Python機器學習一本通是一本2020年出版的圖書，由北京大學出版社出版
基本介紹
- 中文名：Python機器學習一本通
- 作者：編者:楊志曉//范艷峰|責編:張雲靜
- 類別：程式設計
- 出版社：北京大學出版社
- 出版時間：2020年
- 開本：128 開
- 裝幀：平裝
- ISBN：9787301313367
內容簡介,作者簡介,目 錄,
內容簡介
《Python機器學習一本通》結合了Python和機器學習兩個熱門領域，通過易於理解的知識講解，幫助讀者學習和掌握機器學習。
全書共20章，分為5篇。其中第1篇為基礎入門篇，主要講述Python機器學習入門、設定機器學習的環境、機器學習基礎和統計分析數學基礎等內容；第2篇為數據預處理篇，主要講述了產生和載入數據集、數據預處理等內容；第3篇為機器學習算法篇，主要講述了回歸分析、決策樹分析、支持向量機、聚類分析、集成學習、神經網路學習、卷積網路學習和模型評價等內容；第4篇為機器學習套用篇，主要講述了圖像識別、語音識別、期刊新聞分類和圖形壓縮4個機器學習套用；第5篇為項目實戰篇，主要講述了社交好友分析、電商點擊率預估等。
《Python機器學習一本通》適用於想了解傳統機器學習算法的學生和從業者，想知道如何高效實現機器學習算法的程式設計師，以及想了解機器學習算法能如何進行套用的職員、經理等。
作者簡介
楊志曉，工學博士，副教授，現在河南牧業經濟學院智慧型製造與自動化學院工作，從事計算機套用、控制理論與控制工程專業的教學與科研工作。研究方向主要有：人工智慧理論及套用、人機情感互動、可信計算。
曾參與主持河南省重點科技攻關項目1項、河南省教育廳自然科學研究計畫項目2項、河南省高校青年骨幹教師資助計畫項目、鄭州市科技攻關項目各1項，主持省級鑑定項目5項，作為主要完成人參與省級項目10餘項，參與國家“十一五”科技支撐計畫項目1項，獲省政府科技進步2等獎和3等獎各1項，獲教育廳科技成果一等獎2項，二等獎4項。獲國家授權發明專利2項（均為主持）等。
范艷峰，工學博士，教授。1995年至今，於河南工業大學信息科學與工程學院工作，教授。從事人工智慧理論及套用的教學科研工作。
目 錄
第一篇 基礎入門篇
第1章 Python機器學習
入門 1
1.1 機器學習是人工智慧的一個分支 2
1.1.1 什麼是智慧型 2
1.1.2 智慧型的特點 4
1.1.3 人工智慧及其研究內容 5
1.1.4 人工智慧的主要學派 7
1.1.5 人工智慧的研究和套用範疇 9
1.2 理解機器學習 10
1.2.1 學習與機器學習 10
1.2.2 機器學習的分類 11
1.2.3 典型的機器學習方法 12
1.2.4 深度學習 17
1.3 數據、大數據及其組織方式 18
1.3.1 數據及大數據 18
1.3.2 資料庫與數據倉庫 18
1.4 機器學習的一般步驟 19
1.5 本章小結 21
1.6 習題 21
1.7 高手點撥 21
第2章 設定機器學習的
環境 23
2.1 機器學習工具及Python
Anaconda的安裝 24
2.1.1 機器學習工具 24
2.1.2 Python Anaconda 24
2.1.3 Python Anaconda版的安裝
和使用 28
2.1.4 機器學習庫scikit- learn 32
2.2 環境測試 33
2.3 綜合實例—個機器學習
實例 34
2.4 本章小結 36
2.5 習題 36
2.6 高手點撥 36
第3章 Python機器學習
基礎 39
3.1 NumPy數值計算基礎 40
3.2 Matplotlib可視化基礎 59
3.2.1 matplotlib.pyplot繪圖元素和
基本流程 59
3.2.2 繪製散點圖 60
3.2.3 繪製折線圖和點線圖 62
3.2.4 繪製柱狀圖 64
3.2.5 繪製餅圖 67
3.2.6 繪製箱線圖 69
3.2.7 繪製直方圖 70
3.2.8 繪製子圖 71
3.3 Seaborn統計數據可視化 72
3.3.1 特徵關係可視化 73
3.3.2 特徵分類別可視化 76
3.3.3 特徵分布可視化 90
3.3.4 矩陣可視化 98
3.4 訪問數據檔案 101
3.4.1 NumPy訪問二進制檔案 101
3.4.2 Pandas訪問文本檔案 104
3.4.3 Pandas訪問Excel檔案 107
3.5 Pandas DataFrame操作 108
3.5.1 DataFrame對象及其屬性 108
3.5.2 使用字典方式訪問
DataFrame 110
3.5.3 使用屬性方式訪問
DataFrame 112
