掃一掃
關注中圖網
官方微博
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
機器學習實踐 基于Python進行數據分析 版權信息
- ISBN：9787111698180
- 條形碼：9787111698180 ; 978-7-111-69818-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習實踐 基于Python進行數據分析 本書特色
內容豐富，結合實踐，以大量生物醫學信號、醫療保健數據和金融數據的處理為示例
機器學習實踐 基于Python進行數據分析 內容簡介
本書共七章。章主要介紹基于機器學習的數據分析。第2章概述一些數據預處理的技術，例如特征提取、轉換、特征選擇以及降維。第3章概述一些常見的用于預報、預測和分類的機器學習技術，例如，樸素貝葉斯、k近鄰、人工神經網絡、支持向量機、決策樹、隨機森林、裝袋、提升、堆疊、投票、深度神經網絡、循環神經網絡和卷積神經網絡。第4章主要呈現一些醫療保健領域中的分類案例，包括常用于分析和識別生物醫學信號的技術，例如心電圖、腦電圖和肌電圖信號處理，以及人體行為識別和基于微陣列基因表達的癌癥、糖尿病和心臟病檢測等。第5章主要介紹一些實際應用，包括入侵檢測、釣魚網站檢測、垃圾郵件檢測、信用評分、信用卡欺詐檢測、手寫數字識別、圖像分類和文本分類。第6章主要介紹一些回歸技術的案例，例如股市分析、經濟變量預測、電力負載預測、風速預測、旅游需求預測以及房價預測。第7章包括一些無監督學習技術的案例（聚類）。本書的目標讀者包括IT專業人員、分析師、開發人員、數據科學家、工程師，以及相關專業的學生。此外，本書也適合需要進行醫學、生物相關數據分析的讀者參考。
機器學習實踐 基于Python進行數據分析 目錄
譯者序
前言
致謝
第1章 簡介 1
1.1 什么是機器學習 1
1.1.1 為什么需要使用機器學習 2
1.1.2 做出數據驅動決策 3
1.1.3 定義以及關鍵術語 4
1.1.4 機器學習的關鍵任務 6
1.1.5 機器學習技術 6
1.2 機器學習框架 6
1.2.1 數據收集 7
1.2.2 數據描述 7
1.2.3 探索性數據分析 7
1.2.4 數據質量分析 8
1.2.5 數據準備 8
1.2.6 數據集成 8
1.2.7 數據整理 8
1.2.8 特征縮放和特征提取 9
1.2.9 特征選擇及降維 9
1.2.10 建模 9
1.2.11 選擇建模技術 9
1.2.12 構建模型 10
1.2.13 模型評估及調優 10
1.2.14 實現以及檢驗已經創建的模型 10
1.2.15 監督學習框架 11
1.2.16 無監督學習框架 11
1.3 性能評估 12
1.3.1 混淆矩陣 13
1.3.2 F值分析 14
1.3.3 ROC分析 15
1.3.4 Kappa統計量 15
1.3.5 度量了什么 16
1.3.6 如何度量 17
1.3.7 如何解釋估計 17
1.3.8 scikit-learn中的k折交叉驗證 18
1.3.9 如何選擇正確的算法 18
1.4 Python機器學習環境 18
1.4.1 缺陷 20
1.4.2 缺點 20
1.4.3 NumPy庫 20
1.4.4 Pandas 20
1.5 本章小結 21
1.6 參考文獻 22
第2章 數據預處理 23
2.1 簡介 23
2.2 特征提取和轉換 24
2.2.1 特征類型 24
2.2.2 統計特征 25
2.2.3 結構化特征 27
2.2.4 特征轉換 28
2.2.5 閾值化和離散化 28
2.2.6 數據操作 28
2.2.7 標準化 29
2.2.8 歸一化和校準 33
2.2.9 不完整的特征 34
2.2.10 特征提取的方法 36
2.2.11 使用小波變換進行特征提取 38
2.3 降維 45
2.3.1 特征構造和選擇 47
2.3.2 單變量特征選擇 48
2.3.3 遞歸式特征消除 51
2.3.4 從模型選擇特征 52
2.3.5 主成分分析 53
2.3.6 增量PCA 57
2.3.7 核PCA 58
2.3.8 鄰近成分分析 59
