Python機器學習：基礎、算法與實戰(zhàn)

第1章 Python機器學習快速入門 1 1.1　Python安裝 1 1.1.1　安裝Anaconda 1 1.1.2　安裝Python庫 5 1.2　Python常用數(shù)據(jù)類型 5 1.2.1　列表 5 1.2.2　元組 8 1.2.3　字典 9 1.2.4　集合 10 1.2.5　字符串 11 1.3　Python條件、循環(huán)與函數(shù) 13 1.3.1　條件判斷語句 13 1.3.2　循環(huán)語句 14 1.3.3　函數(shù) 16 1.4　機器學習簡介 17 1.4.1　無監(jiān)督學習 18 1.4.2　有監(jiān)督學習 20 1.4.3　半監(jiān)督學習 21 1.4.4　常用機器學習算法 22 1.5　本章小結 22 第2章 Python中的常用庫 23 2.1　Numpy庫 23 2.1.1　Numpy數(shù)組生成 24 2.1.2　Numpy數(shù)組運算 27 2.1.3　Numpy數(shù)組操作 28 2.1.4　Numpy常用函數(shù) 33 2.2　Pandas庫 36 2.2.1　Pandas數(shù)據(jù)生成和讀取 37 2.2.2　Pandas數(shù)據(jù)操作 39 2.2.3　Pandas數(shù)據(jù)可視化 44 2.3　Matplotlib庫 47 2.3.1　Matplotlib可視化基礎 47 2.3.2　Matplotlib數(shù)據(jù)可視化實戰(zhàn) 53 2.4　Seaborn庫 60 2.4.1　Seaborn庫功能簡介 60 2.4.2　Seaborn庫數(shù)據(jù)可視化實戰(zhàn) 61 2.5　Sklearn庫 65 2.5.1　Sklearn庫功能簡介 65 2.5.2　Sklearn庫應用實戰(zhàn) 66 2.6　本章小結 70 第3章 機器學習流程 71 3.1　數(shù)據(jù)預處理與探索 72 3.1.1　缺失值處理 73 3.1.2　數(shù)據(jù)可視化探索 74 3.1.3　數(shù)據(jù)標準化與變換 78 3.2　無監(jiān)督問題應用 81 3.2.1　數(shù)據(jù)降維 81 3.2.2　數(shù)據(jù)聚類 84 3.3　有監(jiān)督分類問題應用 87 3.4　有監(jiān)督回歸問題應用 91 3.5　半監(jiān)督學習應用 94 3.6　本章小結 96 第4章 模型的選擇與評估 98 4.1　模型的選擇 98 4.1.1　模型擬合情況 98 4.1.2　避免欠擬合和過擬合的方式 100 4.1.3　模型的方差與偏差 101 4.2　模型訓練技巧 101 4.2.1　相關方法 102 4.2.2　實戰(zhàn)案例：K折交叉驗證 103 4.2.3　實戰(zhàn)案例：參數(shù)網(wǎng)格搜索 104 4.3　模型評價指標 106 4.3.1　分類效果評價 106 4.3.2　回歸效果評價 106 4.3.3　聚類效果評價 107 4.4　本章小結 108 第5章 回歸模型 109 5.1　一元線性回歸 111 5.1.1　模型介紹 111 5.1.2　實戰(zhàn)案例：一元線性回歸建模 111 5.2　多元線性回歸 116 5.2.1　模型簡介 116 5.2.2　實戰(zhàn)案例：房屋價格預測 116 5.3　正則化Lasso回歸 127 5.3.1　模型簡介 127 5.3.2　實戰(zhàn)案例：Lasso回歸預測房屋價格 128 5.4　時間序列ARIMA模型 133 5.4.1　模型簡介 133 5.4.2　實戰(zhàn)案例：ARIMA模型預測未來啤酒消耗量 134 5.5　時間序列SARIMA模型 145 5.5.1　模型簡介 145 5.5.2　實戰(zhàn)案例：SARIMA模型預測未來啤酒消耗量 146 5.6　本章小結 149 第6章 無監(jiān)督模型 150 6.1　常用降維算法 151 6.1.1　主成分分析 151 6.1.2　因子分析 152 6.1.3　流形學習——等距映射 152 6.1.4　局部線性嵌入LLE 153 6.1.5　多維尺度變換MSD 153 6.1.6　t-SNE 153 6.2　數(shù)據(jù)降維案例實戰(zhàn) 154 6.2.1　主成分分析數(shù)據(jù)降維 156 6.2.2　因子分析數(shù)據(jù)降維 159 6.2.3　流形學習——等距嵌入數(shù)據(jù)降維 