Python工程應(yīng)用——機(jī)器學(xué)習(xí)方法與實(shí)踐
定 價(jià)：39 元
當(dāng)前圖書已被 8 所學(xué)校薦購過！
查看明細(xì)
- 作者：郭奕
- 出版時(shí)間：2022/6/23
- ISBN：9787560664644
- 出 版 社：西安電子科技大學(xué)出版社
- 中圖法分類：TP311.561
- 頁碼：272
- 紙張：
- 版次：1
- 開本：16開
本書通過對(duì)大量實(shí)際案例的分析以及部分相關(guān)理論的適當(dāng)解讀，幫助讀者使用Python語言進(jìn)行程序設(shè)計(jì)，同時(shí)能夠利用Python語言實(shí)現(xiàn)基礎(chǔ)的機(jī)器學(xué)習(xí)算法。
全書包含三大部分：機(jī)器學(xué)習(xí)概念和編程基礎(chǔ)、數(shù)據(jù)預(yù)處理基礎(chǔ)、機(jī)器學(xué)習(xí)方法及案例，每一部分都結(jié)合大量實(shí)際例程進(jìn)行解讀。本書共13章，具體內(nèi)容包括機(jī)器學(xué)習(xí)概述、Python機(jī)器學(xué)習(xí)基礎(chǔ)庫、數(shù)據(jù)預(yù)處理、K近鄰算法、樸素貝葉斯、決策樹、隨機(jī)森林、AdaBoost模型、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、K均值聚類、財(cái)政收入影響因素分析及預(yù)測(cè)案例、偷稅漏稅行為識(shí)別分析案例。書末給出兩個(gè)附錄，分別為Python的安裝與環(huán)境配置和Python開發(fā)工具的安裝。
本書適合作為電子信息類專業(yè)的教材，希望學(xué)習(xí)機(jī)器學(xué)習(xí)技術(shù)的讀者均可使用。學(xué)習(xí)本書需要具備Python程序設(shè)計(jì)基礎(chǔ)知識(shí)。
★本書免費(fèi)提供書中程序代碼和部分?jǐn)?shù)據(jù)集、PPT及部分案例講解視頻、Python的安裝與環(huán)境配置、Python開發(fā)工具的安裝等資源，需要的讀者可以掃描扉頁二維碼或從出版社網(wǎng)站查看。
第1章 機(jī)器學(xué)習(xí)概述 1
1.1 什么是機(jī)器學(xué)習(xí) 2
1.2 機(jī)器學(xué)習(xí)的應(yīng)用 4
1.2.1 圖像和計(jì)算機(jī)視覺 4
1.2.2 日常生活及消費(fèi) 8
1.2.3 金融領(lǐng)域 9
1.2.4 醫(yī)療領(lǐng)域 9
1.2.5 自然語言處理 10
1.2.6 安全和異常行為監(jiān)測(cè) 12
1.2.7 工業(yè)和商業(yè)領(lǐng)域 13
1.2.8 娛樂領(lǐng)域 14
1.3 機(jī)器學(xué)習(xí)的主要研究內(nèi)容 15
1.4 機(jī)器學(xué)習(xí)問題的常規(guī)處理方法 16
1.4.1 開發(fā)機(jī)器學(xué)習(xí)應(yīng)用的
一般步驟 16
1.4.2 選擇合適的算法 18
1.4.3 使用Python開發(fā)機(jī)器
學(xué)習(xí)應(yīng)用 19
1.4.4 機(jī)器學(xué)習(xí)模型的評(píng)價(jià) 21
1.5 機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)
挖掘和人工智能的關(guān)系 24
本章小結(jié) 26
思考題 26
第2章 Python機(jī)器學(xué)習(xí)基礎(chǔ)庫 27
2.1 Numpy 28
2.1.1 Numpy庫的安裝 28
2.1.2 Numpy庫的導(dǎo)入 28
2.1.3 創(chuàng)建數(shù)組 29
2.1.4 查詢數(shù)組類型 29
2.1.5 數(shù)組的其他創(chuàng)建方式 29
2.1.6 數(shù)組元素的存取 30
2.1.7 ufunc運(yùn)算 30
2.1.8 矩陣的運(yùn)算 30
2.2 Pandas 30
2.2.1 Pandas的安裝 31
2.2.2 Pandas的導(dǎo)入 31
2.2.3 Series 31
2.2.4 DataFrame 32
2.3 Matplotlib 32
2.3.1 Matplotlib的安裝 32
