跟着迪哥学python数据分析与机器学习实战

作品简介

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。

全书共20章，大致分为4个部分。第1部分介绍了Python必备的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网格、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。

本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。

唐宇迪著。

作品目录

• 内容提要
• 前言
• 第1章 人工智能入门指南
• 1.1 AI时代首选Python
• 1.2 人工智能的核心——机器学习
• 1.3 环境配置
• 本章总结
• 第2章 科学计算库（Numpy）
• 2.1 Numpy的基本操作
• 2.2 索引与切片
• 2.3 数据类型与数值计算
• 2.4 常用功能模块
• 本章总结
• 第3章 数据分析处理库（Pandas）
• 3.1 数据预处理
• 3.2 数据分析
• 3.3 常用函数操作
• 3.4 大数据处理技巧
• 本章总结
• 第4章 数据可视化库（Matplotlib）
• 4.1 常规绘图方法
• 4.2 常用图表绘制
• 本章总结
• 第5章 回归算法
• 5.1 线性回归算法
• 5.2 梯度下降算法
• 5.3 逻辑回归算法
• 本章总结
• 第6章 逻辑回归项目实战——信用卡欺诈检测
• 6.1 数据分析与预处理
• 6.2 下采样方案
• 6.3 逻辑回归模型
• 6.4 过采样方案
• 项目总结
• 第7章 决策树
• 7.1 决策树原理
• 7.2 决策树剪枝策略
• 本章总结
• 第8章 集成算法
• 8.1 bagging算法
• 8.2 boosting算法
• 8.3 stacking模型
• 本章总结
• 第9章 随机森林项目实战——气温预测
• 9.1 随机森林建模
• 9.2 数据与特征对结果影响分析
• 9.3 模型调参
• 项目总结
• 第10章 特征工程
• 10.1 数值特征
• 10.2 文本特征
• 10.3 论文与benchmark
• 本章总结
• 第11章 贝叶斯算法项目实战——新闻分类
• 11.1 贝叶斯算法
• 11.2 新闻分类任务
• 项目总结
• 第12章 支持向量机
• 12.1 支持向量机工作原理
• 12.2 支持向量的作用
• 12.3 支持向量机涉及参数
• 12.4 案例：参数对结果的影响
• 本章总结
• 第13章 推荐系统
• 13.1 推荐系统的应用
• 13.2 协同过滤算法
• 13.3 隐语义模型
• 本章总结
• 第14章 推荐系统项目实战——打造音乐推荐系统
• 14.1 数据集清洗
• 14.2 基于相似度的推荐
• 14.3 基于矩阵分解的推荐
• 项目总结
• 第15章 降维算法
• 15.1 线性判别分析
• 15.2 主成分分析
• 本章总结
• 第16章 聚类算法
• 16.1 K-means算法
• 16.2 DBSCAN聚类算法
• 16.3 聚类实例
• 本章总结
• 第17章 神经网络
• 17.1 神经网络必备基础
• 17.2 神经网络整体架构
• 17.3 网络调优细节
• 本章总结
• 第18章 TensorFlow实战
• 18.1 TensorFlow基本操作
• 18.2 搭建神经网络进行手写字体识别
• 本章总结
• 第19章 卷积神经网络
• 19.1 卷积操作原理
• 19.2 经典网络架构
• 19.3 TensorFlow实战卷积神经网络
• 本章总结
• 第20章 神经网络项目实战——影评情感分析
• 20.1 递归神经网络
• 20.2 影评数据特征工程
• 20.3 构建RNN模型
• 项目总结