扫

源码下载
第1章绪论………………………………………………………………………………1
1.1 数据挖掘简介…………………………………………………………………1
1.2 数据分析与数据挖掘…………………………………………………………2
1.3 数据挖掘的主要任务…………………………………………………………3
1.3.1 关联分析………………………………………………………………3
1.3.2 数据建模预测…………………………………………………………3
1.3.3 聚类分析………………………………………………………………4
1.3.4 离群点检测……………………………………………………………5
1.4 数据挖掘的数据源………………………………………………………………6
1.4.1 数据库数据……………………………………………………………6
1.4.2 数据仓库………………………………………………………………6
1.4.3 事务数据库……………………………………………………………7
1.4.4 其他类型数据…………………………………………………………7
1.5 数据挖掘使用的技术…………………………………………………………7
1.5.1 统计学…………………………………………………………………7
1.5.2 机器学习………………………………………………………………7
1.5.3 数据库管理系统与数据仓库…………………………………………9
1.6 数据挖掘存在的主要问题 ……………………………………………………… 9
1.7 数据挖掘建模的常用工具 …………………………………………………… 10
1.7.1 商用工具 ……………………………………………………………… 10
1.7.2 开源工具 ……………………………………………………………… 11
1.8 为何选用 Python进行数据挖掘 ……………………………………………… 12
1.9 Python数据挖掘常用库 ……………………………………………………… 12
1.10 JupyterNotebook的使用 ………………………………………………… 14
1.11 小结 …………………………………………………………………………… 16
习题1 ………………………………………………………………………………… 17
第2章 Python数据分析与挖掘基础 …………………………………………………… 18
2.1 Python程序概述 …………………………………………………………… 18
2.1.1 基础数据类型 ………………………………………………………… 18

Ⅳ

2.1.2 变量和赋值 …………………………………………………………… 18
2.1.3 运算符和表达式 ……………………………………………………… 19
2.1.4 字符串 ………………………………………………………………… 19
2.1.5 流程控制 ……………………………………………………………… 20
2.1.6 函数 …………………………………………………………………… 22
2.2 内建数据结构 ……………………………………………………………… 23
2.2.1 列表 …………………………………………………………………… 23
2.2.2 元组 …………………………………………………………………… 25
2.2.3 字典 …………………………………………………………………… 25
2.2.4 集合 …………………………………………………………………… 26
2.3 NumPy数值运算基础 ………………………………………………………… 27
2.3.1 创建数组对象………………………………………………………27
2.3.2 ndarray对象属性和数据转换………………………………………29
2.3.3 生成随机数……………………………………………………………30
2.3.4 数组变换……………………………………………………………31
2.3.5 数组的索引和切片…………………………………………………33
2.3.6 数组的运算……………………………………………………………34
2.3.7 NumPy中的数据统计与分析……………………………………37
2.4 Pandas统计分析基础…………………………………………………………40
2.4.1 Pandas中的数据结构……………………………………………40
2.4.2 索引对象……………………………………………………………42
2.4.3 查看 DataFrame的常用属性…………………………………………44
2.4.4 DataFrame的数据查询与编辑……………………………………45
2.4.5 Pandas数据运算………………………………………………………48
2.4.6 函数应用与映射……………………………………………………49
2.4.7 排序……………………………………………………………………50
2.4.8 汇总与统计……………………………………………………………51
2.4.9 数据分组与聚合……………………………………………………52
2.4.10 Pandas数据读取与存储…………………………………………57
2.5 Matplotlib图表绘制基础………………………………………………………59
2.5.1 Matplotlib简介………………………………………………………59
2.5.2 Matplotlib绘图基础………………………………………………60
2.5.3 设置pyplot的动态rc参数………………………………………62
2.5.4 文本注解………………………………………………………………64
2.5.5 pyplot中的常用绘图………………………………………………65
2.6 scikit-learn…………………………………………………………………71
2.6.1 scikit-learn简介 ……………………………………………………… 71
2.6.2 scikit-learn中的数据集 ……………………………………………… 72