2.3.2 Matplotlib的導(dǎo)入 32
2.3.3 基本繪圖命令plot 33
2.3.4 繪制多窗口圖形 35
2.3.5 文本注釋 36
2.4 Scipy 37
2.4.1 Scipy的安裝 37
2.4.2 Scipy的導(dǎo)入 38
2.4.3 最小二乘法 38
2.4.4 非線性方程求解 40
2.5 Scikit-Learn 40
2.5.1 Scikit-Learn的安裝 41
2.5.2 Scikit-Learn的數(shù)據(jù)集 41
2.6 TensorFlow 42
2.6.1 TensorFlow的安裝 42
2.6.2 TensorFlow的使用 43
2.7 PyTorch 44
2.8 PaddlePaddle 44
本章小結(jié) 45
思考題 45
第3章 數(shù)據(jù)預(yù)處理 46
3.1 數(shù)據(jù)預(yù)處理概述 47
3.2 數(shù)據(jù)預(yù)分析 47
3.2.1 統(tǒng)計(jì)特性分析 48
3.2.2 數(shù)據(jù)質(zhì)量分析 49
3.3 數(shù)據(jù)清理 51
3.3.1 異常值處理 51
3.3.2 缺失值處理 51
3.4 數(shù)據(jù)集成 53
3.4.1 實(shí)體識(shí)別 53
3.4.2 冗余屬性識(shí)別 54
3.5 數(shù)據(jù)變換 54
3.5.1 簡(jiǎn)單函數(shù)變換 54
3.5.2 歸一化 54
3.5.3 連續(xù)屬性離散化 55
3.6 數(shù)據(jù)規(guī)約 58
3.6.1 屬性規(guī)約 58
3.6.2 數(shù)值規(guī)約 60
3.7 Python的主要數(shù)據(jù)預(yù)處理函數(shù) 60
本章小結(jié) 61
思考題 61
第4章 K近鄰算法 62
4.1 模型介紹 63
4.1.1 算法概述 63
4.1.2 算法基本原理 63
4.1.3 算法實(shí)現(xiàn)代碼 65
4.2 案例一 約會(huì)網(wǎng)站配對(duì) 66
4.2.1 問題介紹 66
4.2.2 數(shù)據(jù)準(zhǔn)備 67
4.2.3 算法實(shí)現(xiàn) 70
4.2.4 算法測(cè)試 71
4.2.5 算法應(yīng)用 72
4.3 案例二 手寫數(shù)字識(shí)別 73
4.3.1 問題介紹 73
4.3.2 數(shù)據(jù)準(zhǔn)備 73
4.3.3 算法實(shí)現(xiàn) 74
4.4 案例三 鳶尾花品種識(shí)別 76
4.4.1 問題介紹 76
4.4.2 數(shù)據(jù)準(zhǔn)備 76
4.4.3 算法實(shí)現(xiàn) 78
本章小結(jié) 79
思考題 79
第5章 樸素貝葉斯 80
5.1 模型介紹 81
5.1.1 貝葉斯決策理論基礎(chǔ) 81
5.1.2 使用樸素貝葉斯進(jìn)行分類 82
5.1.3 樸素貝葉斯分類器的特點(diǎn) 83
5.2 案例四 社區(qū)留言板文本分類 84
5.2.1 案例介紹 84
5.2.2 數(shù)據(jù)準(zhǔn)備 84
5.2.3 概率計(jì)算 86
5.2.4 算法改進(jìn) 87
5.2.5 改進(jìn)后的樸素貝葉斯
分類器應(yīng)用 89
5.3 案例五 舊金山犯罪分類預(yù)測(cè) 90
5.3.1 案例介紹 90
5.3.2 數(shù)據(jù)準(zhǔn)備 91
5.3.3 模型實(shí)現(xiàn) 92
本章小結(jié) 93
思考題 93
第6章 決策樹 94
6.1 模型介紹 95
6.1.1 決策樹概述 95
6.1.2 決策樹數(shù)學(xué)基礎(chǔ) 100
6.1.3 決策樹算法 102
6.2 案例六 魚類和非魚類判定 103
6.2.1 案例介紹 103
6.2.2 案例實(shí)現(xiàn) 104
6.3 案例七 貸款權(quán)限判定 114
6.3.1 案例介紹 114
6.3.2 案例實(shí)現(xiàn) 115
本章小結(jié) 119
思考題 119
第7章 隨機(jī)森林 121
7.1 模型介紹 122
7.1.1 隨機(jī)森林的歷史 122
7.1.2 隨機(jī)森林原理 122
7.1.3 構(gòu)建隨機(jī)森林 123
7.1.4 隨機(jī)森林模型的性能評(píng)估 124
7.1.5 隨機(jī)森林的應(yīng)用 125