2.3.9 獨立成分分析 61
2.3.10 線性判別分析 65
2.3.11 熵 67
2.4 基于聚類的特征提取和降維 68
2.5 參考文獻 75
第3章 機器學習技術 77
3.1 簡介 77
3.2 什么是機器學習 78
3.2.1 理解機器學習 78
3.2.2 如何讓機器學習 78
3.2.3 多學科領域 79
3.2.4 機器學習問題 80
3.2.5 機器學習的目標 80
3.2.6 機器學習的挑戰 81
3.3 Python庫 81
3.3.1 scikit-learn 81
3.3.2 TensorFlow 83
3.3.3 Keras 84
3.3.4 使用Keras構建模型 84
3.3.5 自然語言工具包 85
3.4 學習場景 87
3.5 監督學習算法 88
3.5.1 分類 89
3.5.2 預報、預測和回歸 90
3.5.3 線性模型 90
3.5.4 感知機 98
3.5.5 邏輯回歸 100
3.5.6 線性判別分析 102
3.5.7 人工神經網絡 105
3.5.8 k近鄰 109
3.5.9 支持向量機 113
3.5.10 決策樹分類器 118
3.5.11 樸素貝葉斯 123
3.5.12 集成學習 126
3.5.13 bagging算法 127
3.5.14 隨機森林 131
3.5.15 boosting算法 136
3.5.16 其他集成方法 146
3.5.17 深度學習 151
3.5.18 深度神經網絡 152
3.5.19 循環神經網絡 155
3.5.20 自編碼器 157
3.5.21 長短期記憶網絡 157
3.5.22 卷積神經網絡 160
3.6 無監督學習 162
3.6.1 k均值算法 163
3.6.2 輪廓系數 165
3.6.3 異常檢測 167
3.6.4 關聯規則挖掘 170
3.7 強化學習 170
3.8 基于實例的學習 171
3.9 本章小結 171
3.10 參考文獻 172
第4章 醫療保健分類示例 174
4.1 簡介 174
4.2 腦電圖信號分析 175
4.2.1 癲癇癥的預測和檢測 176
4.2.2 情緒識別 194
4.2.3 局灶性和非局灶性癲癇EEG信號的分類 201
4.2.4 偏頭痛檢測 212
4.3 EMG信號分析 217
4.3.1 神經肌肉疾病的診斷 218
4.3.2 假體控制中的EMG信號 225
4.3.3 康復機器人中的EMG信號 232
4.4 心電圖信號分析 238
4.5 人類活動識別 247
4.5.1 基于傳感器的人類活動識別 248
4.5.2 基于智能手機的人類活動識別 250
4.6 用于癌癥檢測的微陣列基因表達數據分類 256
4.7 乳腺癌檢測 257
4.8 預測胎兒風險的心電圖數據分類 260
4.9 糖尿病檢測 263
4.10 心臟病檢測 267
4.11 慢性腎臟病的診斷 270
4.12 本章小結 273
4.13 參考文獻 273
第5章 其他分類示例 277
5.1 入侵檢測 277
5.2 釣魚網站檢測 280
5.3 垃圾郵件檢測 283
5.4 信用評分 287
5.5 信用卡欺詐檢測 290
5.6 使用CNN進行手寫數字識別 297
5.7 使用CNN進行Fashion-MNIST圖像分類 306
5.8 使用CNN進行CIFAR圖像分類 313
5.9 文本分類 321
5.10 本章小結 334
5.11 參考文獻 334
第6章 回歸示例 337
6.1 簡介 337
6.2 股票市場價格指數收益預測 338
6.3 通貨膨脹預測 356
6.4 電力負荷預測 358
6.5 風速預測 365
6.6 旅游需求預測 370
6.7 房價預測 380
6.8 單車使用情況預測 395
6.9 本章小結 399
6.10 參考文獻 400
第7章 聚類示例 402
7.1 簡介 402
7.2 聚類 403
7.2.1 評估聚類輸出 404
7.2.2 聚類分析的應用 404
7.2.3 可能的聚類數 405
7.2.4 聚類算法種類 405
7.3 k均值聚類算法 406
7.4 k中心點聚類算法 408
7.5 層次聚類 409
7.5.1 聚集聚類算法 409
