Xinhua genuine Python machine learning: basic algorithms and practical SN4833SN9716

本书主要具有以下特色： 1.全彩印刷，全程图解，完 美呈现知识要点与实操步骤，为读者带来良好的学习体验 2.内容循序渐进，先从Python基础入手，其次介绍常用库，然后通过应用实例和项目实例引导学习，知识结构由浅入深，便于学习 3.案例丰富实用，全书穿插几十个大小实例，帮助读者边练边学，在实践中快速成长

本书基于Python语言，结合实际的数据集，介绍了机器学习算法以及数据分析方法的应用本书主要包含两部分内容，第一部分为Python机器学习入门知识：主要介绍了Python的基础内容Numpy与Pandas库数据操作Matplotlib与Seaborn库数据可视化Sklearn库机器学习，以及与机器学习相关的基础知识；第二部分为Python机器学习算法应用：主要介绍了数据的回归预测分析时间序列预测，数据无监督学习中的聚类降维以及关联规则，数据分类模型的应用以及针对文本数据与网络图数据的机器学习算法应用本书适合对机器学习数据分析感兴趣的初学者学习，也可作为Python机器学习数据分析数据可视化的入门及进阶的教材

无

第1章 Python机器学习快速入门 1
1.1Python安装 1
1.1.1安装Anaconda 1
1.1.2安装Python库 5
1.2Python常用数据类型 5
1.2.1列表 5
1.2.2元组 8
1.2.3字典 9
1.2.4集合 10
1.2.5字符串 11
1.3Python条件循环与函数 13
1.3.1条件判断语句 13
1.3.2循环语句 14
1.3.3函数 16
1.4机器学习简介 17
1.4.1无监督学习 18
1.4.2有监督学习 20
1.4.3半监督学习 21
1.4.4常用机器学习算法 22
1.5本章小结 22
第2章 Python中的常用库 23
2.1Numpy库 23
2.1.1Numpy数组生成 24
2.1.2Numpy数组运算 27
2.1.3Numpy数组操作 28
2.1.4Numpy常用函数 33
2.2Pandas库 36
2.2.1Pandas数据生成和读取 37
2.2.2Pandas数据操作 39
2.2.3Pandas数据可视化 44
2.3Matplotlib库 47
2.3.1Matplotlib可视化基础 47
2.3.2Matplotlib数据可视化实战 53
2.4Seaborn库 60
2.4.1Seaborn库功能简介 60
2.4.2Seaborn库数据可视化实战 61
2.5Sklearn库 65
2.5.1Sklearn库功能简介 65
2.5.2Sklearn库应用实战 66
2.6本章小结 70
第3章 机器学习流程 71
3.1数据预处理与探索 72
3.1.1缺失值处理 73
3.1.2数据可视化探索 74
3.1.3数据标准化与变换 78
3.2无监督问题应用 81
3.2.1数据降维 81
3.2.2数据聚类 84
3.3有监督分类问题应用 87
3.4有监督回归问题应用 91
3.5半监督学习应用 94
3.6本章小结 96
第4章 模型的选择与评估 98
4.1模型的选择 98
4.1.1模型拟合情况 98
4.1.2避免欠拟合和过拟合的方式 100
4.1.3模型的方差与偏差 101
4.2模型训练技巧 101
4.2.1相关方法 102
4.2.2实战案例：K折交叉验证 103
4.2.3实战案例：参数网格搜索 104
4.3模型评价指标 106
4.3.1分类效果评价 106
4.3.2回归效果评价 106
4.3.3聚类效果评价 107
4.4本章小结 108
第5章 回归模型 109
5.1一元线性回归 111
5.1.1模型介绍 111
5.1.2实战案例：一元线性回归建模 111
5.2多元线性回归 116
5.2.1模型简介 116
5.2.2实战案例：房屋价格预测 116
5.3正则化Lasso回归 127
5.3.1模型简介 127
5.3.2实战案例：Lasso回归预测房屋价格 128
