更新时间：2023-07-17 20:05:47
封面
版权信息
内容简介
前言
第1章 机器学习与Python开发环境
1.1 机器学习概述
1.1.1 机器学习的前世今生
1.1.2 机器学习的研究现状与方向
1.1.3 机器学习之美——数据的可视化
1.2 Python的基本安装和用法
1.2.1 Anaconda的下载与安装
1.2.2 Python编译器PyCharm的安装
1.2.3 使用Python实现softmax函数计算
1.3 Python常用类库中的threading
1.3.1 threading模块中的Thread类
1.3.2 threading中Lock类
1.3.3 threading中Join类
1.4 本章小结
第2章 用于数据处理及可视化展示的Python类库
2.1 从小例子起步——NumPy的初步使用
2.1.1 数据的矩阵化
2.1.2 数据分析
2.1.3 基于统计分析的数据处理
2.2 图形化数据处理——Matplotlib包的使用
2.2.1 差异的可视化
2.2.2 坐标图的展示
2.2.3 大数据的可视化展示
2.3 常用的统计分析方法——相似度计算
2.3.1 欧几里得相似度计算
2.3.2 余弦相似度计算
2.3.3 欧几里得相似度与余弦相似度的比较
2.4 数据的统计学可视化展示
2.4.1 数据的四分位数
2.4.2 数据的四分位数示例
2.4.3 数据的标准化
2.4.4 数据的平行化处理
2.4.5 热力图——属性相关性检测
2.5 Python分析某地降雨量变化规律
2.5.1 不同年份的相同月份统计
2.5.2 不同月份之间的增减程度比较
2.5.3 每月降雨是否相关
2.6 本章小结
第3章 NBA赛季数据可视化分析
3.1 基于球员薪资的数据分析
3.1.1 关于球员薪资的一些基本分析
3.1.2 关于球员RPM相关性的分析
3.1.3 关于球员RPM数据的分析
3.2 Seaborn常用的数据可视化方法
3.2.1 关于RPM、薪资和年龄的一元可视化分析
3.2.2 关于RPM、薪资、年龄的二元可视化分析
3.2.3 关于衍生变量的可视化分析
3.2.4 NBA球队数据的分析结果
3.3 NBA赛季数据分析
3.3.1 关于赛季发展的一些基本分析
3.3.2 群星璀璨的NBA
3.3.3 关于球员高级数据的一些基本分析
3.4 本章小结
第4章 聚类算法与可视化实战
4.1 聚类的定义
4.1.1 衡量距离的方法
4.1.2 聚类算法介绍
4.2 经典K-means聚类算法实战
4.2.1 经典K-means算法的Python实现
4.2.2 基于Iris数据集的可视化分析
4.2.3 投某音还是投某宝？基于K-means的广告效果聚类分析
4.3 基于密度的聚类算法DBSCAN
4.3.1 DBSCAN算法原理与Python实现
4.3.2 基于sklearn的DBSCAN实战
4.3.3 DBSCAN的优缺点比较
4.4 基于层次的聚类算法
4.4.1 基于层次算法的原理
4.4.2 Agglomerative算法与示例
4.5 本章小结
第5章 线性回归与可视化实战
5.1 线性回归的基本内容与Python实现
5.1.1 什么是线性回归
5.1.2 最小二乘法详解
5.1.3 道士下山的故事——随机梯度下降算法
5.1.4 基于一元线性回归的比萨饼价格计算
5.1.5 线性回归的评价指标
5.1.6 线性回归应用
5.2 多元线性回归实战
5.2.1 多元线性回归的基本内容
5.2.2 多元线性回归的Python实现
5.2.3 基于多元线性回归的房价预测实战
5.3 本章小结
第6章 逻辑回归与可视化实战
6.1 逻辑回归的基本内容与Python实现
6.1.1 逻辑回归是一个分类任务
6.1.2 逻辑回归的基本内容
6.1.3 链式求导法则
6.1.4 逻辑回归中的Sigmoid函数
6.2 基于逻辑回归的鸢尾花（Iris）分类
6.2.1 鸢尾花数据集简介与基础可视化分析
6.2.2 鸢尾花数据集进阶可视化分析
6.2.3 基于鸢尾花数据集的数据挖掘
6.2.4 基于线性回归与K-means的鸢尾花数据集分类
6.2.5 基于逻辑回归的鸢尾花数据集分类
6.3 本章小结
第7章 决策树算法与可视化实战
