《Python與機器學習》是2020年3月電子工業出版社出版的圖書，作者是陳清華、翁正秋。
基本介紹
- 中文名：Python與機器學習
- 作者：陳清華、翁正秋
- 出版社：電子工業出版社
- 出版時間：2020年3月
- 頁數：200 頁
- 定價：39 元
- 開本：16 開
- ISBN：9787121381768
內容簡介,圖書目錄,
內容簡介
使用機器學習技術的產品或服務在我們的生活當中不斷普及，被套用於大數據分析、智慧型駕駛、計算機視覺等領域，並迅速改變生活。本書以掌握一定的Python語言照驗艱獄基礎為前提，從具體的十一個精簡案例切入，由淺入深、循序漸近展開學習機器學習在不同業務領域中的套用，內容上注重實用性和可操作性。具體涵蓋了機器學習流程、有監督學習、無監督學習、數據分析與人工智慧套用等需要掌握的基本知識和相應技能。
圖書目錄
項目1 電影數據統計 1
1.1 數據獲取 1
1.2 數據解析 4
1.3 數據分析 8
1.4 數據可視化 10
1.5 課堂實訓：工資數據欠漿霉芝統計 16
1.6 練習題 19
項目2 電影數據分析（回歸） 21
2.1 背景知識 21
2.2 使用一元線性回歸分析電影票房數據 22
2.2.1 一元線性回歸 22
2.2.2 範圍縮放 25
2.2.3 數據集的切分 26
2.3 使用多項式回歸分析電影票房數據 29
2.4 使用多元線性回歸分析電影票房數據 31
2.5 理解回歸分析方法 34
2.6 課堂實訓：工齡與工資相關性分析 36
2.7 練習題 39
項目3 數據的爬取 41
3.1 背景知識 41
3.2 電影數據的爬取 42
3.2.1 網路數據一次爬取 42
3.2.2 網路數據定時爬取 48
3.2.3 正則表達式 49
3.3 房屋租賃數據的爬取 51
3.4 房屋租賃數據的統計 54
3.5 課堂實訓：二手房數據的爬取與統計 58
3.6 練習題 59
項目4 房屋租賃數據的分析與可視化 62
4.1 背景知識 62
4.2 使用箱形圖可視化租辨贈少賃價格分布特徵 63
4.3 使用散點圖可視化房屋面積與租賃價格的關係 65
4.4 使用餅圖可視化不同行政區的可租賃房源占比 69
4.5 使用折線圖可視化房間數與租賃價格的關係 71
4.6 使用熱力圖可視化地理位置與租賃價格的關係 72
4.7 課堂實訓：二手房數據的分析與可視化 75
4.8 練習題 78
項目5 身高與體重數據分析（分類器） 80
5.1 背景知識 80
5.1.1 機器學習 80
5.1.2 監督學習 80
5.1.3 分類器 82
5.2 使用分類方法進行性別分類 82
5.2.1 邏輯回歸 82
5.2.2 樸素貝葉斯 88
5.2.3 決策樹 91
5.2.4 支持向量機 95
5.3 使用支持向量機進行肥胖程度分類 97
5.4 課堂實訓：肥胖分析1 101
5.5 練習題 102
項目6 鳶尾花分騙墓承類 104
6.1 背景知識 104
6.2 使用K近鄰對鳶尾花進行分類 105
6.3 使用隨機森林對鳶尾花進行分類 108
6.4 使用神經網路對鳶尾花進行分類 111
6.5 課堂實訓：肥胖分析2 114
6.6 練習題 115
項目7 電影評分數據分析（聚類） 117
7.1 背景知識 117
7.1.1 無監督學習 117
7.1.2 聚類 118
7.1.3 K-Means 119
7.2 使用DBSCAN確定質心個數 119
7.3 使用K-Means對觀影用戶進行聚類 123
7.4 課堂實訓：根據身高、體重和性別對用戶進行分類 127
7.5 練習題 130
項目8 人臉檢測與人臉識別 132
8.1 背景知識 132
8.1.1 人工智慧 132
8.1.2 計算機視覺 133
8.1.3 OpenCV計算機視覺包 134
8.2 圖像中的人臉檢測 135
8.3 視頻中的人臉檢測 137
8.4 圖像符婚拳中的人臉識別 140
8.5 視頻中的人臉識別 143
8.6 課堂實訓：眼睛與笑臉檢測 145
8.7 練習題 146
項目9 手寫葛墊數字識別套用 148
9.1 背景知識 148
9.2 圖像數據集準備 149
9.2.1 MNIST數據集格式 149
9.2.2 獲取MNIST數據集中的圖像 150
9.3 使用支持向量機識別手寫數字 150
9.4 使用神經網路識踏全應別手寫數字 154
9.5 課堂實訓：使用不同的方法識別手寫數字 155
9.6 練習題 156
項目10 深度學習在行為識別中的套用 157
10.1 背景知識 157
10.1.1 卷積神經網路（CNN） 157
10.1.2 循環神經網路（RNN） 159
10.1.3 深度學習的套用 160
10.2 使用卷積神經網路識別行為 161
