中圖網(wǎng)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(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Python數(shù)據(jù)挖掘與機器學習 第2版·微課視頻版 版權(quán)信息
- ISBN：9787302663416
- 條形碼：9787302663416 ; 978-7-302-66341-6
- 裝幀：暫無
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python數(shù)據(jù)挖掘與機器學習 第2版·微課視頻版 本書特色
本書特色：（1）面向數(shù)據(jù)挖掘與機器學習兩大領(lǐng)域，內(nèi)容全面且前沿；（2）理論講解深入淺出并結(jié)合案例驅(qū)動，易于閱讀和理解。（3）以Python實現(xiàn)數(shù)據(jù)挖掘?qū)嵗軌蚩焖偕鲜植嵺`。本書配套資源豐富，包括教學大綱、教學課件、電子教案、程序源碼、教學進度表、在線題庫和習題答案、650分鐘的視頻講解。
Python數(shù)據(jù)挖掘與機器學習 第2版·微課視頻版 內(nèi)容簡介
本書主要介紹數(shù)據(jù)挖掘與機器學習的基本概念和方法，包括緒論、Python數(shù)據(jù)分析與挖掘
基礎(chǔ)、
認識數(shù)據(jù)、數(shù)據(jù)預處理、
回歸
分析、關(guān)聯(lián)規(guī)則挖掘、分類、聚類、神經(jīng)網(wǎng)絡(luò)與深度學習、離群點檢測
、文本和時序數(shù)據(jù)挖掘、數(shù)據(jù)挖掘案例
等內(nèi)容。
各章力求原理敘述清晰，易于理解，突出理論聯(lián)系實際，
輔以Python代碼實踐與指導，引領(lǐng)讀者更好地理解與應(yīng)用算法，快速邁進數(shù)據(jù)挖掘領(lǐng)域
，掌握機器學習算法的理論和應(yīng)用。
本書可作為高等學校計算機科學與技術(shù)、數(shù)據(jù)科學與大數(shù)據(jù)技術(shù)等相關(guān)專業(yè)的教材，也可作為科研人員、工程師和大數(shù)據(jù)愛好者的參考書。
Python數(shù)據(jù)挖掘與機器學習 第2版·微課視頻版 目錄
目錄
掃一掃
源碼下載
第1章緒論
1.1數(shù)據(jù)挖掘簡介
1.2數(shù)據(jù)分析與數(shù)據(jù)挖掘
1.3數(shù)據(jù)挖掘的主要任務(wù)
1.3.1關(guān)聯(lián)分析
1.3.2數(shù)據(jù)建模預測
1.3.3聚類分析
1.3.4離群點檢測
1.4數(shù)據(jù)挖掘的數(shù)據(jù)源
1.4.1數(shù)據(jù)庫數(shù)據(jù)
1.4.2數(shù)據(jù)倉庫
1.4.3事務(wù)數(shù)據(jù)庫
1.4.4其他類型數(shù)據(jù)
1.5數(shù)據(jù)挖掘使用的技術(shù)
1.5.1統(tǒng)計學
1.5.2機器學習
1.5.3數(shù)據(jù)庫管理系統(tǒng)與數(shù)據(jù)倉庫
1.6數(shù)據(jù)挖掘存在的主要問題
1.7數(shù)據(jù)挖掘建模的常用工具
1.7.1商用工具
1.7.2開源工具
1.8為何選用Python進行數(shù)據(jù)挖掘
1.9Python數(shù)據(jù)挖掘常用庫
1.10Jupyter Notebook的使用
1.11小結(jié)
習題1
第2章Python數(shù)據(jù)分析與挖掘基礎(chǔ)
2.1Python程序概述
2.1.1基礎(chǔ)數(shù)據(jù)類型
2.1.2變量和賦值
2.1.3運算符和表達式
2.1.4字符串
2.1.5流程控制
2.1.6函數(shù)
2.2內(nèi)建數(shù)據(jù)結(jié)構(gòu)
2.2.1列表
2.2.2元組
2.2.3字典
2.2.4集合
2.3NumPy數(shù)值運算基礎(chǔ)
2.3.1創(chuàng)建數(shù)組對象
2.3.2ndarray對象屬性和數(shù)據(jù)轉(zhuǎn)換
2.3.3生成隨機數(shù)
2.3.4數(shù)組變換
2.3.5數(shù)組的索引和切片
2.3.6數(shù)組的運算
2.3.7NumPy中的數(shù)據(jù)統(tǒng)計與分析
2.4Pandas統(tǒng)計分析基礎(chǔ)
2.4.1Pandas中的數(shù)據(jù)結(jié)構(gòu)
2.4.2索引對象
2.4.3查看DataFrame的常用屬性
