logo
分类于: 计算机基础 云计算&大数据 人工智能

简介

Python数据挖掘与机器学习实战

Python数据挖掘与机器学习实战 0.0分

资源最后更新于 2020-03-29 02:45:34

作者:方巍

出版社:出版社机械工业出版社

出版日期:2019-05

ISBN:9787111626817

文件格式: pdf

标签: 计算机 编程语言 程序设计 机器学习 Python

简介· · · · · ·

第1章主要对机器学习的基本概念进行了概述,介绍了5种Python开发工具,分别是IDLE、IPython、PyCharm、Jupyter Notebook、Anaconda和Spyder,对它们的特点进行了阐述,并选择Anaconda和Spyder作为本书的开发工具。第2章主要介绍了Python开发环境、计算规则与变量,并详细介绍了Python常用的数据类型,分别是字符串、列表、元组和字典;还介绍了爬虫的基本原理,其中重点介绍了Scrapy框架和XPath工具,并且以票务网为例实现了网站票务信息的爬取。第3章首先介绍了数据挖掘中的回归分析和线性回归的基本概念,然后介绍了如何使用一元线性回归求解房价预测的问题,最后介绍了使用多元线性回归进行商品价格的预测。本章通过环境检测数据异常分析与预测这个实验,对逻辑回归做出了具体的表现分析……方巍编著
直接下载

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

  1. 前言
  2. 第1章 机器学习基础
  3. 1.1 机器学习概述
  4. 1.2 机器学习的发展历程
  5. 1.3 机器学习分类
  6. 1.4 机器学习的应用
  7. 1.5 开发机器学习的步骤
  8. 1.6 Python语言的优势
  9. 1.7 Python开发工具介绍
  10. 1.8 本章小结
  11. 第2章 Python语言简介
  12. 2.1 搭建Python开发环境
  13. 2.2 Python计算与变量
  14. 2.3 Python的字符串
  15. 2.4 Python的列表
  16. 2.5 Python的元组
  17. 2.6 Python的字典
  18. 2.7 网络爬虫的发展历史和分类
  19. 2.8 网络爬虫的原理
  20. 2.9 爬虫框架介绍
  21. 2.10 网络爬虫的设计与实现
  22. 2.11 本章小结
  23. 第3章 回归分析
  24. 3.1 回归分析概述
  25. 3.2 线性回归
  26. 3.3 用Python实现一元线性回归
  27. 3.4 用Python实现多元线性回归
  28. 3.5 基于线性回归的股票预测
  29. 3.6 逻辑回归
  30. 3.7 基于逻辑回归的环境数据检测
  31. 3.8 本章小结
  32. 第4章 决策树与随机森林
  33. 4.1 决策树
  34. 4.2 使用决策树对鸢尾花分类
  35. 4.3 随机森林
  36. 4.4 葡萄酒数据集的随机森林分类
  37. 4.5 本章小结
  38. 第5章 支持向量机
  39. 5.1 SVM的工作原理及分类
  40. 5.2 核函数
  41. 5.3 SVR简介
  42. 5.4 时间序列曲线预测
  43. 5.5 本章小结
  44. 第6章 隐马尔可夫模型
  45. 6.1 隐马尔可夫模型简介
  46. 6.2 Viterbi算法
  47. 6.3 HMM模型用于中文分词
  48. 6.4 本章小结
  49. 第7章 BP神经网络模型
  50. 7.1 背景介绍
  51. 7.2 结构特点
  52. 7.3 网络模型
  53. 7.4 人工神经网络简介
  54. 7.5 BP神经网络
  55. 7.6 通过TensorFlow实现BP神经网络
  56. 7.7 本章小结
  57. 第8章 卷积神经网络
  58. 8.1 传统图像识别技术
  59. 8.2 卷积神经网络简介
  60. 8.3 卷积神经网络的结构及原理
  61. 8.4 卷积神经网络的优点
  62. 8.5 雷达剖面图识别模型
  63. 8.6 模型测试分析
  64. 8.7 本章小结
  65. 第9章 循环神经网络
  66. 9.1 自然语言处理
  67. 9.2 对话系统
  68. 9.3 基于LSTM结构的循环神经网络
  69. 9.4 Seq2Seq模型
  70. 9.5 聊天机器人的程序实现
  71. 9.6 本章小结
  72. 第10章 聚类与集成算法
  73. 10.1 聚类方法简介
  74. 10.2 聚类算法
  75. 10.3 K-Means算法
  76. 10.4 K-Means++算法
  77. 10.5 K-Means++的实现
  78. 10.6 Adaboost集成算法的原理
  79. 10.7 Adaboost算法实现
  80. 10.8 本章小结
  81. 第11章 其他机器学习算法
  82. 11.1 贝叶斯分类器
  83. 11.2 贝叶斯分类模型
  84. 11.3 朴素贝叶斯分类器在破产预测中的应用
  85. 11.4 在线学习
  86. 11.5 Bandit在线学习算法
  87. 11.6 Bandit算法原理及实现
  88. 11.7 GAN网络
  89. 11.8 DCGAN网络
  90. 11.9 DCGAN人脸生成
  91. 11.10 本章小结
  92. 附录A 机器学习常见试题
  93. 附录B 数学基础
  94. B.1 常用符号
  95. B.2 数学基础知识
  96. 参考文献