Python機器學習編程與實戰
林耀進 張良均
- 出版商: 人民郵電
- 出版日期: 2020-07-01
- 定價: $299
- 售價: 7.0 折 $209
- 語言: 簡體中文
- 頁數: 272
- ISBN: 7115532532
- ISBN-13: 9787115532534
-
相關分類:
Machine Learning
立即出貨
相關主題
商品描述
本書採用常用技術與真實案例相結合的講解方式，深入淺出地介紹了Python機器學習應用的主要內容。全書共8章，內容包括Python概述、NumPy數值計算、pandas基礎、pandas進階、Matplotlib繪圖、scikit-learn、餐飲企業綜合分析與預測、通信運營商客戶流失分析與預測。前6章設置了選擇題、填空題和操作題，後兩章設置了操作題，希望通過練習和操作實踐，讀者可以鞏固所學的內容。
本書可以作為高校大數據或人工智能專業的教材，也可作為機器學習愛好者的自學用書。
作者簡介
张良均，高级信息系统项目管理师，泰迪杯全国大学生数据挖掘竞赛（www.tipdm.org）的发起人。华南师范大学、广东工业大学兼职教授，广东省工业与应用数学学会理事。兼有大型高科技企业和高校的工作经历，主要从事大数据挖掘及其应用的策划、研发及咨询培训。全国计算机技术与软件专业技术资格（水平）考试继续教育和CDA数据分析师培训讲师。发表数据挖掘相关论文数二十余篇，已取得国家发明专利12项，主编图书《神经网络实用教程》《数据挖掘:实用案例分析》《MATLAB数据分析与挖掘实战》等9本畅销图书，主持并完成科技项目9项。获得SAS、SPSS数据挖掘认证及Hadoop开发工程师证书，具有电力、电信、银行、制造企业、电子商务和电子政务的项目经验和行业背景。
目錄大綱
第 1章 Python概述 1
1.1 Python簡介 1
1.1.1 Python語言 1
1.1.2 Python與機器學習 1
1.1.3 Python環境配置 2
1.2 Python基礎知識 5
1.2.1 固定語法 5
1.2.2 運算符 6
1.2.3 數據類型 9
1.2.4 Python I/O 14
1.3 控制語句 17
1.3.1 條件語句 18
1.3.2 循環語句 20
1.4 函數 22
小結 25
課後習題 26
第 2章 NumPy數值計算 28
2.1 ndarray的創建與索引 28
2.1.1 創建ndarray 28
2.1.2 ndarray的索引和切片 33
2.2 ndarray的基礎操作 36
2.2.1 變換ndarray的形態 36
2.2.2 排序與搜索 42
2.3 ufunc 46
2.3.1 ufunc的廣播機制 46
2.3.2 常用ufunc運算 47
小結 54
課後習題 54
第3章 pandas基礎 56
3.1 pandas常用類 56
3.1.1 Series 56
3.1.2 DataFrame 60
3.1.3 Index 64
3.2 DataFrame基本操作 65
3.2.1 索引 66
3.2.2 排序 70
3.2.3 合並 73
3.3 其他數據類型操作 78
3.3.1 時間操作 78
3.3.2 文本操作 87
3.3.3 category操作 90
小結 93
課後習題 93
第4章 pandas進階 95
4.1 數據的讀取與寫出 95
4.1.1 CSV 95
4.1.2 Excel 97
4.1.3 數據庫 98
4.2 DataFrame進階 101
4.2.1 統計分析 101
4.2.2 分組運算 106
4.2.3 透視表和交叉表 111
4.3 數據準備 113
4.3.1 缺失值處理 113
4.3.2 重復數據處理 117
4.3.3 連續特徵離散化處理 118
4.3.4 啞變量處理 120
小結 122
課後習題 122
第5章 Matplotlib繪圖 124
5.1 Matplotlib繪圖基礎 124
5.1.1 編程風格 124
5.1.2 動態rc參數 128
5.2 分析特徵關系常用圖形 133
5.2.1 散點圖 133
5.2.2 折線圖 135
5.3 分析特徵內部數據狀態常用
圖形 137
5.3.1 直方圖與條形圖 138
5.3.2 餅圖 140
5.3.3 箱線圖 142
小結 144
課後習題 144
第6章 scikit-learn 146
6.1 數據準備 146
6.1.1 標準化 146
6.1.2 歸一化 149
6.1.3 二值化 150
6.1.4 獨熱編碼 151
6.2 降維 153
6.2.1 PCA 154
6.2.2 ICA 158
6.2.3 LDA 162
6.3 分類 166
6.3.1 Logistic回歸 166
6.3.2 SVM 171
6.3.3 決策樹 174
6.3.4 KNN 178
6.3.5 樸素貝葉斯 180
6.3.6 隨機森林 183
6.3.7 多層感知機 186
6.4 回歸 189
6.4.1 最小二乘回歸 191
6.4.2 嶺回歸 194
6.4.3 Lasso回歸 195
6.5 聚類 198
6.5.1 K-Means 199
6.5.2 層次聚類 202
6.5.3 DBSCAN 205
6.5.4 GMM 208
6.6 模型驗證 212
6.6.1 數據集劃分 212
6.6.2 交叉驗證 213
6.6.3 自動調參 214
6.6.4 模型評價 217
小結 221
課後習題 221
第7章 餐飲企業綜合分析與預測 225
7.1 餐飲企業需求分析 225
7.1.1 餐飲企業現狀與需求 225
7.1.2 餐飲企業數據基本狀況 226
7.1.3 餐飲企業數據分析的步驟與流程 227
7.2 數據準備 227
7.2.1 統計每日用餐人數與銷售額 227
7.2.2 數據預處理 229
7.3 使用K-Means算法進行客戶價值分析 231
7.3.1 構建RFM特徵 231
7.3.2 構建K-Means模型 233
7.3.3 K-Means模型結果分析 234
7.4 使用決策樹算法實現餐飲客戶流失預測 236
7.4.1 構建客戶流失特徵 236
7.4.2 構建客戶流失預測模型 238
7.4.3 分析決策樹模型結果 239
小結 240
課後習題 240
第8章 通信運營商用戶流失分析與預測 242
8.1 通信運營商用戶流失需求分析 242
8.1.1 通信運營商現狀與需求 242
8.1.2 通信運營商數據基本情況 242
8.1.3 通信運營商用戶流失分析與預測的步驟與流程 243
8.2 數據準備 244
8.2.1 數據去重與降維 244
8.2.2 數據清洗 245
8.2.3 數據合並 247
8.3 特徵工程 251
8.3.1 獨熱編碼 251
8.3.2 合並預處理後的數據集 252
8.4 使用MLP算法實現通信運營商用戶流失預測 253
8.4.1 數據集劃分與數據標準化 253
8.4.2 構建用戶流失預測模型 255
8.4.3 模型評價 255
小結 256
課後習題 256
