中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
PYTHON數據挖掘實戰(微課版) 版權信息
- ISBN：9787115620392
- 條形碼：9787115620392 ; 978-7-115-62039-2
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
PYTHON數據挖掘實戰(微課版) 本書特色
1.本書在內容上，數據挖掘模型理論原理與數據挖掘實現并重，實現二者有機結合。
2.本書基于Python語言介紹模型的實現方法，案例豐富，圖文并茂，適合本科數據挖掘課程的教學。
PYTHON數據挖掘實戰(微課版) 內容簡介
數據挖掘旨在發現蘊含在數據中的有價值的數據模式、知識或規律，是目前非常熱門的研究領域。理解數據挖掘模型的原理、方法并熟練掌握其實現技術是數據挖掘從業者推薦的能力。 本書從理論模型和技術實戰兩個角度，全面講述數據挖掘的基本流程、模型方法、實現技術及案例應用，幫助讀者系統地掌握數據挖掘的核心技術，培養讀者從事數據挖掘工作的基本能力。全書共12章，主要內容包括數據探索、數據預處理、特征選擇、基礎分類模型及回歸模型、集成技術、聚類分析、關聯規則分析、時間序列挖掘、異常檢測、智能推薦等。除第1章、第2章外，本書以一章對應一個主題的形式完整描述相應主題的數據挖掘模型，簡潔、清晰地介紹其基本原理和算法步驟，并結合Python語言介紹數據挖掘模型的實現技術，同時結合案例分析數據挖掘模型在數據挖掘中的應用。此外，書中還通過大量的圖、表、代碼、示例幫助讀者快速掌握相關內容。 本書適合作為相關專業本科生和研究生的數據挖掘課程的教材，也可以作為數據挖掘技術愛好者或從業者的入門參考書。
PYTHON數據挖掘實戰(微課版) 目錄
第 1章 緒論 1
1.1 數據挖掘概述 1
1.1.1 基本概念 1
1.1.2 數據挖掘的典型應用場景 3
1.1.3 數據挖掘的演化歷程 3
1.2 數據挖掘的一般流程 5
1.3 數據挖掘環境的配置 6
1.3.1 常用的數據挖掘工具 6
1.3.2 Anaconda 3下載和安裝 8
1.4 本章小結 11
習題 11
第 2章 Python數據挖掘模塊 12
2.1 NumPy 12
2.1.1 Ndarray的創建 13
2.1.2 Ndarray的屬性 16
2.1.3 索引和切片 17
2.1.4 排序 19
2.1.5 NumPy的數組運算 19
2.1.6 NumPy的統計函數 20
2.2 Pandas 21
2.2.1 Pandas的數據結構 21
2.2.2 查看和獲取數據 23
2.2.3 Pandas的算術運算 25
2.2.4 Pandas的匯總和描述性統計
函數 26
2.2.5 Pandas的其他常用函數 28
2.2.6 Pandas讀寫文件 31
2.3 Matplotlib 33
2.3.1 Matplotlib基本繪圖元素 33
2.3.2 常用的Matplotlib圖形繪制 37
2.4 Scikit-learn 40
2.5 本章小結 43
習題 43
第3章 數據探索 44
3.1 數據對象與特征 44
3.1.1 特征及其類型 44
3.1.2 離散和連續特征 45
3.2 數據統計描述 45
3.2.1 集中趨勢 46
3.2.2 離中趨勢 47
3.3 數據可視化 48
3.3.1 散點圖 48
3.3.2 箱線圖 50
3.3.3 頻率直方圖 51
3.3.4 柱狀圖 52
3.3.5 餅圖 53
3.3.6 散點圖矩陣 54
3.4 相關性和相似性度量 56
3.4.1 相關性度量 56
3.4.2 相似性度量 60
3.5 本章小結 63
習題 63
第4章 數據預處理 64
4.1 數據集成 64
4.2 數據清洗 68
4.2.1 重復值處理 68
4.2.2 缺失值處理 71
4.2.3 異常值處理 76
4.3 數據變換 77
4.3.1 數據規范化 77
4.3.2 數值特征的二值化和離散化 81
4.3.3 標稱特征的數值化處理 83
4.4 數據規約 85
4.4.1 樣本規約 86
4.4.2 維度規約 88
4.4.3 數據壓縮 90
4.5 本章小結 90
習題 91
第5章 特征選擇 92
5.1 特征選擇方法概述 92
5.2 過濾法 93
5.2.1 單變量過濾方法 93
5.2.2 多變量過濾方法 99