7.1.6 隨機(jī)森林的Python常用庫 125
7.2 案例八 聲吶信號(hào)分類 126
7.2.1 案例介紹 126
7.2.2 案例實(shí)現(xiàn) 127
7.3 案例九 泰坦尼克號(hào)幸存者預(yù)測(cè) 132
7.3.1 案例介紹 132
7.3.2 案例實(shí)現(xiàn) 133
本章小結(jié) 139
思考題 139
第8章 AdaBoost模型 140
8.1 模型介紹 141
8.1.1 AdaBoost原理 141
8.1.2 AdaBoost的算法流程 142
8.1.3 AdaBoost的Python常用庫 144
8.2 案例十 馬疝病預(yù)測(cè) 146
8.2.1 案例介紹 146
8.2.3 案例實(shí)現(xiàn) 146
8.3 案例十一 學(xué)生課程成績預(yù)測(cè) 149
8.3.1 案例介紹 149
8.3.2 案例實(shí)現(xiàn) 150
本章小結(jié) 154
思考題 154
第9章 支持向量機(jī) 155
9.1 線性支持向量機(jī) 156
9.1.1 間隔與支持向量 156
9.1.2 對(duì)偶問題 158
9.1.3 SMO算法 159
9.2 非線性分類 170
9.2.1 核函數(shù)概述 170
9.2.2 高斯徑向基核函數(shù) 171
9.3 案例十二 手寫數(shù)字識(shí)別 175
本章小結(jié) 179
思考題 179
第10章 人工神經(jīng)網(wǎng)絡(luò) 180
10.1 從感知機(jī)到多層感知機(jī) 181
10.1.1 神經(jīng)元和感知機(jī) 181
10.1.2 多層感知機(jī) 183
10.2 激活函數(shù)和損失函數(shù) 184
10.2.1 激活函數(shù) 184
10.2.2 損失函數(shù) 186
10.3 反向傳播算法 187
10.4 案例十三 手寫數(shù)字識(shí)別 188
10.4.1 數(shù)據(jù)準(zhǔn)備 188
10.4.2 網(wǎng)絡(luò)配置 189
10.4.3 模型訓(xùn)練 190
10.4.4 模型使用 193
本章小結(jié) 195
思考題 195
第11章 K均值聚類 196
11.1 模型介紹 197
11.1.1 模型概述 197
11.1.2 基本的K均值聚類算法 197
11.1.3 K均值聚類算法的代碼實(shí)現(xiàn) 198
11.1.4 二分K均值算法 202
11.2 案例十四 居民家庭消費(fèi)調(diào)查 204
11.2.1 案例介紹 204
11.2.2 案例實(shí)現(xiàn) 205
11.3 案例十五 物流公司最佳
配送路徑問題 207
本章小結(jié) 210
思考題 210
第12章 財(cái)政收入影響因素分析及
預(yù)測(cè)案例 212
12.1 案例引入 213
12.2 模型介紹 213
12.3 案例操作 215
12.3.1 案例步驟 215
12.3.2 案例實(shí)現(xiàn) 215
本章小結(jié) 221
思考題 221
第13章 偷稅漏稅行為識(shí)別分析案例 222
13.1 案例引入 223
13.2 模型介紹 223
13.3 案例操作 224
13.3.1 案例步驟 224
13.3.2 案例實(shí)現(xiàn) 224
本章小結(jié) 232
思考題 232
附錄A Python的安裝與環(huán)境配置 233
A.1 Python的官方安裝 233
A.1.1 Python的官方下載 233
A.1.2 Python的官方安裝 235
A.1.3 手動(dòng)配置環(huán)境變量 239
A.2 Anaconda的安裝 242
A.2.1 Anaconda的下載 242
A.2.2 Anaconda的安裝 244
A.2.3 手動(dòng)配置Anaconda的環(huán)境
?變量 250
A.2.4 Anaconda的運(yùn)行 250
附錄B Python開發(fā)工具的安裝 252
B.1 Jupyter Notebook的安裝 252
B.1.1 Jupyter Notebook的下載和
安裝 252
B.1.2 Jupyter Notebook的運(yùn)行 255
B.2 PyCharm的安裝 257
B.2.1 PyCharm的下載 257
B.2.2 PyCharm的安裝 259
書單推薦
