Python機器學(xué)習(xí)一本通

第一篇 基礎(chǔ)入門篇
第1章 Python機器學(xué)習(xí)入門 1
1.1 　機器學(xué)習(xí)是人工智能的一個分支 2
1.1.1 什么是智能 2
1.1.2 智能的特點 4
1.1.3 人工智能及其研究內(nèi)容 5
1.1.4 人工智能的主要學(xué)派 7
1.1.5 人工智能的研究和應(yīng)用范疇 9
1.2 　理解機器學(xué)習(xí) 10
1.2.1 學(xué)習(xí)與機器學(xué)習(xí) 10
1.2.2 機器學(xué)習(xí)的分類 11
1.2.3 典型的機器學(xué)習(xí)方法 12
1.2.4 深度學(xué)習(xí) 17
1.3 　數(shù)據(jù)、大數(shù)據(jù)及其組織方式 18
1.3.1 數(shù)據(jù)及大數(shù)據(jù) 18
1.3.2 數(shù)據(jù)庫與數(shù)據(jù)倉庫 18
1.4 　機器學(xué)習(xí)的一般步驟 19
1.5 　本章小結(jié) 21
1.6 　習(xí)題 21
1.7 　高手點撥 21
第2章 設(shè)置機器學(xué)習(xí)的
環(huán)境 23
2.1 　機器學(xué)習(xí)工具及Python
Anaconda的安裝 24
2.1.1 機器學(xué)習(xí)工具 24
2.1.2 Python Anaconda 24
2.1.3 Python Anaconda版的安裝
和使用 28
2.1.4 機器學(xué)習(xí)庫scikit- learn 32
2.2 　環(huán)境測試 33
2.3 　綜合實例—第一個機器學(xué)習(xí)
實例 34
2.4 　本章小結(jié) 36
2.5 　習(xí)題 36
2.6 　高手點撥 36
第3章 Python機器學(xué)習(xí)
基礎(chǔ) 39
3.1 　NumPy數(shù)值計算基礎(chǔ) 40
3.2 　Matplotlib可視化基礎(chǔ) 59
3.2.1 matplotlib.pyplot繪圖元素和
基本流程 59
3.2.2 繪制散點圖 60
3.2.3 繪制折線圖和點線圖 62
3.2.4 繪制柱狀圖 64
3.2.5 繪制餅圖 67
3.2.6 繪制箱線圖 69
3.2.7 繪制直方圖 70
3.2.8 繪制子圖 71
3.3 　Seaborn統(tǒng)計數(shù)據(jù)可視化 72
3.3.1 特征關(guān)系可視化 73
3.3.2 特征分類別可視化 76
3.3.3 特征分布可視化 90
3.3.4 矩陣可視化 98
3.4 　訪問數(shù)據(jù)文件 101
3.4.1 NumPy訪問二進制文件 101
3.4.2 Pandas訪問文本文件 104
3.4.3 Pandas訪問Excel文件 107
3.5 　Pandas DataFrame操作 108
3.5.1 DataFrame對象及其屬性 108
3.5.2 使用字典方式訪問
DataFrame 110
3.5.3 使用屬性方式訪問
DataFrame 112
3.5.4 DataFrame訪問行的特殊方法 113
3.5.5 使用DataFrame.loc[ ],
DataFrame.iloc[ ]對
DataFrame進行切片 114
3.5.6 更改DataFrame中的數(shù)據(jù) 119
3.6 　綜合實例—iris數(shù)據(jù)集特征、
特征間關(guān)系及分類別分析 121
3.7 　本章小結(jié) 129
3.8 　習(xí)題 129
3.9 　高手點撥 130
第4章 統(tǒng)計分析數(shù)學(xué)基礎(chǔ)及
Python實現(xiàn) 131
4.1 　基本統(tǒng)計知識 132
4.1.1 中位數(shù)、眾數(shù)、極差 132
4.1.2 相關(guān)性、協(xié)方差、相關(guān)系數(shù)、
協(xié)方差矩陣 133
4.1.3 數(shù)據(jù)的分組聚合 135
4.1.4 數(shù)據(jù)透視表與交叉表 136
4.2 　NumPy統(tǒng)計分析 136
4.3 　Pandas統(tǒng)計分析 140
4.3.1 Pandas DataFrame描述性
統(tǒng)計 141
4.3.2 Pandas DataFrame數(shù)據(jù)
離散化 146
4.3.3 使用GroupBy拆分數(shù)據(jù)并
