機器學習實戰:基於Python SKlearn的解析

第1章基礎準備
1.1機器學習
1.1.1機器學習概述
1.1.2機器學習任務
1.1.3機器學習經驗
1.1.4機器學習性能
1.2Python編程
1.2.1Python
1.2.2NumPy和SciPy
1.2.3Matplotlib
1.2.4Pandas
1.2.5SKlearm
1.2.6Yellowbrick
1.3Python環境配置
1.3.1安裝Anaconda
1.3.2運行JupyterNotebook
第2章數據探索
2.1數據讀取和保存
2.1.1TXT數據
2.1.2CSV數據
2.1.3XLS數據
2.1.4SOL數據
2.1.5NOSOL數據
2.2數據特徵分析
2.2.1描述性統計
2.2.2分佈分析
2.2.3對比分析
2.2.4相關性分析
第3章數據預處理
3.1數據清洗
3.1.1缺失值處理
3.1.2異常值處理
3.1.3數據一致性處理
3.2數據變換
3.2.1二元化
3.2.2獨熱碼
3.2.3標準化
3.2.4正則化
3.2.5數據變換應用
3.3數據降維
3.3.1主成分分析
3.3.2線性判別分析
3.3.3多維縮放降維
3.3.4流形學習
3.4特徵選取
3.4.1過濾式特徵選取
3.4.2包裹式特徵選取
3.4.3嵌入式特徵選取
3.5數據降維與特徵選取的差別
第4章機器學習模型
4.1線性模型
4.1.1線性回歸模型
4.1.2邏輯回歸模型
4.2決策樹
4.2.1回歸決策樹
4.2.2分類決策樹
4.3貝葉斯分類器
4.3.1高斯貝葉斯分類器
4.3.2多項式貝葉斯分類器
4.3.3伯努利貝葉斯分類器
4.4KNN
4.4.1KNN分類
4.4.2KNN回歸
4.5聚類
4.5.1K均值聚類
4.5.2密度聚類
4.5.3層次聚類
4.5.4高斯混合聚類
4.6支持向量機
4.6.1線性分類
4.6.2非線性分類
4.6.3線性回歸
4.6.4非線性回歸
第5章集成學習
5.1常用的集成學習方法——AdaBoost
5.1.1分類
5.1.2回歸
5.2梯度提升樹
5.2.1GBDT算法的分類類——GradientBoostingClassifier
5.2.2GBDT算法的回歸類——GradientBoostingRegressor
5.3隨機森林
5.3.1RandomForestClassifier模型
5.3.2RandomForestRegressor模型
第6章模型評估及持久化
6.1損失函數
6.1.10-1損失
6.1.2對數損失
6.2數據切分
6.2.1train-test-split()方法
6.2.2KFold()方法
6.2.3StratifiedKFold()方法
6.2.4LeaveOneOut()方法
6.2.5crossVal-score()方法
6.3性能度量
6.4參數優化
6.5模型持久化
第7章項目實踐
7.1工程應用場景
7.1.1可行性研究階段
7.1.2設計階段
7.1.3施工階段
7.1.4監理監測
7.1.5運營維護
7.2邊坡穩定性預測
7.2.1數據探索
7.2.2數據預處理
7.2.3模型選擇
7.2.4模型評估
7.2.5模型持久化
7.3地質物探預測
7.3.1數據探索
7.3.2數據預處理
7.3.3集成學習
7.3.4模型評估
7.3.5模型持久化
7.4隧道岩爆分級預測
7.4.1數據探索
7.4.2數據預處理
7.4.3集成學習
7.4.4模型評估
7.4.5模型持久化
7.5混凝土強度預測
7.5.1數據探索
7.5.2數據預處理
7.5.3模型選擇
7.5.4參數優化
7.5.5模型持久化
7.6膨脹土膨脹性等級分類
7.6.1數據探索
7.6.2數據預處理
7.6.3分類簇數選擇
7.6.4模型評估
7.6.5模型持久化