5.2.3 過濾法的優缺點 100
5.2.4 綜合實例 100
5.3 包裝法 102
5.3.1 遞歸特征消除 103
5.3.2 序列特征選擇 104
5.3.3 包裝法的優缺點 106
5.4 嵌入法 106
5.4.1 基于正則化線性模型的方法 107
5.4.2 基于樹模型的方法 109
5.4.3 嵌入法的優缺點 109
5.5 本章小結 110
習題 110
第6章 基礎分類模型及回歸模型 111
6.1 基本理論 111
6.1.1 分類模型 111
6.1.2 欠擬合和過擬合 112
6.1.3 二分類和多分類 112
6.1.4 線性及非線性分類器 113
6.2 樸素貝葉斯分類器 113
6.2.1 基本原理 113
6.2.2 基于Python的實現 115
6.3 k近鄰分類器 118
6.3.1 基本原理 118
6.3.2 基于Python的實現 119
6.4 決策樹 120
6.4.1 基本原理 120
6.4.2 屬性選擇方法 121
6.4.3 例子：計算信息增益 123
6.4.4 剪枝 124
6.4.5 基于CART決策樹的分類 125
6.4.6 進一步討論 127
6.5 人工神經網絡 127
6.5.1 人工神經網絡簡介 127
6.5.2 BP神經網絡 128
6.5.3 基于BP神經網絡的分類 131
6.6 支持向量機 132
6.6.1 支持向量機的原理 133
6.6.2 支持向量分類的Python
實現 137
6.7 模型的性能評價 138
6.7.1 分類模型的評價指標 138
6.7.2 模型的評估方法 140
6.8 案例：信用評分模型 143
6.8.1 案例描述 143
6.8.2 探索性數據分析和預處理 143
6.8.3 模型訓練與評估 146
6.9 回歸 148
6.9.1 線性回歸 148
6.9.2 CART決策樹回歸 150
6.9.3 BP神經網絡回歸 150
6.9.4 支持向量回歸 151
6.10 本章小結 152
習題 152
第7章 集成技術 153
7.1 基本集成技術 153
7.1.1 裝袋 153
7.1.2 提升 155
7.1.3 堆疊 157
7.1.4 集成技術的定性分析 160
7.2 隨機森林 161
7.2.1 工作原理 161
7.2.2 隨機森林的Python實現 161
7.3 提升樹 162
7.3.1 原理 162
7.3.2 提升樹的Python實現 164
7.4 案例：電信客戶流失預測 165
7.4.1 探索數據 165
7.4.2 模型性能比較 167
7.5 類不平衡問題 168
7.5.1 類不平衡處理方法 169
7.5.2 不平衡數據處理的Python
實現 171
7.6 本章小結 174
習題 174
第8章 聚類分析 175
8.1 聚類的基本原理 175
8.2 k-means算法 177
8.2.1 基本原理 177
8.2.2 進一步討論 179
8.2.3 基于Python的實現 180
8.2.4 k-means算法的優缺點 182
8.3 聚類算法的性能評價指標 183
8.3.1 內部度量指標 184
8.3.2 外部度量指標 184
8.3.3 基于Python的實現 187
8.4 DBSCAN算法 188
8.4.1 基本概念 188
8.4.2 DBSCAN聚類算法的原理 190
8.4.3 進一步討論 191
8.4.4 基于Python的實現 191
8.4.5 DBSCAN算法的優缺點 193
8.5 GMM聚類算法 195
8.5.1 基本原理 195
8.5.2 進一步討論 197
8.5.3 基于Python的實現 198
8.5.4 討論：優點和不足 200
8.6 本章小結 201
習題 201
第9章 關聯規則分析 202
9.1 概述 202
9.1.1 基本概念 202
9.1.2 關聯規則挖掘算法 204
9.2 Apriori算法生成頻繁項集 205
9.2.1 先驗原理 205
9.2.2 產生頻繁項集 205
9.2.3 生成關聯規則 207
9.2.4 基于Python的Apriori算法
實現 208
9.2.5 進一步討論 210
9.3 FP-growth算法 210
9.3.1 FP-tree的構建 211
9.3.2 挖掘主FP-tree和條件
FP-tree 213
9.3.3 基于Python的FP-growth算法實現 213