160 6.2.4　局部線性嵌入數(shù)據(jù)降維 161 6.2.5　MDS數(shù)據(jù)降維 162 6.2.6　t-SNE數(shù)據(jù)降維 163 6.3　常用聚類算法 164 6.3.1　K均值聚類 165 6.3.2　密度聚類 165 6.3.3　系統(tǒng)聚類 166 6.3.4　模糊聚類 167 6.4　數(shù)據(jù)聚類案例實戰(zhàn) 168 6.4.1　K均值聚類實戰(zhàn) 169 6.4.2　密度聚類實戰(zhàn) 173 6.4.3　系統(tǒng)聚類實戰(zhàn) 175 6.4.4　模糊聚類實戰(zhàn) 178 6.5　關聯(lián)規(guī)則挖掘 179 6.5.1　模型簡介 180 6.5.2　實戰(zhàn)案例：購物籃分析 181 6.6　本章小結 188 第7章 分類模型 189 7.1　決策樹算法 193 7.1.1　算法簡介 193 7.1.2　實戰(zhàn)案例：決策樹算法實戰(zhàn) 195 7.2　隨機森林算法 203 7.2.1　算法介紹 203 7.2.2　實戰(zhàn)案例：隨機森林算法實戰(zhàn) 203 7.3　Logistic回歸算法 208 7.3.1　算法簡介 208 7.3.2　實戰(zhàn)案例：Logistic回歸算法實戰(zhàn) 209 7.4　支持向量機算法 211 7.4.1　算法簡介 211 7.4.2　實戰(zhàn)案例：支持向量機算法實戰(zhàn) 213 7.5　人工神經(jīng)網(wǎng)絡算法 219 7.5.1　算法簡介 219 7.5.2　人工神經(jīng)網(wǎng)絡算法實戰(zhàn) 221 7.6　本章小結 225 第8章 高級數(shù)據(jù)回歸算法 226 8.1　高級數(shù)據(jù)回歸算法模型實戰(zhàn) 227 8.1.1　數(shù)據(jù)探索與可視化 227 8.1.2　隨機森林回歸預測實戰(zhàn) 232 8.1.3　GBDT回歸預測實戰(zhàn) 234 8.1.4　支持向量機回歸預測實戰(zhàn) 236 8.1.5　人工神經(jīng)網(wǎng)絡回歸預測實戰(zhàn) 237 8.2　復雜時間序列預測模型 239 8.2.1　Prophet時序回歸 239 8.2.2　多元時序回歸 240 8.3　時間序列回歸模型實戰(zhàn) 240 8.3.1　時序數(shù)據(jù)導入與可視化探索 240 8.3.2　Prophet算法預測用戶數(shù)量 242 8.3.3　Prophet算法預測流量 245 8.3.4　VAR多變量時間序列的建模與預測 247 8.3.5　VARMA多變量時間序列的建模與預測 250 8.4　本章小結 253 第9章 非結構數(shù)據(jù)機器學習 254 9.1　非結構數(shù)據(jù)分析簡介 255 9.1.1　文本數(shù)據(jù)分析簡介 255 9.1.2　網(wǎng)絡圖數(shù)據(jù)分析簡介 256 9.2　文本數(shù)據(jù)分析實戰(zhàn) 257 9.2.1　文本數(shù)據(jù)預處理 257 9.2.2　文本獲取TF-IDF特征 263 9.2.3　文本數(shù)據(jù)K均值聚類 265 9.2.4　文本數(shù)據(jù)LDA主題模型 266 9.2.5　文本數(shù)據(jù)樸素貝葉斯分類 267 9.3　網(wǎng)絡圖數(shù)據(jù)分析實戰(zhàn) 272 9.3.1　網(wǎng)絡圖可視化 272 9.3.2　網(wǎng)絡圖聚類分割 277 9.4　本章小結 281 第10章 綜合實戰(zhàn)案例：中藥材鑒別 282 10.1　無監(jiān)督學習——鑒別藥材種類 284 10.1.1　數(shù)據(jù)特征可視化探索 285 10.1.2　使用原始特征進行聚類分析 287 10.1.3　使用降維后的特征進行聚類 291 10.2　有監(jiān)督學習——藥材產(chǎn)地鑒別 295 10.2.1　數(shù)據(jù)特征可視化探索分析 296 10.2.2　利用選擇的特征進行分類 297 10.3　半監(jiān)督學習——藥材類別鑒別 303 10.3.1　數(shù)據(jù)預處理和可視化探索 304 10.3.2　數(shù)據(jù)主成分分析降維 306 10.3.3　半監(jiān)督學習分類——標簽傳播算法 308 10.4　本章小結 311 參考文獻 312