2.4.4DataFrame的數(shù)據(jù)查詢與編輯
2.4.5Pandas數(shù)據(jù)運算
2.4.6函數(shù)應(yīng)用與映射
2.4.7排序
2.4.8匯總與統(tǒng)計
2.4.9數(shù)據(jù)分組與聚合
2.4.10Pandas數(shù)據(jù)讀取與存儲
2.5Matplotlib圖表繪制基礎(chǔ)
2.5.1Matplotlib簡介
2.5.2Matplotlib繪圖基礎(chǔ)
2.5.3設(shè)置pyplot的動態(tài)rc參數(shù)
2.5.4文本注解
2.5.5pyplot中的常用繪圖
2.6scikitlearn
2.6.1scikitlearn簡介
2.6.2scikitlearn中的數(shù)據(jù)集
2.6.3scikitlearn的主要功能
2.7小結(jié)
習題2
本章實訓： 體檢數(shù)據(jù)分析與可視化
第3章認識數(shù)據(jù)
3.1屬性及其類型
3.1.1屬性
3.1.2屬性類型
3.2數(shù)據(jù)的基本統(tǒng)計描述
3.2.1中心趨勢度量
3.2.2數(shù)據(jù)散布度量
3.3數(shù)據(jù)可視化
3.3.1基于像素的可視化技術(shù)
3.3.2幾何投影可視化技術(shù)
3.3.3基于圖符的可視化技術(shù)
3.3.4層次可視化技術(shù)
3.3.5可視化復雜對象和關(guān)系
3.3.6高維數(shù)據(jù)可視化
3.3.7Python可視化
3.4數(shù)據(jù)對象的相似性度量
3.4.1數(shù)據(jù)矩陣和相異性矩陣
3.4.2標稱屬性的相似性度量
3.4.3二元屬性的相似性度量
3.4.4數(shù)值屬性的相似性度量
3.4.5序數(shù)屬性的相似性度量
3.4.6混合類型屬性的相似性
3.4.7余弦相似性
3.4.8距離度量Python實現(xiàn)
3.5小結(jié)
習題3
本章實訓： 數(shù)據(jù)探索性分析
第4章數(shù)據(jù)預處理
4.1數(shù)據(jù)預處理的必要性
4.1.1原始數(shù)據(jù)中存在的問題
4.1.2數(shù)據(jù)質(zhì)量要求
4.2數(shù)據(jù)清洗
4.2.1數(shù)據(jù)清洗方法
4.2.2利用Pandas進行數(shù)據(jù)清洗
4.3數(shù)據(jù)集成
4.3.1數(shù)據(jù)集成過程中的關(guān)鍵問題
4.3.2利用Pandas合并數(shù)據(jù)
4.4數(shù)據(jù)標準化
4.4.1離差標準化數(shù)據(jù)
4.4.2標準差標準化數(shù)據(jù)
4.5數(shù)據(jù)歸約
4.5.1維歸約
4.5.2數(shù)量歸約
4.5.3數(shù)據(jù)壓縮
4.6數(shù)據(jù)變換與數(shù)據(jù)離散化
4.6.1數(shù)據(jù)變換的策略
4.6.2Python數(shù)據(jù)變換與離散化
4.7利用scikitlearn進行數(shù)據(jù)預處理
4.8小結(jié)
習題4
本章實訓： 用電量數(shù)據(jù)預處理
第5章回歸分析
5.1回歸分析概述
5.1.1回歸分析的定義與分類
5.1.2回歸分析的過程
5.1.3回歸算法的評價
5.2一元線性回歸分析
5.2.1一元線性回歸方法
5.2.2一元線性回歸模型的參數(shù)估計
5.2.3一元線性回歸模型的誤差方差估計
5.2.4一元回歸模型的主要統(tǒng)計檢驗
5.2.5一元線性回歸的Python實現(xiàn)
5.3多元線性回歸
5.3.1多元線性回歸模型
5.3.2多元線性回歸模型的參數(shù)估計
5.3.3多元線性回歸的假設(shè)檢驗及其評價
5.3.4多元線性回歸的Python實現(xiàn)
5.4邏輯回歸
5.4.1邏輯回歸模型
5.4.2邏輯回歸的Python實現(xiàn)
5.5其他回歸分析
5.5.1多項式回歸
5.5.2嶺回歸
5.5.3Lasso回歸
5.5.4彈性網(wǎng)絡(luò)回歸
5.5.5逐步回歸
5.6小結(jié)
習題5
本章實訓： 糖尿病數(shù)據(jù)的回歸分析
第6章關(guān)聯(lián)規(guī)則挖掘
6.1關(guān)聯(lián)規(guī)則分析概述
6.2頻繁項集、閉項集和關(guān)聯(lián)規(guī)則
6.3頻繁項集挖掘方法
6.3.1Apriori算法
6.3.2由頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)則
6.3.3提高Apriori算法的效率
6.3.4頻繁模式增長算法