3.5.4 DataFrame訪問行的特殊方法 113
3.5.5 使用DataFrame.loc[ ],
DataFrame.iloc[ ]對
DataFrame進行切片 114
3.5.6 更改DataFrame中的數據 119
3.6 綜合實例—iris數據集特徵、
特徵間關係及分類別分析 121
3.7 本章小結 129
3.8 習題 129
3.9 高手點撥 130
第4章 統計分析數學基礎及
Python實現 131
4.1 基本統計知識 132
4.1.1 中位數、眾數、極差 132
4.1.2 相關性、協方差、相關係數、
協方差矩陣 133
4.1.3 數據的分組聚合 135
4.1.4 數據透視表與交叉表 136
4.2 NumPy統計分析 136
4.3 Pandas統計分析 140
4.3.1 Pandas DataFrame描述性
統計 141
4.3.2 Pandas DataFrame數據
離散化 146
4.3.3 使用GroupBy拆分數據並
進行描述性統計 150
4.3.4 使用agg方法聚合數據 157
4.3.5 使用apply方法聚合數據 160
4.3.6 使用transform方法聚合
數據 161
4.3.7 使用pivot_table創建
透視表 163
4.3.8 使用crosstab創建交叉表 171
4.4 綜合實例—iris數據集統計
分析 173
4.5 本章小結 189
4.6 習題 189
4.7 高手點撥 190
第二篇 數據預處理篇
第5章 數據分析步—
產生和載入
數據集 191
5.1 使用NumPy的函式產生模擬
數據集 192
5.2 使用scikit-learn樣本生成器
生成數據集 198
5.3 訪問scikit-learn自帶數據
檔案 206
5.4 訪問外部數據檔案 210
5.5 綜合實例—載入boston數據集、
另外儲存為並重新訪問 211
5.6 本章小結 214
5.7 習題 215
5.8 高手點撥 215
第6章 數據分析第二步—
數據預處理 217
6.1 數據預處理的基礎知識 218
6.1.1 一般流程和常用方法 218
6.1.2 標準化和正則化 219
6.1.3 特徵選擇 221
6.1.4 特徵降維—主成分分析、
線性判別分析 222
6.1.5 Pandas與scikit- learn數據
預處理概述 227
6.2 使用scikit-learn進行數據
預處理 228
6.2.1 使用sklearn對數據集進行
Z- score標準化 228
6.2.2 使用sklearn對數據集進行
極差標準化 232
6.2.3 使用sklearn對數據集
正則化 235
6.2.4 使用sklearn對數據集
二值化 238
6.2.5 使用sklearn進行缺失值
插補 239
6.2.6 使用sklearn對分類特徵
編碼 240
6.3 特徵降維 242
6.3.1 PCA降維 242
6.3.2 LDA降維 247
6.3.3 TSNE降維 250
6.4 綜合實例—breast_cancer
數據集預處理 253
6.5 本章小結 258
6.6 習題 259
6.7 高手點撥 259
第三篇 機器學習算法篇
第7章 回歸分析 261
7.1 回歸分析及常用方法 262
7.1.1 線性回歸 262
7.1.2 邏輯回歸 263
7.1.3 多項式回歸 263
7.1.4 逐步回歸 263
7.1.5 嶺回歸 263
7.1.6 套索回歸 264
7.1.7 彈性網路回歸 264
7.2 線性回歸理論基礎 264
7.3 使用scikit-learn進行線性
回歸 266
7.4 使用scikit-learn進行嶺回歸 271
7.5 使用scikit-learn進行邏輯
回歸 274
7.6 使用scikit-learn進行多項式
回歸 280
7.6.1 單特徵數據集多項式回歸 280
7.6.2 多特徵數據集多項式回歸 285
7.7 綜合實例—波士頓房價數據集
回歸分析 291
7.8 本章小結 295
7.9 習題 296
7.10 高手點撥 296
第8章 分類算法—決策樹
學習 297
8.1 決策樹算法基礎 298
8.1.1 信息熵、信息增益、信息
增益率 298
8.1.2 決策樹算法 302
8.2 使用scikit-learn進行決策樹
學習 303
8.3 綜合實例—使用決策樹對鳶尾花
數據集iris進行分類 314
8.4 本章小結 319
8.5 習題 319
8.6 高手點撥 320
