首页 > 图书中心 > Python机器学习基础

目录

目录

第1章Python语言基础1

1.1Python程序入门1

1.1.1一些简单的Python程序1

1.1.2序列数据结构4

1.1.3序列处理函数5

1.1.4函数和类6

1.2Python集成开发环境9

1.2.1Anaconda的使用10

1.2.2Spyder集成开发环境10

1.3NumPy库11

1.3.1Numpy数组11

1.3.2Numpy数组的形状操作12

1.3.3提取数组的行或列13

1.3.4Numpy矩阵14

1.4数据可视化——Matplotlib库15

1.4.1绘制曲线图15

1.4.2绘制散点图等其他图形22

1.5SciPy库26

习题29第2章机器学习概述31

2.1机器学习的概念和步骤31

2.1.1机器学习的一般过程31

2.1.2机器学习的定义34

2.1.3机器学习的过程举例34

2.1.4评估机器学习模型的效果37

2.2机器学习的预处理环节39

2.2.1数据获取39

2.2.2数据预处理40

2.2.3数据标准化41

2.2.4数据降维43

2.3机器学习的类型44

2.3.1按完成的任务分类44

2.3.2按学习的过程分类45

2.4机器学习的发展历史和应用领域46

2.4.1机器学习的发展历史46

2.4.2机器学习的应用领域49

2.5Scikitlearn机器学习库50

2.5.1样本及样本的划分51

2.5.2导入或创建数据集54

2.5.3数据预处理58

2.5.4数据的降维62

2.5.5调用机器学习模型64

习题65第3章关联规则与推荐算法67

3.1关联规则挖掘67

3.1.1基本概念67

3.1.2Apriori算法70

3.1.3Apriori算法的程序实现74

3.1.4FPGrowth算法75

3.2推荐系统及算法78

3.2.1协同过滤推荐算法79

3.2.2协同过滤推荐算法应用实例82

3.3电影节目推荐实例86

习题88第4章聚类90

4.1聚类的原理与实现90

4.1.1聚类的概念和类型90

4.1.2如何度量距离90

4.1.3聚类的基本步骤94

4.2层次聚类算法98

4.2.1算法原理和实例98

4.2.2算法的Sklearn实现100

4.3kmeans聚类算法104

4.3.1算法原理和实例105

4.3.2算法中k值的确定110

4.3.3算法的Sklearn实现111

4.4kmedoids聚类算法113

4.4.1算法原理和实例113

4.4.2算法的Sklearn实现118

4.5DBSCAN聚类算法119

4.5.1算法原理和实例119

4.5.2算法的Sklearn实现124

4.6OPTICS聚类算法126

4.6.1算法的原理126

4.6.2算法的Sklearn实现128

4.7GMM聚类算法129

4.7.1算法的原理129

4.7.2算法的Sklearn实现131

4.8利用聚类实现车牌识别133

习题136第5章分类137

5.1分类的原理和步骤概述137

5.1.1分类与聚类的区别137

5.1.2分类的步骤138

5.1.3分类模型预测结果的评估140

5.1.4Sklearn库的常用分类算法141

5.2k近邻分类算法142

5.2.1k近邻算法原理和实例142

5.2.2Sklearn中分类算法的编程步骤146

5.2.3k近邻分类的Sklearn实现148

5.2.4绘制分类边界图150

5.2.5确定最优的k值153

5.3朴素贝叶斯分类算法154

5.3.1算法原理与实例154

5.3.2算法的常见问题158

5.3.3算法的Sklearn实现160

5.4决策树分类算法162

5.4.1信息论基础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程序实现177

5.5随机森林分类算法180

5.5.1集成学习理论180

5.5.2随机森林分类的理论与实例182

5.5.3算法的Sklearn实现187

5.6利用运动手环数据预测身体姿态190

习题195第6章回归与逻辑回归198

6.1线性回归198

6.1.1相关与回归198

6.1.2线性回归分析199

6.1.3线性回归方程参数的求法201

6.1.4线性回归模型的Sklearn实现206

6.2逻辑回归211

6.2.1线性分类模型的原理211

6.2.2逻辑回归模型及实例213

6.3逻辑回归模型的Sklearn实现216

6.3.1Sklearn中的逻辑回归模型216

6.3.2利用逻辑回归模型预测是否录取学生218

6.4利用逻辑回归预测贷款违约行为222

习题226第7章人工神经网络228

7.1神经元与感知机228

7.1.1人工神经元与逻辑回归模型229

7.1.2感知机模型229

7.1.3感知机模型的Python实现231

7.1.4多层感知机模型233

7.2人工神经网络的核心要素235

7.2.1神经元的激活函数236

7.2.2损失函数237

7.2.3网络结构239

7.2.4反向传播240

7.3人工神经网络的Sklearn实现243

7.3.1Sklearn人工神经网络模块243

7.3.2人工神经网络预测二手房销售数据245

7.4深度学习与深度神经网络247

7.4.1深度学习的概念和原理247

7.4.2TensorFlow概述249

7.4.3卷积神经网络249

7.5基于神经网络的手写数字识别252

7.6基于深度学习的手写数字识别256

习题259第8章支持向量机260

8.1支持向量机的理论基础260

8.1.1支持向量的超平面260

8.1.2SVM间隔及损失函数262

8.1.3非线性SVM与核函数267

8.1.4支持向量机分类的步骤269

8.2支持向量机的Sklearn实现270

8.2.1绘制决策边界271

8.2.2绘制SVM的分类界面272

8.2.3SVM参数对性能的影响274

8.3利用支持向量机实现人脸识别280

习题283附录机器学习模型和算法的关系总结285参考文献287

版权所有(C)2023 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802042911号

联系我们 | 网站地图 | 法律声明 | 友情链接 | 盗版举报 | 人才招聘