9.3.4 進一步討論 215
9.4 Eclat算法 215
9.4.1 事務數據集的表示方式 215
9.4.2 Eclat算法生成頻繁項集 215
9.4.3 基于Python的Eclat算法
實現 216
9.4.4 進一步討論 219
9.5 案例：網上零售購物籃分析 219
9.5.1 數據集及案例背景 219
9.5.2 探索性分析和數據預處理 220
9.5.3 使用Apriori算法挖掘關聯
規則 221
9.6 本章小結 223
習題 223
第 10章 時間序列挖掘 224
10.1 時間序列挖掘概述 224
10.1.1 時間序列挖掘的目的 224
10.1.2 時間序列挖掘的意義 224
10.1.3 時間序列挖掘的基本概念 225
10.2 時間序列預處理 226
10.2.1 常用序列特征統計量 226
10.2.2 平穩序列 227
10.2.3 平穩性檢驗 228
10.2.4 純隨機性檢驗 230
10.3 平穩非白噪聲序列建模 231
10.3.1 AR模型 231
10.3.2 MA模型 232
10.3.3 ARMA模型 232
10.3.4 建模過程 233
10.3.5 模型檢驗方法 233
10.4 非平穩序列建模 234
10.4.1 非平穩序列概述 234
10.4.2 差分運算 234
10.4.3 ARIMA模型 234
10.5 基于Python的ARIMA模型
實現 235
10.6 案例：基于ARIMA模型的
銷售額預測 236
10.7 本章小結 241
習題 241
第 11章 異常檢測 242
11.1 基于統計的異常檢測方法 243
11.1.1 基于一元正態分布的異常
檢測方法 243
11.1.2 基于多元正態分布的異常
檢測方法 245
11.1.3 基于Python的實現 245
11.2 基于聚類的異常檢測方法 247
11.2.1 基本原理 247
11.2.2 基于Python的實現 248
11.3 孤立森林方法 249
11.3.1 基本原理 249
11.3.2 基于Python的實現 251
11.4 本章小結 254
習題 254
第 12章 智能推薦 255
12.1 智能推薦概述 255
12.1.1 智能推薦定義 255
12.1.2 智能推薦場景 255
12.1.3 常用智能推薦技術 256
12.2 基于用戶的協同過濾技術 256
12.2.1 概述 256
12.2.2 常用的評價指標 257
12.2.3 基本過程描述 258
12.2.4 案例：使用基于用戶的協同
過濾方法進行電影推薦 261
12.3 基于物品的協同過濾技術 264
12.4 非負矩陣分解 265
12.4.1 基本原理 265
12.4.2 基于Python的實現 266
12.5 本章小結 269
習題 269
參考文獻 271
1.1 數據挖掘概述 1
1.1.1 基本概念 1
1.1.2 數據挖掘的典型應用場景 3
1.1.3 數據挖掘的演化歷程 3
1.2 數據挖掘的一般流程 5
1.3 數據挖掘環境的配置 6
1.3.1 常用的數據挖掘工具 6
1.3.2 Anaconda 3下載和安裝 8
1.4 本章小結 11
習題 11
第 2章 Python數據挖掘模塊 12
2.1 NumPy 12
2.1.1 Ndarray的創建 13
2.1.2 Ndarray的屬性 16
2.1.3 索引和切片 17
2.1.4 排序 19
2.1.5 NumPy的數組運算 19
2.1.6 NumPy的統計函數 20
2.2 Pandas 21
2.2.1 Pandas的數據結構 21
2.2.2 查看和獲取數據 23
2.2.3 Pandas的算術運算 25
2.2.4 Pandas的匯總和描述性統計
函數 26
2.2.5 Pandas的其他常用函數 28
2.2.6 Pandas讀寫文件 31
2.3 Matplotlib 33
2.3.1 Matplotlib基本繪圖元素 33
2.3.2 常用的Matplotlib圖形繪制 37
2.4 Scikit-learn 40
2.5 本章小結 43
習題 43
第3章 數據探索 44
3.1 數據對象與特征 44
3.1.1 特征及其類型 44
3.1.2 離散和連續特征 45
3.2 數據統計描述 45
3.2.1 集中趨勢 46
3.2.2 離中趨勢 47
3.3 數據可視化 48