7.5.2 分裂聚類算法 412
7.6 模糊c均值聚類算法 416
7.7 基于密度的聚類算法 418
7.7.1 DBSCAN算法 418
7.7.2 OPTICS聚類算法 420
7.8 基于期望*大化的混合高斯模型聚類算法 423
7.9 貝葉斯聚類 426
7.10 輪廓分析 428
7.11 基于聚類的圖像分割 430
7.12 基于聚類的特征提取 433
7.13 基于聚類的分類 439
7.14 本章小結 442
7.15 參考文獻 442
前言
致謝
第1章 簡介 1
1.1 什么是機器學習 1
1.1.1 為什么需要使用機器學習 2
1.1.2 做出數據驅動決策 3
1.1.3 定義以及關鍵術語 4
1.1.4 機器學習的關鍵任務 6
1.1.5 機器學習技術 6
1.2 機器學習框架 6
1.2.1 數據收集 7
1.2.2 數據描述 7
1.2.3 探索性數據分析 7
1.2.4 數據質量分析 8
1.2.5 數據準備 8
1.2.6 數據集成 8
1.2.7 數據整理 8
1.2.8 特征縮放和特征提取 9
1.2.9 特征選擇及降維 9
1.2.10 建模 9
1.2.11 選擇建模技術 9
1.2.12 構建模型 10
1.2.13 模型評估及調優 10
1.2.14 實現以及檢驗已經創建的模型 10
1.2.15 監督學習框架 11
1.2.16 無監督學習框架 11
1.3 性能評估 12
1.3.1 混淆矩陣 13
1.3.2 F值分析 14
1.3.3 ROC分析 15
1.3.4 Kappa統計量 15
1.3.5 度量了什么 16
1.3.6 如何度量 17
1.3.7 如何解釋估計 17
1.3.8 scikit-learn中的k折交叉驗證 18
1.3.9 如何選擇正確的算法 18
1.4 Python機器學習環境 18
1.4.1 缺陷 20
1.4.2 缺點 20
1.4.3 NumPy庫 20
1.4.4 Pandas 20
1.5 本章小結 21
1.6 參考文獻 22
第2章 數據預處理 23
2.1 簡介 23
2.2 特征提取和轉換 24
2.2.1 特征類型 24
2.2.2 統計特征 25
2.2.3 結構化特征 27
2.2.4 特征轉換 28
2.2.5 閾值化和離散化 28
2.2.6 數據操作 28
2.2.7 標準化 29
2.2.8 歸一化和校準 33
2.2.9 不完整的特征 34
2.2.10 特征提取的方法 36
2.2.11 使用小波變換進行特征提取 38
2.3 降維 45
2.3.1 特征構造和選擇 47
2.3.2 單變量特征選擇 48
2.3.3 遞歸式特征消除 51
2.3.4 從模型選擇特征 52
2.3.5 主成分分析 53
2.3.6 增量PCA 57
2.3.7 核PCA 58
2.3.8 鄰近成分分析 59
2.3.9 獨立成分分析 61
2.3.10 線性判別分析 65
2.3.11 熵 67
2.4 基于聚類的特征提取和降維 68
2.5 參考文獻 75
第3章 機器學習技術 77
3.1 簡介 77
3.2 什么是機器學習 78
3.2.1 理解機器學習 78
3.2.2 如何讓機器學習 78
3.2.3 多學科領域 79
3.2.4 機器學習問題 80
3.2.5 機器學習的目標 80
3.2.6 機器學習的挑戰 81
3.3 Python庫 81
3.3.1 scikit-learn 81
3.3.2 TensorFlow 83
3.3.3 Keras 84
3.3.4 使用Keras構建模型 84
3.3.5 自然語言工具包 85
3.4 學習場景 87
3.5 監督學習算法 88
3.5.1 分類 89
3.5.2 預報、預測和回歸 90
3.5.3 線性模型 90
3.5.4 感知機 98
3.5.5 邏輯回歸 100
3.5.6 線性判別分析 102
3.5.7 人工神經網絡 105
3.5.8 k近鄰 109
3.5.9 支持向量機 113
3.5.10 決策樹分類器 118
3.5.11 樸素貝葉斯 123
3.5.12 集成學習 126
3.5.13 bagging算法 127
