中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Python機器學習編程與實戰林耀進等 版權信息
- ISBN：9787115532534
- 條形碼：9787115532534 ; 978-7-115-53253-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習編程與實戰林耀進等 本書特色
全書大部分章節緊扣實際需求展開，不堆積知識點，著重于解決問題時思路的啟發與方案的實施，幫助讀者真正理解與消化Python機器學習編程與實戰。 書中案例全部源于企業真實項目，可操作性強，引導讀者融會貫通，并提供源代碼等相關學習資源，幫助讀者快速掌握Python機器學習相關技能。
Python機器學習編程與實戰林耀進等 內容簡介
本書采用常用技術與真實案例相結合的講解方式，深入淺出地介紹了Python機器學習應用的主要內容。全書共8章，內容包括Python概述、NumPy數值計算、pandas基礎、pandas進階、Matplotlib繪圖、scikit-learn、餐飲企業綜合分析與預測、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容。 本書可以作為高校大數據或人工智能專業的教材，也可作為機器學習愛好者的自學用書。
Python機器學習編程與實戰林耀進等 目錄
第 1章 Python概述 1
1．1 Python簡介 1
1．1．1 Python語言 1
1．1．2 Python與機器學習 1
1．1．3 Python環境配置 2
1．2 Python基礎知識 5
1．2．1 固定語法 5
1．2．2 運算符 6
1．2．3 數據類型 9
1．2．4 Python I/O 14
1．3 控制語句 17
1．3．1 條件語句 18
1．3．2 循環語句 20
1．4 函數 22
小結 25
課后習題 26
第 2章 NumPy數值計算 28
2．1 ndarray的創建與索引 28
2．1．1 創建ndarray 28
2．1．2 ndarray的索引和切片 33
2．2 ndarray的基礎操作 36
2．2．1 變換ndarray的形態 36
2．2．2 排序與搜索 42
2．3 ufunc 46
2．3．1 ufunc的廣播機制 46
2．3．2 常用ufunc運算 47
小結 54
課后習題 54
第3章 pandas基礎 56
3．1 pandas常用類 56
3．1．1 Series 56
3．1．2 DataFrame 60
3．1．3 Index 64
3．2 DataFrame基本操作 65
3．2．1 索引 66
3．2．2 排序 70
3．2．3 合并 73
3．3 其他數據類型操作 78
3．3．1 時間操作 78
3．3．2 文本操作 87
3．3．3 category操作 90
小結 93
課后習題 93
第4章 pandas進階 95
4．1 數據的讀取與寫出 95
4．1．1 CSV 95
4．1．2 Excel 97
4．1．3 數據庫 98
4．2 DataFrame進階 101
4．2．1 統計分析 101
4．2．2 分組運算 106
4．2．3 透視表和交叉表 111
4．3 數據準備 113
4．3．1 缺失值處理 113
4．3．2 重復數據處理 117
4．3．3 連續特征離散化處理 118
4．3．4 啞變量處理 120
小結 122
課后習題 122
第5章 Matplotlib繪圖 124
5．1 Matplotlib繪圖基礎 124
5．1．1 編程風格 124
5．1．2 動態rc參數 128
5．2 分析特征關系常用圖形 133
5．2．1 散點圖 133
5．2．2 折線圖 135
5．3 分析特征內部數據狀態常用
圖形 137
5．3．1 直方圖與條形圖 138
5．3．2 餅圖 140
5．3．3 箱線圖 142
小結 144
課后習題 144
第6章 scikit-learn 146
6．1 數據準備 146
6．1．1 標準化 146
6．1．2 歸一化 149
6．1．3 二值化 150
6．1．4 獨熱編碼 151
6．2 降維 153
6．2．1 PCA 154
6．2．2 ICA 158
6．2．3 LDA 162
6．3 分類 166
6．3．1 Logistic回歸 166