3.3.1 散點圖 48
3.3.2 箱線圖 50
3.3.3 頻率直方圖 51
3.3.4 柱狀圖 52
3.3.5 餅圖 53
3.3.6 散點圖矩陣 54
3.4 相關性和相似性度量 56
3.4.1 相關性度量 56
3.4.2 相似性度量 60
3.5 本章小結 63
習題 63
第4章 數據預處理 64
4.1 數據集成 64
4.2 數據清洗 68
4.2.1 重復值處理 68
4.2.2 缺失值處理 71
4.2.3 異常值處理 76
4.3 數據變換 77
4.3.1 數據規范化 77
4.3.2 數值特征的二值化和離散化 81
4.3.3 標稱特征的數值化處理 83
4.4 數據規約 85
4.4.1 樣本規約 86
4.4.2 維度規約 88
4.4.3 數據壓縮 90
4.5 本章小結 90
習題 91
第5章 特征選擇 92
5.1 特征選擇方法概述 92
5.2 過濾法 93
5.2.1 單變量過濾方法 93
5.2.2 多變量過濾方法 99
5.2.3 過濾法的優缺點 100
5.2.4 綜合實例 100
5.3 包裝法 102
5.3.1 遞歸特征消除 103
5.3.2 序列特征選擇 104
5.3.3 包裝法的優缺點 106
5.4 嵌入法 106
5.4.1 基于正則化線性模型的方法 107
5.4.2 基于樹模型的方法 109
5.4.3 嵌入法的優缺點 109
5.5 本章小結 110
習題 110
第6章 基礎分類模型及回歸模型 111
6.1 基本理論 111
6.1.1 分類模型 111
6.1.2 欠擬合和過擬合 112
6.1.3 二分類和多分類 112
6.1.4 線性及非線性分類器 113
6.2 樸素貝葉斯分類器 113
6.2.1 基本原理 113
6.2.2 基于Python的實現 115
6.3 k近鄰分類器 118
6.3.1 基本原理 118
6.3.2 基于Python的實現 119
6.4 決策樹 120
6.4.1 基本原理 120
6.4.2 屬性選擇方法 121
6.4.3 例子：計算信息增益 123
6.4.4 剪枝 124
6.4.5 基于CART決策樹的分類 125
6.4.6 進一步討論 127
6.5 人工神經網絡 127
6.5.1 人工神經網絡簡介 127
6.5.2 BP神經網絡 128
6.5.3 基于BP神經網絡的分類 131
6.6 支持向量機 132
6.6.1 支持向量機的原理 133
6.6.2 支持向量分類的Python
實現 137
6.7 模型的性能評價 138
6.7.1 分類模型的評價指標 138
6.7.2 模型的評估方法 140
6.8 案例：信用評分模型 143
6.8.1 案例描述 143
6.8.2 探索性數據分析和預處理 143
6.8.3 模型訓練與評估 146
6.9 回歸 148
6.9.1 線性回歸 148
6.9.2 CART決策樹回歸 150
6.9.3 BP神經網絡回歸 150
6.9.4 支持向量回歸 151
6.10 本章小結 152
習題 152
第7章 集成技術 153
7.1 基本集成技術 153
7.1.1 裝袋 153
7.1.2 提升 155
7.1.3 堆疊 157
7.1.4 集成技術的定性分析 160
7.2 隨機森林 161
7.2.1 工作原理 161
7.2.2 隨機森林的Python實現 161
7.3 提升樹 162
7.3.1 原理 162
7.3.2 提升樹的Python實現 164
7.4 案例：電信客戶流失預測 165
7.4.1 探索數據 165
7.4.2 模型性能比較 167
7.5 類不平衡問題 168
7.5.1 類不平衡處理方法 169
7.5.2 不平衡數據處理的Python
實現 171
7.6 本章小結 174
習題 174
第8章 聚類分析 175
8.1 聚類的基本原理 175
8.2 k-means算法 177
8.2.1 基本原理 177
8.2.2 進一步討論 179
8.2.3 基于Python的實現 180
8.2.4 k-means算法的優缺點 182
8.3 聚類算法的性能評價指標 183
8.3.1 內部度量指標 184
8.3.2 外部度量指標 184
8.3.3 基于Python的實現 187
8.4 DBSCAN算法 188
8.4.1 基本概念 188
8.4.2 DBSCAN聚類算法的原理 190
8.4.3 進一步討論 191
