Python机器学习算法与实战

封面

版权信息

作者简介

内容简介

前言

第1章 Python机器学习入门

1.1 机器学习简介

1.2 安装Anaconda（Python）

1.3 Python快速入门

1.4 Python基础库入门实战

1.5 机器学习模型初探

1.6 本章小结

第2章 数据探索与可视化

2.1 缺失值处理

2.2 数据描述与异常值发现

2.3 可视化分析数据关系

2.4 数据样本间的距离

2.5 本章小结

第3章 特征工程

3.1 特征变换

3.2 特征

3.3 特征选择

3.4 特征提取和降维

3.5 数据平衡方法

3.6 本章小结

第4章 模型选择和评估

4.1 模型拟合效果

4.2 模型训练技巧

4.3 模型的评价指标

4.4 本章小结

第5章 假设检验和回归分析

5.1 假设检验

5.2 一元回归

5.3 多元回归

5.4 正则化回归分析

5.5 Logistic回归分析

5.6 本章小结

第6章 时间序列分析

6.1 时间序列数据的相关检验

6.2 移动平均算法

6.3 ARIMA模型

6.4 SARIMA模型

6.5 Prophet模型预测时间序列

6.6 多元时间序列ARIMAX模型

6.7 时序数据的异常值检测

6.8 本章小结

第7章 聚类算法与异常值检测

7.1 模型简介

7.2 数据聚类分析

7.3 数据异常值检测分析

7.4 本章小结

第8章 决策树和集成学习

8.1 模型简介与数据准备

8.3 随机森林模型

8.4 AdaBoost模型

8.5 梯度提升树（GBDT）

8.6 本章小结

第9章 贝叶斯算法和K-近邻算法

9.1 模型简介

9.2 贝叶斯分类算法

9.3 贝叶斯网络数据分类

9.4 K-近邻算法

9.5 本章小结

第10章 支持向量机和人工神经网络

10.1 模型简介

10.2 支持向量机模型

10.3 全连接神经网络模型

10.4 本章小结

第11章 关联规则与文本挖掘

11.1 模型简介

11.2 数据关联规则挖掘

11.3 文本数据预处理

11.4 文本聚类分析

11.5 《三国演义》人物关系分析

11.6 本章小结

第12章 深度学习入门

12.1 深度学习介绍

12.2 PyTorch入门

12.3 卷积神经网络识别草书

12.4 循环神经网络新闻分类

12.5 自编码网络重构图像

12.6 本章小结