Python機器學習(2021年機械工業出版社出版的圖書)

《Python機器學習》是2021年機械工業出版社出版的圖書。

基本介紹

• 中文名：Python機器學習
• 作者：郭羽含、陳虹、肖成龍
• 出版時間：2021年3月
• 出版社：機械工業出版社
• 頁數：258 頁
• ISBN：9787111676997
• 定價：59.90 元
• 開本：16 開
• 裝幀：平裝

內容簡介

《Python機器學習》從實用的角度出發，整合Python語言基礎、數據分析與可視化、機器學習常用算法等知識。內容從*基本的Python編程基礎入手，由淺入深、循序漸進地講授NumPy庫和Matplotlib庫，以及複雜的機器學習基本理論和算法，並突出知識的實用性和可操作性。

《Python機器學習》力求以淺顯的語言講解複雜的知識，以直觀的案例輔助讀者理解，並以圖表形式展示代碼和運行結果，配合習題鞏固讀者對知識點的掌握。

《Python機器學習》適合作為高等院校計算機類、軟體工程類和大數據相關專業本科生Python機器學習相關課程的教材，也可作為數據科學相關領域工程技術人員的參考書，還可供不具備Python語言基礎的機器學習愛好者從零開始學習。

圖書目錄

前言

第1章Python概述

1.1Python簡介

1.1.1Python的產生與發展

1.1.2Python的特點

1.1.3Python的套用領域

1.2Python開發環境搭建

1.2.1Python安裝與配置

1.2.2Jupyter NoteBook

1.2.3PyCharm

1.3Python程式基本編寫方法

1.3.1Python程式編寫與執行

1.3.2Python錯誤與調試

1.3.3Python編碼規範

1.4本章小結

1.5習題

第2章Python語言基礎

2.1變數和簡單數據類型

2.1.1標識符和變數

2.1.2基本數據類型

2.1.3運算符和表達式

2.2順序結構

2.2.1賦值語句

2.2.2標準輸入和輸出

2.2.3順序結構程式舉例

2.3分支結構

2.3.1分支語句

2.3.2分支結構程式舉例

2.4循環結構

2.4.1可疊代對象

2.4.2循環語句

2.4.3循環控制語句

2.4.4循環結構程式舉例

2.5案例——人機對話猜數字

2.6本章小結

2.7習題

第3章基礎數據結構

3.1列表

3.1.1列表的基本操作

3.1.2列表相關函式

3.1.3列表選取

3.2元組

3.2.1元組的基本操作

3.2.2元組與列表的異同與轉換

3.3字典

3.3.1字典的基本操作

3.3.2遍歷字典

3.3.3字典與列表的嵌套

3.4案例——約瑟夫環

3.5本章小結

3.6習題

第4章函式與模組

4.1函式的定義與調用

4.1.1函式的定義

4.1.2函式的調用

4.2函式的參數與返回值

4.2.1函式參數

4.2.2函式返回值

4.3兩類特殊函式

4.3.1匿名函式

4.3.2遞歸函式

4.4常用函式

4.4.1字元串處理函式

4.4.2高級函式

4.5模組和包

4.5.1模組與包的導入

4.5.2常用模組

4.6案例——拼單詞遊戲

4.7本章小結

4.8習題

第5章面向對象程式設計

5.1類與對象

5.1.1類的定義

5.1.2對象的創建與使用

5.1.3數據成員與成員方法

5.2繼承與重寫

5.2.1繼承

5.2.2重寫

5.3異常處理

5.3.1內置的異常類

5.3.2異常的捕獲與處理

5.3.3自定義異常類

5.4案例——超市銷售管理系統

5.5本章小結

5.6習題

第6章NumPy數據分析

6.1安裝NumPy庫

6.2數據的獲取

6.2.1使用Python讀寫檔案

6.2.2使用NumPy讀寫檔案

6.3數組創建與使用

6.3.1數組創建和基本屬性

6.3.2數組選取

6.3.3數組操作

6.4數據運算

6.4.1算術運算

6.4.2比較運算

6.5案例——鳶尾花數據分析

6.6本章小結

6.7習題

第7章數據可視化

7.1安裝Matplotlib庫

7.2數據可視化基本流程

7.3設定繪圖屬性

7.4繪製常用圖表

7.4.1折線圖

7.4.2條形圖

7.4.3散點圖

7.4.4餅圖

7.5繪製高級圖表

7.5.1組合圖

7.5.2三維圖

7.6案例——隨機漫步可視化

7.7本章小結

7.8習題

第8章機器學習概述

8.1機器學習簡介

8.1.1機器學習的定義

8.1.2機器學習的發展

8.1.3機器學習的套用領域

8.2機器學習的基本理論

8.2.1基本術語

8.2.2機器學習算法

8.2.3機器學習的一般流程

8.3安裝scikit-learn庫

8.4scikit-learn基本框架

8.4.1數據的載入

8.4.2模型訓練和預測

8.4.3模型的評估

8.4.4模型的保存與使用

8.5本章小結

8.6習題

第9章回歸分析

9.1回歸分析原理

9.2多元線性回歸

9.2.1算法原理

9.2.2實現及參數

9.3正則化回歸分析

9.3.1嶺回歸

9.3.2Lasso回歸

9.3.3ElasticNet回歸

9.4案例——不同回歸算法的

分析對比

9.5本章小結

9.6習題

第10章分類算法

10.1k近鄰算法

10.1.1算法原理

10.1.2實現及參數

10.1.3k近鄰回歸

10.2樸素貝葉斯算法

10.2.1相關概念

10.2.2算法原理

10.2.3實現及參數

10.3決策樹

10.3.1算法原理

10.3.2最優特徵選擇函式

10.3.3實現及參數

10.4分類與回歸樹

10.4.1算法原理

10.4.2實現及參數

10.5支持向量機

10.5.1算法原理

10.5.2核函式

10.5.3實現及參數

10.6案例——多分類器分類數據

10.7本章小結

10.8習題

第11章聚類算法

11.1聚類的不同思想

11.2k均值算法

11.2.1算法原理

11.2.2實現及參數

11.3DBSCAN算法

11.3.1算法原理

11.3.2實現及參數

11.4Agglomerative聚類

11.4.1算法原理

11.4.2實現及參數

11.5案例——聚類不同分布

形狀數據

11.6本章小結

11.7習題

第12章集成學習

12.1集成學習理論

12.2隨機森林

12.2.1算法原理

12.2.2實現及參數

12.3投票法

12.4提升法

12.5本章小結

12.6習題

第13章算法評估與驗證

13.1數據集劃分

13.2距離度量方法

13.3分類有效性指標

13.4回歸有效性指標

13.5聚類有效性指標

13.6參數調優

13.7本章小結

13.8習題

參考文獻