進行描述性統(tǒng)計 150
4.3.4 使用agg方法聚合數(shù)據(jù) 157
4.3.5 使用apply方法聚合數(shù)據(jù) 160
4.3.6 使用transform方法聚合
數(shù)據(jù) 161
4.3.7 使用pivot_table創(chuàng)建
透視表 163
4.3.8 使用crosstab創(chuàng)建交叉表 171
4.4 　綜合實例—iris數(shù)據(jù)集統(tǒng)計
分析 173
4.5 　本章小結(jié) 189
4.6 　習(xí)題 189
4.7 　高手點撥 190
第二篇 數(shù)據(jù)預(yù)處理篇
第5章 數(shù)據(jù)分析第一步—
產(chǎn)生和加載
數(shù)據(jù)集 191
5.1 　使用NumPy的函數(shù)產(chǎn)生模擬
數(shù)據(jù)集 192
5.2 　使用scikit-learn樣本生成器
生成數(shù)據(jù)集 198
5.3 　訪問scikit-learn自帶數(shù)據(jù)
文件 206
5.4 　訪問外部數(shù)據(jù)文件 210
5.5 　綜合實例—加載boston數(shù)據(jù)集、
另存為并重新訪問 211
5.6 　本章小結(jié) 214
5.7 　習(xí)題 215
5.8 　高手點撥 215
第6章 數(shù)據(jù)分析第二步—
數(shù)據(jù)預(yù)處理 217
6.1 　數(shù)據(jù)預(yù)處理的基礎(chǔ)知識 218
6.1.1 一般流程和常用方法 218
6.1.2 標(biāo)準(zhǔn)化和正則化 219
6.1.3 特征選擇 221
6.1.4 特征降維—主成分分析、
線性判別分析 222
6.1.5 Pandas與scikit- learn數(shù)據(jù)
預(yù)處理概述 227
6.2 　使用scikit-learn進行數(shù)據(jù)
預(yù)處理 228
6.2.1 使用sklearn對數(shù)據(jù)集進行
Z- score標(biāo)準(zhǔn)化 228
6.2.2 使用sklearn對數(shù)據(jù)集進行
極差標(biāo)準(zhǔn)化 232
6.2.3 使用sklearn對數(shù)據(jù)集
正則化 235
6.2.4 使用sklearn對數(shù)據(jù)集
二值化 238
6.2.5 使用sklearn進行缺失值
插補 239
6.2.6 使用sklearn對分類特征
編碼 240
6.3 　特征降維 242
6.3.1 PCA降維 242
6.3.2 LDA降維 247
6.3.3 TSNE降維 250
6.4 　綜合實例—breast_cancer
數(shù)據(jù)集預(yù)處理 253
6.5 　本章小結(jié) 258
6.6 　習(xí)題 259
6.7 　高手點撥 259
第三篇 機器學(xué)習(xí)算法篇
第7章 回歸分析 261
7.1 　回歸分析及常用方法 262
7.1.1 線性回歸 262
7.1.2 邏輯回歸 263
7.1.3 多項式回歸 263
7.1.4 逐步回歸 263
7.1.5 嶺回歸 263
7.1.6 套索回歸 264
7.1.7 彈性網(wǎng)絡(luò)回歸 264
7.2 　線性回歸理論基礎(chǔ) 264
7.3 　使用scikit-learn進行線性
回歸 266
7.4 　使用scikit-learn進行嶺回歸 271
7.5 　使用scikit-learn進行邏輯
回歸 274
7.6 　使用scikit-learn進行多項式
回歸 280
7.6.1 單特征數(shù)據(jù)集多項式回歸 280
7.6.2 多特征數(shù)據(jù)集多項式回歸 285
7.7 　綜合實例—波士頓房價數(shù)據(jù)集
回歸分析 291
7.8 　本章小結(jié) 295
7.9 　習(xí)題 296
7.10 　高手點撥 296
第8章 分類算法—決策樹
學(xué)習(xí) 297
8.1 　決策樹算法基礎(chǔ) 298
8.1.1 信息熵、信息增益、信息
增益率 298
8.1.2 決策樹算法 302
8.2 　使用scikit-learn進行決策樹
學(xué)習(xí) 303
8.3 　綜合實例—使用決策樹對鳶尾花
數(shù)據(jù)集iris進行分類 314
8.4 　本章小結(jié) 319
8.5 　習(xí)題 319
8.6 　高手點撥 320