5.4时间序列ARIMA模型 133
5.4.1模型简介 133
5.4.2实战案例：ARIMA模型预测未来啤酒消耗量 134
5.5时间序列SARIMA模型 145
5.5.1模型简介 145
5.5.2实战案例：SARIMA模型预测未来啤酒消耗量 146
5.6本章小结 149
第6章 无监督模型 150
6.1常用降维算法 151
6.1.1主成分分析 151
6.1.2因子分析 152
6.1.3流形学习——等距映射 152
6.1.4局部线性嵌入LLE 153
6.1.5多维尺度变换MSD 153
6.1.6t-SNE 153
6.2数据降维案例实战 154
6.2.1主成分分析数据降维 156
6.2.2因子分析数据降维 159
6.2.3流形学习——等距嵌入数据降维 160
6.2.4局部线性嵌入数据降维 161
6.2.5MDS数据降维 162
6.2.6t-SNE数据降维 163
6.3常用聚类算法 164
6.3.1K均值聚类 165
6.3.2密度聚类 165
6.3.3系统聚类 166
6.3.4模糊聚类 167
6.4数据聚类案例实战 168
6.4.1K均值聚类实战 169
6.4.2密度聚类实战 173
6.4.3系统聚类实战 175
6.4.4模糊聚类实战 178
6.5关联规则挖掘 179
6.5.1模型简介 180
6.5.2实战案例：购物篮分析 181
6.6本章小结 188
第7章 分类模型 189
7.1决策树算法 193
7.1.1算法简介 193
7.1.2实战案例：决策树算法实战 195
7.2随机森林算法 203
7.2.1算法介绍 203
7.2.2实战案例：随机森林算法实战 203
7.3Logistic回归算法 208
7.3.1算法简介 208
7.3.2实战案例：Logistic回归算法实战 209
7.4支持向量机算法 211
7.4.1算法简介 211
7.4.2实战案例：支持向量机算法实战 213
7.5人工神经网络算法 219
7.5.1算法简介 219
7.5.2人工神经网络算法实战 221
7.6本章小结 225
第8章 高级数据回归算法 226
8.1高级数据回归算法模型实战 227
8.1.1数据探索与可视化 227
8.1.2随机森林回归预测实战 232
8.1.3GBDT回归预测实战 234
8.1.4支持向量机回归预测实战 236
8.1.5人工神经网络回归预测实战 237
8.2复杂时间序列预测模型 239
8.2.1Prophet时序回归 239
8.2.2多元时序回归 240
8.3时间序列回归模型实战 240
8.3.1时序数据导入与可视化探索 240
8.3.2Prophet算法预测用户数量 242
8.3.3Prophet算法预测流量 245
8.3.4VAR多变量时间序列的建模与预测 247
8.3.5VARMA多变量时间序列的建模与预测 250
8.4本章小结 253
第9章 非结构数据机器学习 254
9.1非结构数据分析简介 255
9.1.1文本数据分析简介 255
9.1.2网络图数据分析简介 256
9.2文本数据分析实战 257
9.2.1文本数据预处理 257
9.2.2文本获取TF-IDF特征 263
9.2.3文本数据K均值聚类 265
9.2.4文本数据LDA主题模型 266
9.2.5文本数据朴素贝叶斯分类 267
9.3网络图数据分析实战 272
9.3.1网络图可视化 272
9.3.2网络图聚类分割 277
9.4本章小结 281
第10章 综合实战案例：中药材鉴别 282
10.1无监督学习——鉴别药材种类 284
10.1.1数据特征可视化探索 285
10.1.2使用原始特征进行聚类分析 287
10.1.3使用降维后的特征进行聚类 291
10.2有监督学习——药材产地鉴别 295
10.2.1数据特征可视化探索分析 296
10.2.2利用选择的特征进行分类 297
10.3半监督学习——药材类别鉴别 303
10.3.1数据预处理和可视化探索 304
10.3.2数据主成分分析降维 306
10.3.3半监督学习分类——标签传播算法 308
10.4本章小结 311
参考文献  312

