本書使用Python的機器學習算法庫scikit-learn講解機器學習重要算法的應用，內(nèi)容包括機器學習認知、數(shù)據(jù)預處理、KNN算法、線性回歸算法、邏輯回歸算法、樸素貝葉斯算法、決策樹與隨機森林算法、支持向量機、k-mcans算法、神經(jīng)網(wǎng)絡、模型評估與優(yōu)化。本書使用通俗易懂的語言、豐富的圖表和大量的案例對機器學習的重要算法進行講解，提供一條從實踐出發(fā)掌握機器學習知識的途徑，讀者即使沒有很扎實的數(shù)學
電子書
內(nèi)容簡介
本書共8章，內(nèi)容包括Python概述、NumPy數(shù)值計算、pandas基礎、pandas進階、Matplotlib繪圖、scikit-learn、餐飲企業(yè)綜合分析與預測、通信運營商客戶流失分析與預測。前6章設置了選擇題、填空題和操作題，后兩章設置了操作題，希望通過練習和操作實踐，讀者可以鞏固所學的內(nèi)容。
章節(jié)目錄
- 第 1 章 Python 概述
- 1.1 Python 簡介
- 1.1.1 Python 語言
- 1.1.2 Python 與機器學習
- 1.1.3 Python 環(huán)境配置
- 1.2 Python 基礎知識
- 1.2.1 固定語法
- 1.2.2 運算符
- 1.2.3 數(shù)據(jù)類型
- 1.2.4 Python I/O
- 1.3 控制語句
- 1.3.1 條件語句
- 1.3.2 循環(huán)語句
- 1.4 函數(shù)
- 小結(jié)
- 課后習題
- 第 2 章 NumPy 數(shù)值計算
- 2.1 ndarray 的創(chuàng)建與索引
- 2.1.1 創(chuàng)建ndarray
- 2.1.2 ndarray 的索引和切片
- 2.2 ndarray 的基礎操作
- 2.2.1 變換ndarray 的形態(tài)
- 2.2.2 排序與搜索
- 2.3 ufunc
- 2.3.1 ufunc 的廣播機制
- 2.3.2 常用ufunc 運算
- 小結(jié)
- 課后習題
- 第 3 章 pandas 基礎
- 3.1 pandas 常用類
- 3.1.1 Series
- 3.1.2 DataFrame
- 3.1.3 Index
- 3.2 DataFrame 基本操作
- 3.2.1 索引
- 3.2.2 排序
- 3.2.3 合并
- 3.3 其他數(shù)據(jù)類型操作
- 3.3.1 時間操作
- 3.3.2 文本操作
- 3.3.3 category 操作
- 小結(jié)
- 課后習題
- 第 4 章 pandas 進階
- 4.1 數(shù)據(jù)的讀取與寫出
- 4.1.1 CSV
- 4.1.2 Excel
- 4.1.3 數(shù)據(jù)庫
- 4.2 DataFrame 進階
- 4.2.1 統(tǒng)計分析
- 4.2.2 分組運算
- 4.2.3 透視表和交叉表
- 4.3 數(shù)據(jù)準備
- 4.3.1 缺失值處理
- 4.3.2 重復數(shù)據(jù)處理
- 4.3.3 連續(xù)特征離散化處理
- 4.3.4 啞變量處理
- 小結(jié)
- 課后習題
- 第 5 章 Matplotlib 繪圖
- 5.1 Matplotlib 繪圖基礎
- 5.1.1 編程風格
- 5.1.2 動態(tài)rc 參數(shù)
- 5.2 分析特征關系常用圖形
- 5.2.1 散點圖
- 5.2.2 折線圖
- 5.3 分析特征內(nèi)部數(shù)據(jù)狀態(tài)常用圖形
- 5.3.1 直方圖與條形圖