6．3．2 SVM 171
6．3．3 決策樹 174
6．3．4 KNN 178
6．3．5 樸素貝葉斯 180
6．3．6 隨機森林 183
6．3．7 多層感知機 186
6．4 回歸 189
6．4．1 *小二乘回歸 191
6．4．2 嶺回歸 194
6．4．3 Lasso回歸 195
6．5 聚類 198
6．5．1 K-Means 199
6．5．2 層次聚類 202
6．5．3 DBSCAN 205
6．5．4 GMM 208
6．6 模型驗證 212
6．6．1 數據集劃分 212
6．6．2 交叉驗證 213
6．6．3 自動調參 214
6．6．4 模型評價 217
小結 221
課后習題 221
第7章 餐飲企業綜合分析與預測 225
7．1 餐飲企業需求分析 225
7．1．1 餐飲企業現狀與需求 225
7．1．2 餐飲企業數據基本狀況 226
7．1．3 餐飲企業數據分析的步驟與流程 227
7．2 數據準備 227
7．2．1 統計每日用餐人數與銷售額 227
7．2．2 數據預處理 229
7．3 使用K-Means算法進行客戶價值分析 231
7．3．1 構建RFM特征 231
7．3．2 構建K-Means模型 233
7．3．3 K-Means模型結果分析 234
7．4 使用決策樹算法實現餐飲客戶流失預測 236
7．4．1 構建客戶流失特征 236
7．4．2 構建客戶流失預測模型 238
7．4．3 分析決策樹模型結果 239
小結 240
課后習題 240
第8章 通信運營商用戶流失分析與預測 242
8．1 通信運營商用戶流失需求分析 242
8．1．1 通信運營商現狀與需求 242
8．1．2 通信運營商數據基本情況 242
8．1．3 通信運營商用戶流失分析與預測的步驟與流程 243
8．2 數據準備 244
8．2．1 數據去重與降維 244
8．2．2 數據清洗 245
8．2．3 數據合并 247
8．3 特征工程 251
8．3．1 獨熱編碼 251
8．3．2 合并預處理后的數據集 252
8．4 使用MLP算法實現通信運營商用戶流失預測 253
8．4．1 數據集劃分與數據標準化 253
8．4．2 構建用戶流失預測模型 255
8．4．3 模型評價 255
小結 256
課后習題 256
1．1 Python簡介 1
1．1．1 Python語言 1
1．1．2 Python與機器學習 1
1．1．3 Python環境配置 2
1．2 Python基礎知識 5
1．2．1 固定語法 5
1．2．2 運算符 6
1．2．3 數據類型 9
1．2．4 Python I/O 14
1．3 控制語句 17
1．3．1 條件語句 18
1．3．2 循環語句 20
1．4 函數 22
小結 25
課后習題 26
第 2章 NumPy數值計算 28
2．1 ndarray的創建與索引 28
2．1．1 創建ndarray 28
2．1．2 ndarray的索引和切片 33
2．2 ndarray的基礎操作 36
2．2．1 變換ndarray的形態 36
2．2．2 排序與搜索 42
2．3 ufunc 46
2．3．1 ufunc的廣播機制 46
2．3．2 常用ufunc運算 47
小結 54
課后習題 54
第3章 pandas基礎 56
3．1 pandas常用類 56
3．1．1 Series 56
3．1．2 DataFrame 60
3．1．3 Index 64
3．2 DataFrame基本操作 65
3．2．1 索引 66
3．2．2 排序 70
3．2．3 合并 73
3．3 其他數據類型操作 78
3．3．1 時間操作 78
3．3．2 文本操作 87
3．3．3 category操作 90
小結 93
課后習題 93
第4章 pandas進階 95
4．1 數據的讀取與寫出 95
4．1．1 CSV 95
4．1．2 Excel 97
4．1．3 數據庫 98
4．2 DataFrame進階 101
4．2．1 統計分析 101
4．2．2 分組運算 106
4．2．3 透視表和交叉表 111
4．3 數據準備 113
4．3．1 缺失值處理 113
4．3．2 重復數據處理 117
4．3．3 連續特征離散化處理 118
4．3．4 啞變量處理 120
小結 122
課后習題 122
第5章 Matplotlib繪圖 124
5．1 Matplotlib繪圖基礎 124