机器学习是人工智能的基础与核心，作为一门涉及数学统计学计算机科学等多领域的交叉学科，其提供了一种解决复杂问题的新方法，因此广泛应用于人工智能的各个领域
当前，虽然机器学习的相关资料十分易得，但想要系统全面地入门机器学习，仍不是一件容易的事对于大部分读者来说，即使学习了相关教程，在面对自己的实际问题时，仍然会感到无从下手不知所措另一方面，尽管理解相关算法公式的推导过程很重要，但这一过程却很容易使初学者陷入复杂公式的泥沼，这在打击初学者的自信心的同时也会影响学习效率针对这些问题，为了满足初学者快速上手机器学习的需求，笔者为初学者编写了这本Python机器学习：基础算法与实战
本书以“边动手边学习”的方式，用简洁直观注释细致的代码呈现了机器学习的分析方法与一般流程，尤其针对机器学习相关模型与算法的应用与评估，以一个个基于生活场景的实战案例来进行演示，可以帮助读者更好地理解数据场景，并应用机器学习开展相关工作本书尽可能避开复杂公式，即使没有Python基础机器学习基础知识的读者也能看懂本书的内容，对初学者非常友好此外，本书的代码通过Jupyter Notebook进行演示与分析，可便于读者对程序进行复现对结果进行分析
本书共分为10个章节，循序渐进地介绍了Python机器学习的入门基础算法应用以及实战等内容各章主要内容如下
第1章：Python机器学习快速入门从通过Anaconda安装Python开始，然后介绍Python的基础内容，以及Python中的控制语句与函数等语法的使用，最后简单介绍了与机器学习相关的基础知识，以及机器学习算法的分类与应用场景
第2章：Python中的常用库介绍了Python在机器学习应用中非常重要的5个第三方库的使用，分别是：数据操作和处理库（NumpyPandas）数据可视化库（MatplotlibSeaborn），以及机器学习库Sklearn
第3章：机器学习流程以一个种子数据集为例，介绍了不同应用场景下的机器学习过程，分别包括：数据预处理与可视化探索无监督学习的数据降维与聚类有监督学习的数据分类与回归，以及半监督学习分类等
第4章：模型的选择与评估主要介绍在机器学习过程中，如何判断模型是否过拟合，如何使用交叉验证与参数网格搜索选择合适的模型，以及在分类回归聚类应用中的模型效果评价指标的选择
第5章：回归模型主要介绍使用Python实现回归模型的建立和应用例如：建立一元线性回归多元线性回归Lasso回归分析等，同时针对时间序列数据介绍了ARIMA模型与SARIMA模型的应用
第6章：无监督模型主要介绍数据降维数据聚类以及关联规则等机器学习算法与相应的数据集相结合，使用Python实现相关经典算法的应用
第7章：分类模型主要介绍几种经典分类算法的应用，使用决策树算法随机森林逻辑回归算法进行泰坦尼克号数据分类，使用支持向量机与人工神经网络对手写数字进行识别
第8章：高级数据回归算法介绍一些较高级的回归算法应用，例如：随机森林GBDT支持向量机神经网络等算法的回归应用；针对时间序列数据，使用ProphetVARVARMA等算法进行预测
第9章：非结构数据机器学习介绍使用Python对文本数据分析与网络图数据进行分析例如：文本数据特征提取聚类与分类等，网络图数据可视化与聚类
第10章：综合实战案例：中药材鉴别介绍一个真实的数据机器学习应用案例，主要包含无监督学习鉴别药材种类有监督学习鉴别药材产地半监督学习鉴别药材种类等内容
本书在编写时使用相关资源的最新版本，但是由于Python以及相关库的迅速发展，以及作者水平有限，且编写时间仓促，书中难免存在疏漏，敬请读者不吝赐教也欢迎加入QQ群一起交流，QQ群号：434693903
编著者