Ⅴ

2.6.3 scikit-learn的主要功能 ……………………………………………… 72
2.7 小结 …………………………………………………………………………… 73
习题2 ………………………………………………………………………………… 74
本章实训:体检数据分析与可视化 ………………………………………………… 74
第3章认识数据 ………………………………………………………………………… 77
3.1 属性及其类型 ……………………………………………………………… 77
3.1.1 属性 …………………………………………………………………… 77
3.1.2 属性类型 ……………………………………………………………… 77
3.2 数据的基本统计描述 ……………………………………………………… 79
3.2.1 中心趋势度量 ………………………………………………………… 79
3.2.2 数据散布度量 ………………………………………………………… 81
3.3 数据可视化 ………………………………………………………………… 83
3.3.1 基于像素的可视化技术 ……………………………………………… 83
3.3.2 几何投影可视化技术 ………………………………………………… 83
3.3.3 基于图符的可视化技术 ……………………………………………… 85
3.3.4 层次可视化技术 ……………………………………………………… 87
3.3.5 可视化复杂对象和关系 ……………………………………………… 87
3.3.6 高维数据可视化 ……………………………………………………… 87
3.3.7 Python可视化………………………………………………………… 88
3.4 数据对象的相似性度量 …………………………………………………… 89
3.4.1 数据矩阵和相异性矩阵 ……………………………………………… 90
3.4.2 标称属性的相似性度量 ……………………………………………… 90
3.4.3 二元属性的相似性度量 ……………………………………………… 90
3.4.4 数值属性的相似性度量 ……………………………………………… 92
3.4.5 序数属性的相似性度量 ……………………………………………… 92
3.4.6 混合类型属性的相似性 ……………………………………………… 93
3.4.7 余弦相似性 …………………………………………………………… 93
3.4.8 距离度量 Python实现………………………………………………94
3.5 小结……………………………………………………………………………95
习题3…………………………………………………………………………………95
本章实训:数据探索性分析…………………………………………………………96
第4章数据预处理……………………………………………………………………100
4.1 数据预处理的必要性………………………………………………………100
4.1.1 原始数据中存在的问题……………………………………………100
4.1.2 数据质量要求………………………………………………………101
4.2 数据清洗………………………………………………………………………101
4.2.1 数据清洗方法……………………………………………………102
4.2.2 利用 Pandas进行数据清洗………………………………………103

Ⅵ

4.3 数据集成 ……………………………………………………………………… 112
4.3.1 数据集成过程中的关键问题……………………………………112
4.3.2 利用 Pandas合并数据……………………………………………114
4.4 数据标准化……………………………………………………………………119
4.4.1 离差标准化数据……………………………………………………119
4.4.2 标准差标准化数据…………………………………………………119
4.5 数据归约……………………………………………………………………120
4.5.1 维归约………………………………………………………………120
4.5.2 数量归约……………………………………………………………124
4.5.3 数据压缩……………………………………………………………125
4.6 数据变换与数据离散化……………………………………………………125
4.6.1 数据变换的策略……………………………………………………125
4.6.2 Python数据变换与离散化…………………………………………127
4.7 利用scikit-learn进行数据预处理……………………………………………130
4.8 小结……………………………………………………………………………137
习题4………………………………………………………………………………137
本章实训:用电量数据预处理………………………………………………………138
第5章回归分析………………………………………………………………………141
5.1 回归分析概述………………………………………………………………141
5.1.1 回归分析的定义与分类……………………………………………141
5.1.2 回归分析的过程……………………………………………………142
5.1.3 回归算法的评价……………………………………………………142
5.2 一元线性回归分析…………………………………………………………144
5.2.1 一元线性回归方法…………………………………………………144
5.2.2 一元线性回归模型的参数估计……………………………………145
5.2.3 一元线性回归模型的误差方差估计………………………………146
5.2.4 一元回归模型的主要统计检验……………………………………146
5.2.5 一元线性回归的 Python实现………………………………………147
5.3 多元线性回归………………………………………………………………149
5.3.1 多元线性回归模型…………………………………………………149
5.3.2 多元线性回归模型的参数估计……………………………………150
5.3.3 多元线性回归的假设检验及其评价………………………………150
5.3.4 多元线性回归的 Python实现………………………………………150
5.4 逻辑回归……………………………………………………………………152
5.4.1 逻辑回归模型………………………………………………………152
5.4.2 逻辑回归的 Python实现……………………………………………154
5.5 其他回归分析………………………………………………………………155
5.5.1 多项式回归…………………………………………………………155