3.5.14 隨機森林 131
3.5.15 boosting算法 136
3.5.16 其他集成方法 146
3.5.17 深度學習 151
3.5.18 深度神經網絡 152
3.5.19 循環神經網絡 155
3.5.20 自編碼器 157
3.5.21 長短期記憶網絡 157
3.5.22 卷積神經網絡 160
3.6 無監督學習 162
3.6.1 k均值算法 163
3.6.2 輪廓系數 165
3.6.3 異常檢測 167
3.6.4 關聯規則挖掘 170
3.7 強化學習 170
3.8 基于實例的學習 171
3.9 本章小結 171
3.10 參考文獻 172
第4章 醫療保健分類示例 174
4.1 簡介 174
4.2 腦電圖信號分析 175
4.2.1 癲癇癥的預測和檢測 176
4.2.2 情緒識別 194
4.2.3 局灶性和非局灶性癲癇EEG信號的分類 201
4.2.4 偏頭痛檢測 212
4.3 EMG信號分析 217
4.3.1 神經肌肉疾病的診斷 218
4.3.2 假體控制中的EMG信號 225
4.3.3 康復機器人中的EMG信號 232
4.4 心電圖信號分析 238
4.5 人類活動識別 247
4.5.1 基于傳感器的人類活動識別 248
4.5.2 基于智能手機的人類活動識別 250
4.6 用于癌癥檢測的微陣列基因表達數據分類 256
4.7 乳腺癌檢測 257
4.8 預測胎兒風險的心電圖數據分類 260
4.9 糖尿病檢測 263
4.10 心臟病檢測 267
4.11 慢性腎臟病的診斷 270
4.12 本章小結 273
4.13 參考文獻 273
第5章 其他分類示例 277
5.1 入侵檢測 277
5.2 釣魚網站檢測 280
5.3 垃圾郵件檢測 283
5.4 信用評分 287
5.5 信用卡欺詐檢測 290
5.6 使用CNN進行手寫數字識別 297
5.7 使用CNN進行Fashion-MNIST圖像分類 306
5.8 使用CNN進行CIFAR圖像分類 313
5.9 文本分類 321
5.10 本章小結 334
5.11 參考文獻 334
第6章 回歸示例 337
6.1 簡介 337
6.2 股票市場價格指數收益預測 338
6.3 通貨膨脹預測 356
6.4 電力負荷預測 358
6.5 風速預測 365
6.6 旅游需求預測 370
6.7 房價預測 380
6.8 單車使用情況預測 395
6.9 本章小結 399
6.10 參考文獻 400
第7章 聚類示例 402
7.1 簡介 402
7.2 聚類 403
7.2.1 評估聚類輸出 404
7.2.2 聚類分析的應用 404
7.2.3 可能的聚類數 405
7.2.4 聚類算法種類 405
7.3 k均值聚類算法 406
7.4 k中心點聚類算法 408
7.5 層次聚類 409
7.5.1 聚集聚類算法 409
7.5.2 分裂聚類算法 412
7.6 模糊c均值聚類算法 416
7.7 基于密度的聚類算法 418
7.7.1 DBSCAN算法 418
7.7.2 OPTICS聚類算法 420
7.8 基于期望*大化的混合高斯模型聚類算法 423
7.9 貝葉斯聚類 426
7.10 輪廓分析 428
7.11 基于聚類的圖像分割 430
7.12 基于聚類的特征提取 433
7.13 基于聚類的分類 439
7.14 本章小結 442
7.15 參考文獻 442
展開全部
機器學習實踐 基于Python進行數據分析 作者簡介
阿卜杜勒哈密特·蘇巴西(Abdulhamit Subasi)教授是機器學習、數據挖掘和生物醫學信號處理方面的專家，發表了150多篇期刊和會議論文。他在許多機構工作過，并在佐治亞理工學院擔任過研究員。2018年5月，他被授予女王埃法特杰出研究獎。自2015年以來，他一直在沙特阿拉伯埃法特大學擔任信息系統教授。他目前的研究項目與生物醫學信號處理和數據分析相關。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
中國歷史的瞬間
- >
回憶愛瑪儂
- >
煙與鏡
- >
李白與唐代文化
- >
朝聞道
本類暢銷
