Python 3 數(shù)據(jù)分析與機器學習實戰(zhàn)

第0章 本書的技術體系 

0.1 Python的發(fā)展趨勢 

0.2 人工智能時代學習Python的重要性 

0.3 本書的技術體系 

0.4 學習本書需要注意的事項 

第1章 Python基礎知識 

1.1 Python簡介 

1.1.1 了解Python的起源與發(fā)展歷史 

1.1.2 Python的特色 

1.1.3 學習Python的原因 

1.2 Python的當前版本 

1.3 Python的優(yōu)缺點 

1.4 Python與其他語言的區(qū)別 

1.5 Python的應用領域 

第2章 Python的安裝、配置與卸載 

2.1 Python的安裝 

2.1.1 Python的下載 

2.1.2 Python的安裝 

2.2 Python的配置 

2.2.1 Python環(huán)境變量的設置 

2.2.2 Python的啟動 

2.3 Python的卸載 

第3章 Python 3 基礎語法 

3.1 第一個Python程序 

3.2 Python的輸入和輸出 

3.2.1 Python的輸出語句 

3.2.2 Python的輸入語句 

3.3 Python的基本數(shù)據(jù)類型 

3.3.1 數(shù)字 

3.3.2 字符串 

3.3.3 列表 

3.3.4 元組 

3.3.5 集合 

3.3.6 字典 

3.4 Python庫的導入 

3.5 Python的集成開發(fā)環(huán)境 

3.6 自測練習 

第4章 Python 3的編程 

4.1 條件語句 

4.2 循環(huán)語句 

4.2.1 while循環(huán) 

4.2.2 for循環(huán) 

4.3 函數(shù) 

4.4 模塊 

4.5 自測練習 

第5章 機器學習基礎 

5.1 機器學習概述 

5.2 監(jiān)督學習簡介 

5.3 非監(jiān)督學習簡介 

5.4 增強學習簡介 

5.5 深度學習簡介 

5.6 機器學習常用術語 

第6章 Python 機器學習及分析工具 

6.1 矩陣操作函數(shù)庫（NumPy） 

6.1.1 NumPy的安裝 

6.1.2 NumPy的基本使用 

6.2 科學計算的核心包（SciPy） 

6.2.1 科學計算的核心包的安裝 

6.2.2 科學計算的核心包的基本使用 

6.3 Python 的繪圖庫（Matplotlib） 

6.3.1 Matplotlib簡介及安裝 

6.3.2 Matplotlib的基本使用 

6.4 數(shù)據(jù)分析包（Pandas） 

6.4.1 Pandas簡介和安裝 

6.4.2 Pandas的基本使用方法 

6.5 機器學習函數(shù)庫（Scikit-learn） 

6.6 統(tǒng)計建模工具包（StatsModels） 

6.7 深度學習框架（TensorFlow） 

第7章 數(shù)據(jù)預處理 

7.1 數(shù)據(jù)預處理概述 

7.2 數(shù)據(jù)清理 

7.2.1 異常數(shù)據(jù)處理 

7.2.2 缺失值處理 

7.2.3 噪聲數(shù)據(jù)處理 

7.3 數(shù)據(jù)集成 

7.4 數(shù)據(jù)變換 

7.5 數(shù)據(jù)歸約 

7.6 Python的主要數(shù)據(jù)預處理函數(shù) 

7.6.1 Python的數(shù)據(jù)結構 

7.6.2 數(shù)據(jù)缺失處理函數(shù) 

第8章 分類問題 

8.1 分類概述 

8.2 常用方法 

8.2.1 k-近鄰算法 

8.2.2 樸素貝葉斯 

8.2.3 支持向量機 

8.2.4 AdaBoost算法 

8.2.5 決策樹 

8.2.6 Multi-layer Perceptron 多層感知機 

8.3 項目實戰(zhàn) 

8.3.1 實例1：使用k-近鄰算法實現(xiàn)約會網站的配對效果 

8.3.2 實例2：使用樸素貝葉斯過濾垃圾郵件 

8.3.3 實例3：SVM實現(xiàn)手寫識別系統(tǒng) 