- 5.3.2 餅圖
- 5.3.3 箱線圖
- 小結(jié)
- 課后習題
- 第 6 章 scikit-learn
- 6.1 數(shù)據(jù)準備
- 6.1.1 標準化
- 6.1.2 歸一化
- 6.1.3 二值化
- 6.1.4 獨熱編碼
- 6.2 降維
- 6.2.1 PCA
- 6.2.2 ICA
- 6.2.3 LDA
- 6.3 分類
- 6.3.1 Logistic 回歸
- 6.3.2 SVM
- 6.3.3 決策樹
- 6.3.4 KNN
- 6.3.5 樸素貝葉斯
- 6.3.6 隨機森林
- 6.3.7 多層感知機
- 6.4 回歸
- 6.4.1 最小二乘回歸
- 6.4.2 嶺回歸
- 6.4.3 Lasso 回歸
- 6.5 聚類
- 6.5.1 K-Means
- 6.5.2 層次聚類
- 6.5.3 DBSCAN
- 6.5.4 GMM
- 6.6 模型驗證
- 6.6.1 數(shù)據(jù)集劃分
- 6.6.2 交叉驗證
- 6.6.3 自動調(diào)參
- 6.6.4 模型評價
- 小結(jié)
- 課后習題
- 第 7 章 餐飲企業(yè)綜合分析與預測
- 7.1 餐飲企業(yè)需求分析
- 7.1.1 餐飲企業(yè)現(xiàn)狀與需求
- 7.1.2 餐飲企業(yè)數(shù)據(jù)基本狀況
- 7.1.3 餐飲企業(yè)數(shù)據(jù)分析的步驟與流程
- 7.2 數(shù)據(jù)準備
- 7.2.1 統(tǒng)計每日用餐人數(shù)與銷售額
- 7.2.2 數(shù)據(jù)預處理
- 7.3 使用K-Means 算法進行客戶價值分析
- 7.3.1 構建RFM 特征
- 7.3.2 構建K-Means 模型
- 7.3.3 K-Means 模型結(jié)果分析
- 7.4 使用決策樹算法實現(xiàn)餐飲客戶流失預測
- 7.4.1 構建客戶流失特征
- 7.4.2 構建客戶流失預測模型
- 7.4.3 分析決策樹模型結(jié)果
- 小結(jié)
- 課后習題
- 第 8 章 通信運營商用戶流失分析與預測
- 8.1 通信運營商用戶流失需求分析
- 8.1.1 通信運營商現(xiàn)狀與需求
- 8.1.2 通信運營商數(shù)據(jù)基本情況
- 8.1.3 通信運營商用戶流失分析與預測的步驟與流程
- 8.2 數(shù)據(jù)準備
- 8.2.1 數(shù)據(jù)去重與降維
- 8.2.2 數(shù)據(jù)清洗
- 8.2.3 數(shù)據(jù)合并
- 8.3 特征工程
- 8.3.1 獨熱編碼
- 8.3.2 合并預處理后的數(shù)據(jù)集
- 8.4 使用MLP 算法實現(xiàn)通信運營商用戶流失預測
- 8.4.1 數(shù)據(jù)集劃分與數(shù)據(jù)標準化
- 8.4.2 構建用戶流失預測模型
- 8.4.3 模型評價
- 小結(jié)
- 課后習題
展開全部
Python機器學習編程與實戰(zhàn)是2020年由人民郵電出版社出版,作者林耀進 張良均。
溫馨提示：
1.本電子書已獲得正版授權，由出版社通過知傳鏈發(fā)行。
2.該電子書為虛擬物品，付費之后概不接收任何理由退款。電子書內(nèi)容僅支持在線閱讀，不支持下載。
3.您在本站購買的閱讀使用權僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關后果本平臺保留向您追償索賠的權利！版權所有，后果自負！
得書感謝您對《Python機器學習編程與實戰(zhàn)》關注和支持，如本書內(nèi)容有不良信息或侵權等情形的，請聯(lián)系本網(wǎng)站。