Ⅶ

5.5.2 岭回归………………………………………………………………158
5.5.3 Lasso回归……………………………………………………………160
5.5.4 弹性网络回归………………………………………………………161
5.5.5 逐步回归……………………………………………………………161
5.6 小结……………………………………………………………………………162
习题5………………………………………………………………………………162
本章实训:糖尿病数据的回归分析…………………………………………………163
第6章关联规则挖掘…………………………………………………………………168
6.1 关联规则分析概述…………………………………………………………168
6.2 频繁项集、闭项集和关联规则……………………………………………169
6.3 频繁项集挖掘方法……………………………………………………………171
6.3.1 Apriori算法………………………………………………………171
6.3.2 由频繁项集产生关联规则…………………………………………172
6.3.3 提高 Apriori算法的效率……………………………………………173
6.3.4 频繁模式增长算法………………………………………………174
6.3.5 使用垂直数据格式挖掘频繁项集…………………………………176
6.4 关联模式评估方法…………………………………………………………177
6.4.1 强关联规则不一定是有趣的………………………………………178
6.4.2 从关联分析到相关分析……………………………………………178
6.5 Apriori算法应用……………………………………………………………179
6.6 小结……………………………………………………………………………181
习题6………………………………………………………………………………181
本章实训:毒蘑菇特征分析…………………………………………………………183
第7章分类……………………………………………………………………………185
7.1 分类概述……………………………………………………………………185
7.2 决策树归纳……………………………………………………………………185
7.2.1 决策树原理………………………………………………………186
7.2.2 ID3算法…………………………………………………………186
7.2.3 C4.5算法……………………………………………………………190
7.2.4 CART 算法…………………………………………………………191
7.2.5 树剪枝………………………………………………………………191
7.2.6 决策树应用…………………………………………………………192
7.3 K 近邻算法…………………………………………………………………194
7.3.1 算法原理……………………………………………………………194
7.3.2 Python算法实现……………………………………………………195
7.4 支持向量机…………………………………………………………………196
7.4.1 算法原理……………………………………………………………196
7.4.2 Python算法实现……………………………………………………200

Ⅷ

7.5 贝叶斯分类方法……………………………………………………………200
7.5.1 算法原理……………………………………………………………201
7.5.2 朴素贝叶斯分类……………………………………………………201
7.5.3 高斯朴素贝叶斯分类………………………………………………201
7.5.4 多项式朴素贝叶斯分类……………………………………………202
7.5.5 朴素贝叶斯分类应用………………………………………………203
7.6 模型评估与选择……………………………………………………………204
7.6.1 分类器性能的度量…………………………………………………204
7.6.2 模型选择……………………………………………………………208
7.7 组合分类……………………………………………………………………211
7.7.1 组合分类方法简介…………………………………………………211
7.7.2 袋装…………………………………………………………………211
7.7.3 提升和 AdaBoost……………………………………………………212
7.7.4 随机森林……………………………………………………………215
7.8 小结……………………………………………………………………………217
习题7………………………………………………………………………………217
本章实训:乳腺癌预测………………………………………………………………218
第8章聚类……………………………………………………………………………222
8.1 聚类分析概述………………………………………………………………222
8.1.1 聚类分析的概念……………………………………………………222
8.1.2 聚类算法分类………………………………………………………222
8.2 K-Means聚类……………………………………………………………223
8.2.1 算法原理……………………………………………………………223
8.2.2 算法改进……………………………………………………………224
8.2.3 K-Means算法实现…………………………………………………225
8.3 层次聚类……………………………………………………………………227
8.3.1 算法原理……………………………………………………………227
8.3.2 簇间的距离度量……………………………………………………228
8.3.3 凝聚层次聚类………………………………………………………228
8.3.4 分裂层次聚类………………………………………………………229
8.3.5 层次聚类应用………………………………………………………230
8.4 基于密度的聚类……………………………………………………………231
8.4.1 算法原理……………………………………………………………231
8.4.2 算法改进……………………………………………………………232
8.4.3 DBSCAN 算法实现…………………………………………………232
8.5 其他聚类方法…………………………………………………………………234
8.5.1 STING 聚类…………………………………………………………235
8.5.2 概念聚类……………………………………………………………235

Ⅸ

8.5.3 模糊聚类…………………………………………………………235
8.5.4 高斯混合模型聚类…………………………………………………237
8.5.5 近邻传播聚类………………………………………………………239
8.6 聚类评估……………………………………………………………………241
8.6.1 聚类趋势的估计……………………………………………………242
8.6.2 聚类簇数的确定……………………………………………………243
8.6.3 聚类质量的测定……………………………………………………244
8.7 小结……………………………………………………………………………246
习题8………………………………………………………………………………247
本章实训:鸢尾花数据聚类分析……………………………………………………247
第9章神经网络与深度学习…………………………………………………………252
9.1 神经网络基础………………………………………………………………252
9.1.1 神经元模型…………………………………………………………252
9.1.2 感知机与多层网络…………………………………………………254
9.2 BP神经网络………………………………………………………………255
9.2.1 多层前馈神经网络…………………………………………………255
9.2.2 后向传播算法………………………………………………………256
9.2.3 BP神经网络应用……………………………………………………259
9.3 深度学习………………………………………………………………………262
9.3.1 深度学