8.3.4 實例4：基于單層決策樹構建分類算法 

8.3.5 實例5：使用決策樹對iris數(shù)據(jù)集分類 

8.3.6 實例6：使用決策樹對身高體重數(shù)據(jù)進行分類 

8.3.7 實例7：使用k-近鄰算法對鳶尾花數(shù)據(jù)進行交叉驗證 

8.3.8 使用多層感知器分析，根據(jù)葡萄酒的各項化學特征來 

判斷葡萄酒的優(yōu)劣 

8.4 自測練習 

第9章 預測分析 

9.1 預測概述 

9.2 常用方法 

9.2.1 時間序列分析預測法 

9.2.2 BP神經網絡模型 

9.3 項目實戰(zhàn) 

9.3.1 實例1：根據(jù)一年的歷史數(shù)據(jù)預測后十年的數(shù)據(jù)趨勢 

9.3.2 實例2：使用神經網絡預測公路運量 

9.4 自測練習 

第10章 關聯(lián)分析 

10.1 關聯(lián)分析概述 

10.2 基本方法 

10.2.1 Apriori算法 

10.2.2 FP-Growth算法 

10.3 項目實戰(zhàn)（解決目前流行的實際問題） 

10.3.1 用Apriori進行關聯(lián)分析的實例 

10.3.2 使用FP-Growth算法提取頻繁項集 

10.4 自測練習 

第11章 網絡爬蟲 

11.1 網絡爬蟲概述 

11.1.1 網絡爬蟲原理 

11.1.2 爬蟲分類 

11.2 網頁抓取策略和方法 

11.2.1 網頁抓取策略 

11.2.2 網頁抓取的方法 

11.3 項目實戰(zhàn) 

11.3.1 用Python抓取指定的網頁 

11.3.2 用Python抓取包含關鍵詞的網頁 

11.3.3 下載貼吧中的圖片 

11.3.4 股票數(shù)據(jù)抓取 

11.4 自測練習 

第12章 集成學習 

12.1 集成學習概述 

12.2 常用方法 

12.2.1 Bagging和隨機森林 

12.2.2 Boosting和AdaBoost 

12.3 項目實戰(zhàn) 

12.3.1 使用隨機森林方法預測乘員的存活概率 

12.3.2 使用AdaBoost方法進行二元分類 

12.4 自測練習 

第13章 深度學習 

13.1 深度學習概述 

13.2 常用方法 

13.2.1 監(jiān)督學習的深度學習網絡結構 

13.2.2 非監(jiān)督學習的深度學習網絡結構 

13.3 項目實戰(zhàn) 

13.3.1 使用TensorFlow框架進行MNIST數(shù)據(jù)集生成 

13.3.2 使用Theano框架進行MNIST數(shù)字識別 

13.4 自測練習 

第14章 數(shù)據(jù)降維及壓縮 

14.1 數(shù)據(jù)降維及壓縮概述 

14.1.1 數(shù)據(jù)降維 

14.1.2 圖像壓縮 

14.2 基本方法 

14.2.1 主成分分析 

14.2.2 奇異值分解 

14.3 項目實戰(zhàn) 

14.3.1 主成分分析PCA實例 

14.3.2 使用奇異值分解進行圖像壓縮 

14.4 自測練習 

第15章 聚類分析 

15.1 聚類分析概述 

15.2 K-means算法 

15.2.1 K-means算法與步驟 

15.2.2 K-means算法涉及的問題 

15.2.3 實際聚類問題的處理流程 

15.3 項目實戰(zhàn) 

15.3.1 K-means算法實現(xiàn)二維數(shù)據(jù)聚類 

15.3.2 使用Scikit-learn中的方法進行聚類分析 

15.4 自測練習 

第16章 回歸分析問題 

16.1 回歸分析概述 

16.2 基本方法 

16.2.1 一元回歸分析 

16.2.2 多元線性回歸 

16.2.3 回歸的計算方法 

16.2.4 邏輯回歸分析 

16.3 項目實戰(zhàn) 

16.3.1 身高與體重的回歸分析 

16.3.2 房價預測 

16.3.3 產品銷量與廣告的多元回歸分析 

16.3.4 鳶尾花數(shù)據(jù)的邏輯回歸分析 

16.4 自測練習