Python機器學習基礎

《Python機器學習基礎》是一本2022年清華大學出版社出版的圖書，作者是唐四薪，主要講述了機器學習算法的基本原理和Python程式實現。

基本介紹

• 書名：Python機器學習基礎 
• 作者：唐四薪
• 出版社：清華大學出版社
• 出版時間：2022年9月1日
• 頁數：298 頁
• 定價：56 元
• 開本：16 開
• ISBN：9787302611288

內容簡介

本書對機器學習算法的基本原理和Python程式實現進行了系統的介紹，每種算法都採用Sklearn程式實現和Matplotlib數據可視化。本書共8章，內容包括Python語言基礎、機器學習概述、關聯規則與推薦算法、聚類、分類、回歸與邏輯回歸、人工神經網路和支持向量機。 本書可作為高等院校相關專業機器學習或人工智慧概論等課程的教材，也可作為從事人工智慧、機器學習研究和套用的人員的參考書。

圖書目錄

第1章Python語言基礎1

1.1Python程式入門1

1.1.1一些簡單的Python程式1

1.1.2序列數據結構4

1.1.3序列處理函式5

1.1.4函式和類6

1.2Python集成開發環境9

1.2.1Anaconda的使用10

1.2.2Spyder集成開發環境10

1.3NumPy庫11

1.3.1Numpy數組11

1.3.2Numpy數組的形狀操作12

1.3.3提取數組的行或列13

1.3.4Numpy矩陣14

1.4數據可視化——Matplotlib庫15

1.4.1繪製曲線圖15

1.4.2繪製散點圖等其他圖形22

1.5SciPy庫26

習題29第2章機器學習概述31

2.1機器學習的概念和步驟31

2.1.1機器學習的一般過程31

2.1.2機器學習的定義34

2.1.3機器學習的過程舉例34

2.1.4評估機器學習模型的效果37

2.2機器學習的預處理環節39

2.2.1數據獲取39

2.2.2數據預處理40

2.2.3數據標準化41

2.2.4數據降維43

2.3機器學習的類型44

2.3.1按完成的任務分類44

2.3.2按學習的過程分類45

2.4機器學習的發展歷史和套用領域46

2.4.1機器學習的發展歷史46

2.4.2機器學習的套用領域49

2.5Scikitlearn機器學習庫50

2.5.1樣本及樣本的劃分51

2.5.2導入或創建數據集54

2.5.3數據預處理58

2.5.4數據的降維62

2.5.5調用機器學習模型64

習題65第3章關聯規則與推薦算法67

3.1關聯規則挖掘67

3.1.1基本概念67

3.1.2Apriori算法70

3.1.3Apriori算法的程式實現74

3.1.4FPGrowth算法75

3.2推薦系統及算法78

3.2.1協同過濾推薦算法79

3.2.2協同過濾推薦算法套用實例82

3.3電影節目推薦實例86

習題88第4章聚類90

4.1聚類的原理與實現90

4.1.1聚類的概念和類型90

4.1.2如何度量距離90

4.1.3聚類的基本步驟94

4.2層次聚類算法98

4.2.1算法原理和實例98

4.2.2算法的Sklearn實現100

4.3kmeans聚類算法104

4.3.1算法原理和實例105

4.3.2算法中k值的確定110

4.3.3算法的Sklearn實現111

4.4kmedoids聚類算法113

4.4.1算法原理和實例113

4.4.2算法的Sklearn實現118

4.5DBSCAN聚類算法119

4.5.1算法原理和實例119

4.5.2算法的Sklearn實現124

4.6OPTICS聚類算法126

4.6.1算法的原理126

4.6.2算法的Sklearn實現128

4.7GMM聚類算法129

4.7.1算法的原理129

4.7.2算法的Sklearn實現131

4.8利用聚類實現車牌識別133

習題136第5章分類137

5.1分類的原理和步驟概述137

5.1.1分類與聚類的區別137

5.1.2分類的步驟138

5.1.3分類模型預測結果的評估140

5.1.4Sklearn庫的常用分類算法141

5.2k近鄰分類算法142

5.2.1k近鄰算法原理和實例142

5.2.2Sklearn中分類算法的編程步驟146

5.2.3k近鄰分類的Sklearn實現148

5.2.4繪製分類邊界圖150

5.2.5確定最優的k值153

5.3樸素貝葉斯分類算法154

5.3.1算法原理與實例154

5.3.2算法的常見問題158

5.3.3算法的Sklearn實現160

5.4決策樹分類算法162

5.4.1資訊理論基礎163

5.4.2ID3算法167

5.4.3C4.5算法172

5.4.4CART算法176

5.4.5算法的Sklearn程式實現177

5.5隨機森林分類算法180

5.5.1集成學習理論180

5.5.2隨機森林分類的理論與實例182

5.5.3算法的Sklearn實現187

5.6利用運動手環數據預測身體姿態190

習題195第6章回歸與邏輯回歸198

6.1線性回歸198

6.1.1相關與回歸198

6.1.2線性回歸分析199

6.1.3線性回歸方程參數的求法201

6.1.4線性回歸模型的Sklearn實現206

6.2邏輯回歸211

6.2.1線性分類模型的原理211

6.2.2邏輯回歸模型及實例213

6.3邏輯回歸模型的Sklearn實現216

6.3.1Sklearn中的邏輯回歸模型216

6.3.2利用邏輯回歸模型預測是否錄取學生218

6.4利用邏輯回歸預測貸款違約行為222

習題226第7章人工神經網路228

7.1神經元與感知機228

7.1.1人工神經元與邏輯回歸模型229

7.1.2感知機模型229

7.1.3感知機模型的Python實現231

7.1.4多層感知機模型233

7.2人工神經網路的核心要素235

7.2.1神經元的激活函式236

7.2.2損失函式237

7.2.3網路結構239

7.2.4反向傳播240

7.3人工神經網路的Sklearn實現243

7.3.1Sklearn人工神經網路模組243

7.3.2人工神經網路預測二手房銷售數據245

7.4深度學習與深度神經網路247

7.4.1深度學習的概念和原理247

7.4.2TensorFlow概述249

7.4.3卷積神經網路249

7.5基於神經網路的手寫數字識別252

7.6基於深度學習的手寫數字識別256

習題259第8章支持向量機260

8.1支持向量機的理論基礎260

8.1.1支持向量的超平面260

8.1.2SVM間隔及損失函式262

8.1.3非線性SVM與核函式267

8.1.4支持向量機分類的步驟269

8.2支持向量機的Sklearn實現270

8.2.1繪製決策邊界271

8.2.2繪製SVM的分類界面272

8.2.3SVM參數對性能的影響274

8.3利用支持向量機實現人臉識別280

習題283

附錄

機器學習模型和算法的關係總結285

參考文獻287