電子書
電子書
機器學習是人工智能領域一個極其重要的研究方向，而深度學習則是機器學習中一個非常接近AI的分支，其思路在于建立進行分析學習的神經(jīng)網(wǎng)絡，模仿人腦感知與組織的方式，根據(jù)輸入數(shù)據(jù)做出決策。深度學習在快速的發(fā)展過程中，不斷有與其相關的產(chǎn)品推向市場，顯然，深度學習的應用將會日趨廣泛?！禤ython深度學習：邏輯、算法與編程實戰(zhàn)》是關于深度學習的理論、算法、應用的實戰(zhàn)教程，內(nèi)容涵蓋深度學習的語言、學習環(huán)境、典型
電子書
《Python機器學習》從實用的角度出發(fā)，整合Python語言基礎、數(shù)據(jù)分析與可視化、機器學習常用算法等知識。內(nèi)容從*基本的Python編程基礎入手，由淺入深、循序漸進地講授NumPy庫和Matplotlib庫，以及復雜的機器學習基本理論和算法，并突出知識的實用性和可操作性?！禤ython機器學習》力求以淺顯的語言講解復雜的知識，以直觀的案例輔助讀者理解，并以圖表形式展示代碼和運行結(jié)果，配合習題鞏
電子書
Python是一種解釋型、面向?qū)ο?、動態(tài)數(shù)據(jù)類型的高級程序設計語言。它具有豐富和強大的模塊（庫），能夠很輕松地把用其他編程語言（尤其是C/C++）編寫的各種模塊聯(lián)結(jié)在一起。這兩年隨著人們對人工智能的關注越來越多，大家對Python的學習熱情也越來越高。在IEEE發(fā)布的編程語言排行榜中，Python已經(jīng)多年排名第一。這本Python編程與機器學習的入門書，首先介紹了一些Python編程的基礎知識，然
電子書
本書共11章，分別介紹了機器學習概述、數(shù)據(jù)準備、特征工程、有監(jiān)督學習、無監(jiān)督學習、智能推薦的相關知識，并介紹了市財政收入分析案例、基于非侵入式電力負荷監(jiān)測與分解的電力分析案例、航空公司客戶價值分析案例、廣電大數(shù)據(jù)營銷推薦案例以及基于TipDM數(shù)據(jù)挖掘建模平臺實現(xiàn)航空公司客戶價值分析案例。
電子書
本書共11章，從推薦系統(tǒng)的發(fā)展歷史、基本構成開始，依次剖析推薦系統(tǒng)的內(nèi)容召回、協(xié)同過濾召回、深度學習召回中具有代表性的模型；再從經(jīng)典排序模型到基于深度學習的排序，順勢介紹會話推薦、強化學習推薦及工業(yè)級推薦，搭建了完整的推薦系統(tǒng)技術體系，這是一個由淺入深的系統(tǒng)學習過程。
電子書
本書基于Python語言，介紹了數(shù)據(jù)分析、機器學習、深度學習等內(nèi)容，涉及統(tǒng)計學基礎、Python基礎、Python面向?qū)ο笕腴T、在Python中操作MySQL、Pandas、Matplotlib、人工智能、Scikit-learn、神經(jīng)網(wǎng)絡等。書中包括大量代碼和綜合練習，以及豐富的實戰(zhàn)案例。
電子書
機器學習已經(jīng)廣泛地應用于各行各業(yè)，深度學習的興起再次推動了人工智能的熱潮。本書結(jié)合項目實踐，首先討論了TensorFlow、PySpark、TI-ONE等主流機器學習平臺的主要特點；然后結(jié)合Tableau介紹了數(shù)據(jù)可視化在銀行客戶用卡行為分析的應用。在此基礎上，利用上述介紹的這些平臺，通過多個項目案例，詳細地分析了決策樹、隨機森林、支持向量機、邏輯回歸、貝葉斯網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、對抗
