目录

第1章机器学习与数据挖掘概述1

1.1机器学习的定义与类型1

1.1.1机器学习的定义1

1.1.2机器学习的类型2

1.1.3机器学习的主要概念5

1.2数据挖掘的概念与过程7

1.2.1数据挖掘的概念7

1.2.2数据挖掘的过程8

1.3机器学习与数据挖掘的关系10

1.3.1机器学习与数据挖掘的相似之处10

1.3.2机器学习与数据挖掘的不同之处10

1.3.3机器学习与数据挖掘协同工作11

1.4应用领域与案例11

1.5学习路线11

1.5.1掌握基本数学知识12

1.5.2学习编程语言及数据处理工具12

1.5.3了解并学习机器学习算法12

1.5.4实践项目与工具掌握12

1.5.5关注最新进展并深入研究领域12

习题113

第2章Python基础与常用库15

2.1Python的基础回顾15

2.1.1Python的简介与安装15

2.1.2Python的数值类型17

2.1.3Python的流程控制22

2.1.4Python的函数与模块24

2.2NumPy库与矩阵运算28

2.2.1NumPy概述282.2.2NumPy数组(ndarry)对象28

2.2.3NumPy通用函数32

2.2.4NumPy的函数库33

2.3Pandas库与数据处理34

2.3.1Pandas库介绍34

2.3.2Pandas库的两种主要数据结构34

2.3.3Pandas文件读写35

2.3.4Pandas常见操作36

2.4Matplotlib和Seaborn库与可视化42

2.4.1Matplotlib42

2.4.2Seaborn47

2.5机器学习库scikitlearn59

2.5.1scikitlearn概述59

2.5.2基本建模流程59

2.5.3数据预处理62

2.5.4监督学习算法64

2.5.5无监督学习算法65

2.5.6评价指标66

2.5.7交叉验证及超参数调优67

2.5.8scikitlearn总结68

习题269

目录〖3〗第3章数据准备与预处理72

3.1数据收集与质量控制72

3.1.1数据收集72

3.1.2质量控制73

3.2数据清洗与缺失值处理74

3.2.1数据清洗的重要性74

3.2.2数据清洗的流程74

3.3数据变换与规范化75

3.3.1数据变换75

3.3.2数据规范化的主要方式78

3.3.3数据规范化的适用范围79

3.4特征工程与特征选择79

3.4.1特征工程80

3.4.2特征选择80

习题388

第4章回归算法91

4.1线性回归91

4.1.1目标函数和最小二乘法92

4.1.2梯度下降93

4.1.3多元线性回归95

4.1.4对数线性回归和广义线性回归96

4.2岭回归和套索回归96

4.2.1过拟合和欠拟合96

4.2.2正则化的主要形式97

4.2.3岭回归98

4.2.4套索回归99

4.2.5算法比较与选择100

4.3回归的评价指标100

4.4案例: 房价预测项目101

习题4105

第5章分类算法108

5.1逻辑回归109

5.2K最近邻算法112

5.3朴素贝叶斯分类器113

5.4决策树117

5.4.1ID3算法119

5.4.2C4.5算法121

5.4.3CART算法124

5.4.4决策树总结126

5.5支持向量机127

5.6分类的评价指标132

5.7案例: 垃圾邮件分类项目135

习题5139

第6章集成学习142

6.1集成学习的基本概念142

6.2Bagging算法与Boosting算法143

6.2.1Bagging算法143

6.2.2Boosting算法144

6.3Stacking与模型融合147

6.4XGBoost与LightGBM148

6.4.1XGBoost148

6.4.2LightGBM150

6.5案例: 集成学习在金融欺诈检测中的应用152

习题6154

第7章聚类分析156

7.1聚类的基本概念156

7.2K均值聚类157

7.3DBSCAN与密度聚类158

7.4层次聚类160

7.5聚类算法的评价指标161

7.6案例: 客户聚类分析163

习题7167

第8章关联规则学习170

8.1关联规则的基本概念170

8.1.1关联规则概述170

8.1.2关联规则的背景知识170

8.2常见关联规则算法172

8.2.1Apriori算法172

8.2.2FPGrowth算法175

8.2.3ECLAT算法181

8.3案例: 图书购买分析182

习题8185

第9章无监督学习与降维189

9.1主成分分析与线性判别分析189

9.1.1主成分分析189

9.1.2线性判别分析192

9.2自编码器与tSNE195

9.2.1自编码器195

9.2.2tSNE197

9.3案例: 图像分类中的降维与特征提取200

习题9203

第10章时间序列分析207

10.1时间序列数据的特性与预处理207

10.1.1时间序列的特性207

10.1.2时间序列的预处理与可视化208

10.2时间序列预测的常用算法209

10.2.1传统时序建模209

10.2.2机器学习模型方法210

10.2.3深度学习模型方法210

10.3时间序列预测的性能评估211

10.3.1评估指标211

10.3.2可视化评估211

10.3.3交叉验证212

10.3.4稳健性测试212

10.4案例: 航空乘客数量预测212

习题10221

第11章机器学习项目综合实践224

11.1数据清理和格式化224

11.2探索性数据分析228

11.3特征工程和特征选择232

11.4基于性能指标比较几种机器学习模型233

11.5对最佳模型执行超参数调优234

11.6在测试集上评估最佳模型235

11.7解释模型结果236

11.8结论与展望236

习题11237

参考文献240