8.4.4 基于Python的實現 191
8.4.5 DBSCAN算法的優缺點 193
8.5 GMM聚類算法 195
8.5.1 基本原理 195
8.5.2 進一步討論 197
8.5.3 基于Python的實現 198
8.5.4 討論：優點和不足 200
8.6 本章小結 201
習題 201
第9章 關聯規則分析 202
9.1 概述 202
9.1.1 基本概念 202
9.1.2 關聯規則挖掘算法 204
9.2 Apriori算法生成頻繁項集 205
9.2.1 先驗原理 205
9.2.2 產生頻繁項集 205
9.2.3 生成關聯規則 207
9.2.4 基于Python的Apriori算法
實現 208
9.2.5 進一步討論 210
9.3 FP-growth算法 210
9.3.1 FP-tree的構建 211
9.3.2 挖掘主FP-tree和條件
FP-tree 213
9.3.3 基于Python的FP-growth算法實現 213
9.3.4 進一步討論 215
9.4 Eclat算法 215
9.4.1 事務數據集的表示方式 215
9.4.2 Eclat算法生成頻繁項集 215
9.4.3 基于Python的Eclat算法
實現 216
9.4.4 進一步討論 219
9.5 案例：網上零售購物籃分析 219
9.5.1 數據集及案例背景 219
9.5.2 探索性分析和數據預處理 220
9.5.3 使用Apriori算法挖掘關聯
規則 221
9.6 本章小結 223
習題 223
第 10章 時間序列挖掘 224
10.1 時間序列挖掘概述 224
10.1.1 時間序列挖掘的目的 224
10.1.2 時間序列挖掘的意義 224
10.1.3 時間序列挖掘的基本概念 225
10.2 時間序列預處理 226
10.2.1 常用序列特征統計量 226
10.2.2 平穩序列 227
10.2.3 平穩性檢驗 228
10.2.4 純隨機性檢驗 230
10.3 平穩非白噪聲序列建模 231
10.3.1 AR模型 231
10.3.2 MA模型 232
10.3.3 ARMA模型 232
10.3.4 建模過程 233
10.3.5 模型檢驗方法 233
10.4 非平穩序列建模 234
10.4.1 非平穩序列概述 234
10.4.2 差分運算 234
10.4.3 ARIMA模型 234
10.5 基于Python的ARIMA模型
實現 235
10.6 案例：基于ARIMA模型的
銷售額預測 236
10.7 本章小結 241
習題 241
第 11章 異常檢測 242
11.1 基于統計的異常檢測方法 243
11.1.1 基于一元正態分布的異常
檢測方法 243
11.1.2 基于多元正態分布的異常
檢測方法 245
11.1.3 基于Python的實現 245
11.2 基于聚類的異常檢測方法 247
11.2.1 基本原理 247
11.2.2 基于Python的實現 248
11.3 孤立森林方法 249
11.3.1 基本原理 249
11.3.2 基于Python的實現 251
11.4 本章小結 254
習題 254
第 12章 智能推薦 255
12.1 智能推薦概述 255
12.1.1 智能推薦定義 255
12.1.2 智能推薦場景 255
12.1.3 常用智能推薦技術 256
12.2 基于用戶的協同過濾技術 256
12.2.1 概述 256
12.2.2 常用的評價指標 257
12.2.3 基本過程描述 258
12.2.4 案例：使用基于用戶的協同
過濾方法進行電影推薦 261
12.3 基于物品的協同過濾技術 264
12.4 非負矩陣分解 265
12.4.1 基本原理 265
12.4.2 基于Python的實現 266
12.5 本章小結 269
習題 269
參考文獻 271
展開全部
PYTHON數據挖掘實戰(微課版) 作者簡介
為高等院校計算機科學與技術、數據科學與大數據及相關專業的數據挖掘課程教材，也可作為數據挖掘相關從業者的參考用書。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
苦雨齋序跋文-周作人自編集
- >
我從未如此眷戀人間
- >
我與地壇
- >
龍榆生：詞曲概論/大家小書
- >
上帝之肋:男人的真實旅程
- >
經典常談
- >
推拿
本類暢銷