6.3.5使用垂直數(shù)據(jù)格式挖掘頻繁項集
6.4關(guān)聯(lián)模式評估方法
6.4.1強關(guān)聯(lián)規(guī)則不一定是有趣的
6.4.2從關(guān)聯(lián)分析到相關(guān)分析
6.5Apriori算法應(yīng)用
6.6小結(jié)
習題6
本章實訓： 毒蘑菇特征分析
第7章分類
7.1分類概述
7.2決策樹歸納
7.2.1決策樹 理
7.2.2ID3算法
7.2.3C4.5算法
7.2.4CART算法
7.2.5樹剪枝
7.2.6決策樹應(yīng)用
7.3K近鄰算法
7.3.1算法原理
7.3.2Python算法實現(xiàn)
7.4支持向量機
7.4.1算法原理
7.4.2Python算法實現(xiàn)
7.5貝葉斯分類方法
7.5.1算法原理
7.5.2樸素貝葉斯分類
7.5.3高斯樸素貝葉斯分類
7.5.4多項式樸素貝葉斯分類
7.5.5樸素貝葉斯分類應(yīng)用
7.6模型評估與選擇
7.6.1分類器性能的度量
7.6.2模型選擇
7.7組合分類
7.7.1組合分類方法簡介
7.7.2袋裝
7.7.3提升和AdaBoost
7.7.4隨機森林
7.8小結(jié)
習題7
本章實訓： 乳腺癌預測
第8章聚類
8.1聚類分析概述
8.1.1聚類分析的概念
8.1.2聚類算法分類
8.2KMeans聚類
8.2.1算法原理
8.2.2算法改進
8.2.3KMeans算法實現(xiàn)
8.3層次聚類
8.3.1算法原理
8.3.2簇間的距離度量
8.3.3凝聚層次聚類
8.3.4分裂層次聚類
8.3.5層次聚類應(yīng)用
8.4基于密度的聚類
8.4.1算法原理
8.4.2算法改進
8.4.3DBSCAN算法實現(xiàn)
8.5其他聚類方法
8.5.1STING聚類
8.5.2概念聚類
8.5.3模糊聚類
8.5.4高斯混合模型聚類
8.5.5近鄰傳播聚類
8.6聚類評估
8.6.1聚類趨勢的估計
8.6.2聚類簇數(shù)的確定
8.6.3聚類質(zhì)量的測定
8.7小結(jié)
習題8
本章實訓： 鳶尾花數(shù)據(jù)聚類分析
第9章神經(jīng)網(wǎng)絡(luò)與深度學習
9.1神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
9.1.1神經(jīng)元模型
9.1.2感知機與多層網(wǎng)絡(luò)
9.2BP神經(jīng)網(wǎng)絡(luò)
9.2.1多層前饋神經(jīng)網(wǎng)絡(luò)
9.2.2后向傳播算法
9.2.3BP神經(jīng)網(wǎng)絡(luò)應(yīng)用
9.3深度學習
9.3.1深度學習概述
9.3.2常用的深度學習算法
9.4小結(jié)
習題9
本章實訓： 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)鳶尾花分類
0章離群點檢測
10.1離群點概述
10.1.1離群點的概念
10.1.2離群點的類型
10.1.3離群點檢測的挑戰(zhàn)
10.2離群點的檢測
10.2.1基于統(tǒng)計學的離群點檢測
10.2.2基于鄰近性的離群點檢測
10.2.3基于聚類的離群點檢測
10.2.4基于分類的離群點檢測
10.3scikitlearn中的異常檢測方法
10.4小結(jié)
習題10
本章實訓： 離群點檢測
1章文本和時序數(shù)據(jù)挖掘
11.1文本數(shù)據(jù)挖掘
11.1.1文本挖掘概述
11.1.2文本挖掘的過程與任務(wù)
11.1.3文本分析與挖掘的主要方法
11.2時序數(shù)據(jù)挖掘
11.2.1時間序列和時間序列數(shù)據(jù)分析
11.2.2時間序列平穩(wěn)性和隨機性判定
11.2.3自回歸滑動平均模型（ARMA）
11.2.4差分整合移動平均自回歸模型（ARIMA）
11.2.5季節(jié)性差分自回歸移動平均模型（SARIMA）
11.3小結(jié)
習題11
2章數(shù)據(jù)挖掘案例
12.1泰坦尼克號乘客生還預測
12.2使用邏輯回歸、SVM和BP神經(jīng)網(wǎng)絡(luò)進行手寫體數(shù)字識別
12.3客戶數(shù)據(jù)聚類分析
12.4圖像的聚類分割
12.5小結(jié)
參考文獻
展開全部
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
回憶愛瑪儂
- >
二體千字文
- >
詩經(jīng)-先民的歌唱
- >
我與地壇
- >
山海經(jīng)
- >
我從未如此眷戀人間
- >
龍榆生：詞曲概論/大家小書
本類暢銷
