欧美一级黄色电影一区二区三区,中文字幕三级人妻无码视频,丝袜高跟美女国产一区二区

內容簡介

　　隨著大數(shù)據(jù)的興起，Python 和機器學習迅速成為時代的寵兒。本書在內容編排上避免了枯燥的理論知識講解，依循“理論簡述——實際數(shù)據(jù)集——Python 程序實現(xiàn)算法”分析數(shù)據(jù)的思路，根據(jù)實際數(shù)據(jù)集的分析目的，采用合適的主流機器學習算法來解決問題。全書共12章，其中第1 ～ 4 章介紹了機器學習的基礎知識；第5 ～ 12 章討論了在面對不同的數(shù)據(jù)時，如何采用一些主流的算法來解決問題，主要包括回歸分析、關聯(lián)規(guī)則、無監(jiān)督學習、文本LDA 模型、決策樹和集成學習、樸素貝葉斯和K 近鄰分類、支持向量機和神經(jīng)網(wǎng)絡，以及深度學習入門等內容。針對每個算法，都給出Python 代碼實現(xiàn)算法建模的過程，并結合可視化技術，幫助讀者更好地理解算法和分析結果。《Python 在機器學習中的應用》是使用Python 進行機器學習的入門實戰(zhàn)教程，可作為以Python 為基礎進行機器學習的本科生和研究生入門書籍，也可供對Python 機器學習感興趣的研究人員參考閱讀。

作者簡介

　　余本國，博士，碩士研究生導師。于中北大學理學系任教，主講線性代數(shù)、微積分、Python語言、大數(shù)據(jù)分析基礎等課程。2012年到加拿大York University做訪問學者。出版有《Python數(shù)據(jù)分析基礎》《基于Python的大數(shù)據(jù)分析基礎及實戰(zhàn)》等著作。

圖書目錄

第1 章機器學習簡介
1.1 機器學習的任務
1.2 機器學習的三種方式
1.3 機器學習系統(tǒng)的建立
1.4 機器學習實例
第2 章 Python 常用庫介紹
2.1 Python 的安裝(Anaconda)
2.1.1 Spyder
2.1.2 Jupyter Notebook
2.2 Python 常用庫
2.2.1 Numpy 庫
2.2.2 Pandas 庫
2.2.3 Matplotlib 庫
2.2.4 Statsmodels 庫
2.2.5 Scikit-learn 庫
2.3 其他Python 常用的數(shù)據(jù)庫
2.4 Python 各種庫在機器學習中的應用
第3 章數(shù)據(jù)的準備和探索
3.1 數(shù)據(jù)預處理
3.2 數(shù)據(jù)假設檢驗
3.3 數(shù)據(jù)間的關系
3.4 數(shù)據(jù)可視化
3.5 特征提取和降維
第4 章模型訓練和評估
4.1 模型訓練技巧
4.2 分類效果的評價
4.3 回歸模型評價
4.4 聚類分析評估
第5 章回歸分析
5.1 回歸分析簡介
5.2 多元線性回歸分析
5.2.1 多元線性回歸
5.2.2 逐步回歸
5.3 Lasso 回歸分析
5.4 Logistic 回歸分析
5.5 時間序列預測
第6 章關聯(lián)規(guī)則
6.1 關聯(lián)規(guī)則簡介
6.2 使用關聯(lián)規(guī)則找到問卷的規(guī)則
6.3 關聯(lián)規(guī)則可視化
第7 章無監(jiān)督學習
7.1 無監(jiān)督學習介紹
7.2 系統(tǒng)聚類
7.3 K- 均值聚類
7.4 密度聚類
7.5 Mean Shift 聚類
7.6 字典學習圖像去噪
第8 章文本LDA 模型
8.1 文本分析簡介
8.2 中文分詞
8.3 LDA 主題模型分析《紅樓夢》
8.4 紅樓夢人物關系
第9 章決策樹和集成學習
9.1 模型簡介
9.2 泰坦尼克號數(shù)據(jù)預處理
9.3 決策樹模型
9.4 決策樹剪枝
9.5 隨機森林模型
9.6 AdaBoost 模型
第10 章樸素貝葉斯和K近鄰分類
10.1 模型簡介
10.2 垃圾郵件數(shù)據(jù)預處理
10.3 貝葉斯模型識別垃圾郵件
10.4 基于異常值檢測的垃圾郵件查找
10.4.1 PCA 異常值檢測
10.4.2 Isolation Forest 異常值檢測
10.5 數(shù)據(jù)不平衡問題的處理
10.6 K 近鄰分類
第11 章支持向量機和神經(jīng)網(wǎng)絡
11.1 模型簡介
11.2 肺癌數(shù)據(jù)可視化
11.3 支持向量機模型
11.4 全連接神經(jīng)網(wǎng)絡
第12 章深度學習入門
12.1 深度學習介紹
12.2 卷積和池化
12.3 CNN 人臉識別
12.4 CNN 人臉檢測
12.5 深度卷積圖像去噪
12.5.1 空洞卷積
12.5.2 圖像與圖像塊的相互轉換
12.5.3 一種深度學習去噪方法