Python数据挖掘与机器学习实战

作品简介

第1章主要对机器学习的基本概念进行了概述，介绍了5种Python开发工具，分别是IDLE、IPython、PyCharm、Jupyter Notebook、Anaconda和Spyder，对它们的特点进行了阐述，并选择Anaconda和Spyder作为本书的开发工具。

第2章主要介绍了Python开发环境、计算规则与变量，并详细介绍了Python常用的数据类型，分别是字符串、列表、元组和字典；还介绍了爬虫的基本原理，其中重点介绍了Scrapy框架和XPath工具，并且以票务网为例实现了网站票务信息的爬取。

第3章首先介绍了数据挖掘中的回归分析和线性回归的基本概念，然后介绍了如何使用一元线性回归求解房价预测的问题，最后介绍了使用多元线性回归进行商品价格的预测。本章通过环境检测数据异常分析与预测这个实验，对逻辑回归做出了具体的表现分析

方巍编著

作品目录

• 前言
• 第1章　机器学习基础
• 1.1　机器学习概述
• 1.2　机器学习的发展历程
• 1.3　机器学习分类
• 1.4　机器学习的应用
• 1.5　开发机器学习的步骤
• 1.6　Python语言的优势
• 1.7　Python开发工具介绍
• 1.8　本章小结
• 第2章　Python语言简介
• 2.1　搭建Python开发环境
• 2.2　Python计算与变量
• 2.3　Python的字符串
• 2.4　Python的列表
• 2.5　Python的元组
• 2.6　Python的字典
• 2.7　网络爬虫的发展历史和分类
• 2.8　网络爬虫的原理
• 2.9　爬虫框架介绍
• 2.10　网络爬虫的设计与实现
• 2.11　本章小结
• 第3章　回归分析
• 3.1　回归分析概述
• 3.2　线性回归
• 3.3　用Python实现一元线性回归
• 3.4　用Python实现多元线性回归
• 3.5　基于线性回归的股票预测
• 3.6　逻辑回归
• 3.7　基于逻辑回归的环境数据检测
• 3.8　本章小结
• 第4章　决策树与随机森林
• 4.1　决策树
• 4.2　使用决策树对鸢尾花分类
• 4.3　随机森林
• 4.4　葡萄酒数据集的随机森林分类
• 4.5　本章小结
• 第5章　支持向量机
• 5.1　SVM的工作原理及分类
• 5.2　核函数
• 5.3　SVR简介
• 5.4　时间序列曲线预测
• 5.5　本章小结
• 第6章　隐马尔可夫模型
• 6.1　隐马尔可夫模型简介
• 6.2　Viterbi算法
• 6.3　HMM模型用于中文分词
• 6.4　本章小结
• 第7章　BP神经网络模型
• 7.1　背景介绍
• 7.2　结构特点
• 7.3　网络模型
• 7.4　人工神经网络简介
• 7.5　BP神经网络
• 7.6　通过TensorFlow实现BP神经网络
• 7.7　本章小结
• 第8章　卷积神经网络
• 8.1　传统图像识别技术
• 8.2　卷积神经网络简介
• 8.3　卷积神经网络的结构及原理
• 8.4　卷积神经网络的优点
• 8.5　雷达剖面图识别模型
• 8.6　模型测试分析
• 8.7　本章小结
• 第9章　循环神经网络
• 9.1　自然语言处理
• 9.2　对话系统
• 9.3　基于LSTM结构的循环神经网络
• 9.4　Seq2Seq模型
• 9.5　聊天机器人的程序实现
• 9.6　本章小结
• 第10章　聚类与集成算法
• 10.1　聚类方法简介
• 10.2　聚类算法
• 10.3　K-Means算法
• 10.4　K-Means++算法
• 10.5　K-Means++的实现
• 10.6　Adaboost集成算法的原理
• 10.7　Adaboost算法实现
• 10.8　本章小结
• 第11章　其他机器学习算法
• 11.1　贝叶斯分类器
• 11.2　贝叶斯分类模型
• 11.3　朴素贝叶斯分类器在破产预测中的应用
• 11.4　在线学习
• 11.5　Bandit在线学习算法
• 11.6　Bandit算法原理及实现
• 11.7　GAN网络
• 11.8　DCGAN网络
• 11.9　DCGAN人脸生成
• 11.10　本章小结
• 附录A　机器学习常见试题
• 附录B　数学基础
• B.1　常用符号
• B.2　数学基础知识
• 参考文献