前言 在大数据和人工智能时代，数据是各企事业单位的重要资产。数据分析和机器学习是寻找数据之间关系、预测趋势的重要手段，是智能决策的重要方法之一。通过数据分析和机器学习知识体系的培养，结合各学科的应用，可以为各学科的人才培养注入新的动力。Python语言入门简单，已经得到广泛的应用，也是当前大数据和人工智能领域最常用的程序设计语言之一。我们在相关课程建设的基础上编写了本书。 本书共14章。第1~4章主要介绍Python语法的基础知识，为后面内容的学习提供基础。第5~7章主要介绍数据分析和可视化方法，同时也为后面的机器学习部分提供基础。第8~14章主要介绍机器学习及数据预处理和模型评估方法。各章节的主要内容如下。 第1章主要阐述Python语言的特点、模块的概念、帮助的使用方法及开发环境的安装与使用方法。 第2章主要介绍Python语言的语法基础，包括标识符、表达式、常用数据类型、分支与循环结构、常用组合类型等。本章部分内容由柳青、张晓黎、郑戟明编写。 第3章主要介绍自定义函数以及类型注解、lambda表达式和函数式编程的常用类与函数。本章部分内容由柳青编写。 第4章主要介绍类与对象的关系、自定义类和类的继承。本章4.1节和4.2节中的部分内容由柳青编写。 第5章主要介绍NumPy数据处理基础。NumPy是学习Matplotlib、Pandas、scikitlearn等内容的基础。 第6章主要介绍Matplotlib数据可视化基础，介绍了多种数据展示方法。 第7章主要介绍Pandas数据处理与分析技术，包括Series和DataFrame两种对象的用法及在数据库和文件中的存取方法、常用函数与方法、数据清洗与处理方法、时间处理、统计分析、Pandas中的绘图方法。这些处理步骤为后续章节中的机器学习提供了数据预处理的技术。 第8章是对机器学习方法的概述，并介绍了一些常用实验数据的获取与加载方法，最后给出了使用scikitlearn实现机器学习的基本步骤。 第9章介绍将数据集用于模型训练前的常用预处理方法，主要包括特征的离散化、标准化、正则化和编码。 第10章主要介绍机器学习模型的常用评估方法和scikitlearn中连接系列操作的轨道使用方法。 第11章主要介绍有监督学习中的经典算法及scikitlearn中对应类的用法。 第12章主要介绍几种常用的集成学习方法及scikitlearn中对应类的用法。 第13章主要介绍基于无监督学习的聚类和降维。 第14章主要介绍如何利用网格搜索进行超参数调优和算法选择。 全书除了第2~4章提到的编写人员外，其他章节均由杨年华编写。 本书案例中使用的实验数据主要来自scikitlearn自带数据集和UCI机器学习库(UCI Machine Learning Repository)，另外用到了部分从雅虎财经频道下载的股票交易数据。在此，我们对数据集的分享者表示感谢。 本书案例在Python 3．10、NumPy 1．22．1、Matplotlib 3．5．1、Pandas 1．4、scikitlearn 1．0．2下通过测试。读者也可以在更高版本的配置上运行本书的源代码。 本书提供配套的源代码，并为教师提供课件和教学大纲等资料。这些资料可以在清华大学出版社官方网站下载。本书的第3章和第5~7章配套了微课视频，读者可先扫描封底刮刮卡内的二维码，获得权限后，再扫描正文中的二维码，即可观看视频。 由于作者水平有限，书中难免存在疏漏和不妥之处，敬请批评指正，并将意见反馈给我们。 作者 2022年3月

• 课件下载
• 样章下载
• 暂无网络资源

扫描二维码
下载APP了解更多

版权图片链接