5．1．1 編程風格 124
5．1．2 動態rc參數 128
5．2 分析特征關系常用圖形 133
5．2．1 散點圖 133
5．2．2 折線圖 135
5．3 分析特征內部數據狀態常用
圖形 137
5．3．1 直方圖與條形圖 138
5．3．2 餅圖 140
5．3．3 箱線圖 142
小結 144
課后習題 144
第6章 scikit-learn 146
6．1 數據準備 146
6．1．1 標準化 146
6．1．2 歸一化 149
6．1．3 二值化 150
6．1．4 獨熱編碼 151
6．2 降維 153
6．2．1 PCA 154
6．2．2 ICA 158
6．2．3 LDA 162
6．3 分類 166
6．3．1 Logistic回歸 166
6．3．2 SVM 171
6．3．3 決策樹 174
6．3．4 KNN 178
6．3．5 樸素貝葉斯 180
6．3．6 隨機森林 183
6．3．7 多層感知機 186
6．4 回歸 189
6．4．1 *小二乘回歸 191
6．4．2 嶺回歸 194
6．4．3 Lasso回歸 195
6．5 聚類 198
6．5．1 K-Means 199
6．5．2 層次聚類 202
6．5．3 DBSCAN 205
6．5．4 GMM 208
6．6 模型驗證 212
6．6．1 數據集劃分 212
6．6．2 交叉驗證 213
6．6．3 自動調參 214
6．6．4 模型評價 217
小結 221
課后習題 221
第7章 餐飲企業綜合分析與預測 225
7．1 餐飲企業需求分析 225
7．1．1 餐飲企業現狀與需求 225
7．1．2 餐飲企業數據基本狀況 226
7．1．3 餐飲企業數據分析的步驟與流程 227
7．2 數據準備 227
7．2．1 統計每日用餐人數與銷售額 227
7．2．2 數據預處理 229
7．3 使用K-Means算法進行客戶價值分析 231
7．3．1 構建RFM特征 231
7．3．2 構建K-Means模型 233
7．3．3 K-Means模型結果分析 234
7．4 使用決策樹算法實現餐飲客戶流失預測 236
7．4．1 構建客戶流失特征 236
7．4．2 構建客戶流失預測模型 238
7．4．3 分析決策樹模型結果 239
小結 240
課后習題 240
第8章 通信運營商用戶流失分析與預測 242
8．1 通信運營商用戶流失需求分析 242
8．1．1 通信運營商現狀與需求 242
8．1．2 通信運營商數據基本情況 242
8．1．3 通信運營商用戶流失分析與預測的步驟與流程 243
8．2 數據準備 244
8．2．1 數據去重與降維 244
8．2．2 數據清洗 245
8．2．3 數據合并 247
8．3 特征工程 251
8．3．1 獨熱編碼 251
8．3．2 合并預處理后的數據集 252
8．4 使用MLP算法實現通信運營商用戶流失預測 253
8．4．1 數據集劃分與數據標準化 253
8．4．2 構建用戶流失預測模型 255
8．4．3 模型評價 255
小結 256
課后習題 256
展開全部
Python機器學習編程與實戰林耀進等 作者簡介
張良均，高級信息系統項目管理師，泰迪杯全國大學生數據挖掘競賽（www.tipdm.org）的發起人。華南師范大學、廣東工業大學兼職教授，廣東省工業與應用數學學會理事。兼有大型高科技企業和高校的工作經歷，主要從事大數據挖掘及其應用的策劃、研發及咨詢培訓。全國計算機技術與軟件專業技術資格（水平）考試繼續教育和CDA數據分析師培訓講師。發表數據挖掘相關論文數二十余篇，已取得國家發明專利12項，主編圖書《神經網絡實用教程》《數據挖掘:實用案例分析》《MATLAB數據分析與挖掘實戰》等9本暢銷圖書，主持并完成科技項目9項。獲得SAS、SPSS數據挖掘認證及Hadoop開發工程師證書，具有電力、電信、銀行、制造企業、電子商務和電子政務的項目經驗和行業背景。
書友推薦
- >
唐代進士錄
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
朝聞道
- >
有舍有得是人生
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
經典常談
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
