書(shū)馨卡幫你省薪 2024個(gè)人購(gòu)書(shū)報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析

Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析

作者：薛薇等著
出版社：機(jī)械工業(yè)出版社出版時(shí)間：2021-03-01
開(kāi)本： 24cm 頁(yè)數(shù)： 11,399頁(yè)
中 圖 價(jià):¥61.4(6.2折) 定價(jià)  ¥99.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書(shū)更多>
買過(guò)本商品的人還買了

Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析 版權(quán)信息

Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析 本書(shū)特色

適讀人群 ：本書(shū)既可以作為數(shù)據(jù)分析從業(yè)人員的參考書(shū)，也可作為高等院校數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等專業(yè)課程的教材。配套資源：電子課件、案例程序源代碼、案例數(shù)據(jù)集 本書(shū)特色： 系統(tǒng)介紹Python用于機(jī)器學(xué)習(xí)的數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、數(shù)據(jù)可視化相關(guān)庫(kù)。 結(jié)合大量實(shí)例透徹講解各類機(jī)器學(xué)習(xí)算法在數(shù)據(jù)建模、數(shù)據(jù)分析中的應(yīng)用。 全彩呈現(xiàn)數(shù)據(jù)建模可視化圖像，提供配套數(shù)據(jù)集、源代碼、PPT等學(xué)習(xí)資源。

Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析 內(nèi)容簡(jiǎn)介

本書(shū)共13章, 對(duì)機(jī)器學(xué)習(xí)的原理部分進(jìn)行了講解, 對(duì)機(jī)器學(xué)習(xí)算法部分均進(jìn)行了Python實(shí)現(xiàn)。除前兩章外, 各章都給出了可實(shí)現(xiàn)的實(shí)踐案例, 并全彩呈現(xiàn)數(shù)據(jù)可視化圖形。

Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析 目錄

目錄


前言

第1章 機(jī)器學(xué)習(xí)概述 1

1.1 機(jī)器學(xué)習(xí)的發(fā)展：人工智能中的

機(jī)器學(xué)習(xí) 1

1.2 機(jī)器學(xué)習(xí)的核心：數(shù)據(jù)和數(shù)據(jù)建模 4

1.3 機(jī)器學(xué)習(xí)的典型應(yīng)用 11

【本章總結(jié)】 16

【本章習(xí)題】 17

第2章 Python機(jī)器學(xué)習(xí)基礎(chǔ) 18

2.1 Python：機(jī)器學(xué)習(xí)的首選工具 18

2.2 Python的集成開(kāi)發(fā)環(huán)境：

Anaconda 19

2.3 Python第三方包的引用 24

2.4 NumPy使用示例 24

2.5 Pandas使用示例 29

2.6 NumPy和Pandas的綜合應(yīng)用：空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)的預(yù)處理和基本分析 32

2.7 Matplotlib的綜合應(yīng)用：空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)的圖形化展示 36

【本章總結(jié)】 41

【本章相關(guān)函數(shù)】 41

【本章習(xí)題】 47

第3章 數(shù)據(jù)預(yù)測(cè)與預(yù)測(cè)建模 49

3.1 數(shù)據(jù)預(yù)測(cè)的基本概念 49

3.2 預(yù)測(cè)建模 50

3.3 預(yù)測(cè)模型的評(píng)價(jià) 59

3.4 預(yù)測(cè)模型的選擇問(wèn)題 69

3.5 Python建模實(shí)現(xiàn) 73

模擬研究 82

3.6 Python實(shí)踐案例 86

【本章總結(jié)】 91

【本章相關(guān)函數(shù)】 91

【本章習(xí)題】 91

第4章 數(shù)據(jù)預(yù)測(cè)建模：貝葉斯分類器 93

4.1 貝葉斯概率和貝葉斯法則 93

4.2 貝葉斯和樸素貝葉斯分類器 94

4.3 貝葉斯分類器的分類邊界 99

4.4 Python建模實(shí)現(xiàn) 100

4.5 Python實(shí)踐案例 103

案情要素分類 105

【本章總結(jié)】 110

【本章相關(guān)函數(shù)】 111

【本章習(xí)題】 111

第5章 數(shù)據(jù)預(yù)測(cè)建模：近鄰分析 112

5.1 近鄰分析：K-近鄰法 112

5.2 基于觀測(cè)相似性的加權(quán)K-近鄰法 117

5.3 K-近鄰法的適用性 120

5.4 Python建模實(shí)現(xiàn) 122

5.5 Python實(shí)踐案例 125

評(píng)分預(yù)測(cè) 127

【本章總結(jié)】 129

【本章相關(guān)函數(shù)】 129

【本章習(xí)題】 130

第6章 數(shù)據(jù)預(yù)測(cè)建模：決策樹(shù) 131

6.1 決策樹(shù)概述 131

6.2 CART的生長(zhǎng) 139

6.3 CART的后剪枝 141

6.4 Python建模實(shí)現(xiàn) 143

6.5 Python實(shí)踐案例 147

【本章總結(jié)】 154

【本章相關(guān)函數(shù)】 155

【本章習(xí)題】 155

第7章 數(shù)據(jù)預(yù)測(cè)建模：集成學(xué)習(xí) 156

7.1 集成學(xué)習(xí)概述 157

7.2 基于重抽樣自舉法的集成學(xué)習(xí) 158

7.3 從弱模型到強(qiáng)模型的構(gòu)建 163

7.4 梯度提升樹(shù) 174

7.5 XGBoost算法 181

7.6 Python建模實(shí)現(xiàn) 185

7.7 Python實(shí)踐案例 191

【本章總結(jié)】 197

【本章相關(guān)函數(shù)】 197

【本章習(xí)題】 198

第8章 數(shù)據(jù)預(yù)測(cè)建模：人工神經(jīng)網(wǎng)絡(luò) 200

8.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念 201

8.2 感知機(jī)網(wǎng)絡(luò) 203

8.3 多層感知機(jī)及B-P反向傳播算法 213

8.4 Python建模實(shí)現(xiàn) 220

8.5 Python實(shí)踐案例 223

【本章總結(jié)】 227

【本章相關(guān)函數(shù)】 227

【本章習(xí)題】 227

第9章 數(shù)據(jù)預(yù)測(cè)建模：支持向量機(jī) 229

9.1 支持向量分類概述 229

9.2 完全線性可分下的支持向量分類 233

9.3 廣義線性可分下的支持向量分類 238

9.4 線性不可分下的支持向量分類 242

9.5 支持向量回歸 247

9.6 Python建模實(shí)現(xiàn) 252

9.7 Python實(shí)踐案例 258

【本章總結(jié)】 266

【本章相關(guān)函數(shù)】 266

【本章習(xí)題】 266

第10章 特征選擇：過(guò)濾、包裹和

嵌入策略 267

10.1 特征選擇概述 267

10.2 過(guò)濾式策略下的特征選擇 268

10.3 包裹式策略下的特征選擇 278

10.4 嵌入式策略下的特征選擇 281

10.5 Python建模實(shí)現(xiàn) 288

10.6 Python實(shí)踐案例 290

【本章總結(jié)】 298

【本章相關(guān)函數(shù)】 298

【本章習(xí)題】 299

第11章 特征提。嚎臻g變換策略 300

11.1 特征提取概述 300

11.2 主成分分析 301

11.3 矩陣的奇異值分解 307

11.4 核主成分分析 309

11.5 因子分析 315

11.6 Python建模實(shí)現(xiàn) 323

11.7 Python實(shí)踐案例 331

【本章總結(jié)】 334

【本章相關(guān)函數(shù)】 334

【本章習(xí)題】 335

第12章 揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu)：聚類分析 336

12.1 聚類分析概述 336

12.2 基于質(zhì)心的聚類模型：K-均值

聚類 343

12.3 基于連通性的聚類模型：系統(tǒng)

聚類 346

12.4 基于高斯分布的聚類模型：EM

聚類 351

12.5 Python建模實(shí)現(xiàn) 356

12.6 Python實(shí)踐案例：各地區(qū)環(huán)境

污染的特征的對(duì)比分析 367

【本章總結(jié)】 370

【本章相關(guān)函數(shù)】 370

【本章習(xí)題】 370

第13章 揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu)：特色聚類 371

13.1 基于密度的聚類：DBSCAN

聚類 371

13.2 Mean-Shift聚類 375

13.3 BIRCH聚類 380

13.4 Python建模實(shí)現(xiàn) 387

13.5 Python實(shí)踐案例：商品批發(fā)商的

市場(chǎng)細(xì)分 394

【本章總結(jié)】 397

【本章相關(guān)函數(shù)】 398

【本章習(xí)題】 398

展開(kāi)全部

Python機(jī)器學(xué)習(xí):數(shù)據(jù)建模與分析 作者簡(jiǎn)介

薛薇，博士，中國(guó)人民大學(xué)應(yīng)用統(tǒng)計(jì)研究中心專職研究員，中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院副教授。主要開(kāi)設(shè)課程：機(jī)器學(xué)習(xí)，計(jì)量經(jīng)濟(jì)學(xué)，統(tǒng)計(jì)軟件，統(tǒng)計(jì)學(xué)。研究方向：機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法研究；陬櫩拖M(fèi)行為大數(shù)據(jù)的客戶終身價(jià)值統(tǒng)計(jì)建模，以及營(yíng)銷與品牌大數(shù)據(jù)的機(jī)器學(xué)習(xí)算法應(yīng)用。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書(shū)友推薦
編輯推薦
返回頂部
中圖網(wǎng)
在線客服