10.2.1 環境準備 161
10.2.2 數據的獲取與解析 161
10.2.3 數據集分析 162
10.2.4 卷積神經網路的套用 162
10.3 使用循環神經網路識別行為 164
10.4 課堂實訓：電影評論數據分析 166
10.5 練習題 168
項目11 TensorFlow與神經網路 169
11.1 背景知識 169
11.2 設計單層神經網路預測花瓣寬度 171
11.3 設計多層神經網路實現鳶尾花分類 174
11.4 課堂實訓：卷積神經網路的實現與套用 177
11.5 練習題 178
項目12 項目綜合實訓 180
12.1 確定數據採集目標 181
12.2 數據採集與預處理 182
12.3 數據統計與分析 183
12.3.1 票房分析 183
12.3.2 上座率分析 185
12.3.3 票價分布情況分析 186
12.3.4 評分數據分析 186
12.4 數據分析與預測 187
12.4.1 總場次與票房之間的關係分析 187
12.4.2 評分相關因素分析與預測 187
12.5 數據分類套用 188
12.6 課外拓展實訓：二手車數據的獲取與市場分析 189
附錄A 環境準備 191
附錄B 本書使用的工具包 194
參考文獻 195
5.1.2 監督學習 80
5.1.3 分類器 82
5.2 使用分類方法進行性別分類 82
5.2.1 邏輯回歸 82
5.2.2 樸素貝葉斯 88
5.2.3 決策樹 91
5.2.4 支持向量機 95
5.3 使用支持向量機進行肥胖程度分類 97
5.4 課堂實訓：肥胖分析1 101
5.5 練習題 102
項目6 鳶尾花分類 104
6.1 背景知識 104
6.2 使用K近鄰對鳶尾花進行分類 105
6.3 使用隨機森林對鳶尾花進行分類 108
6.4 使用神經網路對鳶尾花進行分類 111
6.5 課堂實訓：肥胖分析2 114
6.6 練習題 115
項目7 電影評分數據分析（聚類） 117
7.1 背景知識 117
7.1.1 無監督學習 117
7.1.2 聚類 118
7.1.3 K-Means 119
7.2 使用DBSCAN確定質心個數 119
7.3 使用K-Means對觀影用戶進行聚類 123
7.4 課堂實訓：根據身高、體重和性別對用戶進行分類 127
7.5 練習題 130
項目8 人臉檢測與人臉識別 132
8.1 背景知識 132
8.1.1 人工智慧 132
8.1.2 計算機視覺 133
8.1.3 OpenCV計算機視覺包 134
8.2 圖像中的人臉檢測 135
8.3 視頻中的人臉檢測 137
8.4 圖像中的人臉識別 140
8.5 視頻中的人臉識別 143
8.6 課堂實訓：眼睛與笑臉檢測 145
8.7 練習題 146
項目9 手寫數字識別套用 148
9.1 背景知識 148
9.2 圖像數據集準備 149
9.2.1 MNIST數據集格式 149
9.2.2 獲取MNIST數據集中的圖像 150
9.3 使用支持向量機識別手寫數字 150
9.4 使用神經網路識別手寫數字 154
9.5 課堂實訓：使用不同的方法識別手寫數字 155
9.6 練習題 156
項目10 深度學習在行為識別中的套用 157
10.1 背景知識 157
10.1.1 卷積神經網路（CNN） 157
10.1.2 循環神經網路（RNN） 159
10.1.3 深度學習的套用 160
10.2 使用卷積神經網路識別行為 161
10.2.1 環境準備 161
10.2.2 數據的獲取與解析 161
10.2.3 數據集分析 162
10.2.4 卷積神經網路的套用 162
10.3 使用循環神經網路識別行為 164
10.4 課堂實訓：電影評論數據分析 166
10.5 練習題 168
項目11 TensorFlow與神經網路 169
11.1 背景知識 169
11.2 設計單層神經網路預測花瓣寬度 171
11.3 設計多層神經網路實現鳶尾花分類 174
11.4 課堂實訓：卷積神經網路的實現與套用 177
11.5 練習題 178
項目12 項目綜合實訓 180
12.1 確定數據採集目標 181
12.2 數據採集與預處理 182
12.3 數據統計與分析 183
12.3.1 票房分析 183
12.3.2 上座率分析 185
12.3.3 票價分布情況分析 186
12.3.4 評分數據分析 186
12.4 數據分析與預測 187
12.4.1 總場次與票房之間的關係分析 187
12.4.2 評分相關因素分析與預測 187
12.5 數據分類套用 188
12.6 課外拓展實訓：二手車數據的獲取與市場分析 189
附錄A 環境準備 191
附錄B 本書使用的工具包 194
參考文獻 195
