《Python機器學習》從實用的角度出發(fā)，整合Python語言基礎(chǔ)、數(shù)據(jù)分析與可視化、機器學習常用算法等知識。內(nèi)容從*基本的Python編程基礎(chǔ)入手，由淺入深、循序漸進地講授NumPy庫和Matplotlib庫，以及復(fù)雜的機器學習基本理論和算法，并突出知識的實用性和可操作性。
《Python機器學習》力求以淺顯的語言講解復(fù)雜的知識，以直觀的案例輔助讀者理解，并以圖表形式展示代碼和運行結(jié)果，配合習題鞏固讀者對知識點的掌握。
《Python機器學習》適合作為高等院校計算機類、軟件工程類和大數(shù)據(jù)相關(guān)專業(yè)本科生Python機器學習相關(guān)課程的教材，也可作為數(shù)據(jù)科學相關(guān)領(lǐng)域工程技術(shù)人員的參考書，還可供不具備Python語言基礎(chǔ)的機器學習愛好者從零開始學習。
前言
第1章Python概述
11Python簡介
111Python的產(chǎn)生與發(fā)展
112Python的特點
113Python的應(yīng)用領(lǐng)域
12Python開發(fā)環(huán)境搭建
121Python安裝與配置
122Jupyter NoteBook
123PyCharm
13Python程序基本編寫方法
131Python程序編寫與執(zhí)行
132Python錯誤與調(diào)試
133Python編碼規(guī)范
14本章小結(jié)
15習題
第2章Python語言基礎(chǔ)
21變量和簡單數(shù)據(jù)類型
211標識符和變量
212基本數(shù)據(jù)類型
213運算符和表達式
22順序結(jié)構(gòu)
221賦值語句
222標準輸入和輸出
223順序結(jié)構(gòu)程序舉例
23分支結(jié)構(gòu)
231分支語句
232分支結(jié)構(gòu)程序舉例
24循環(huán)結(jié)構(gòu)
241可迭代對象
242循環(huán)語句
243循環(huán)控制語句
244循環(huán)結(jié)構(gòu)程序舉例
25案例——人機對話猜數(shù)字
26本章小結(jié)
27習題
第3章基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)
31列表
311列表的基本操作
312列表相關(guān)函數(shù)
313列表選取
32元組
321元組的基本操作
322元組與列表的異同與轉(zhuǎn)換
33字典
331字典的基本操作
332遍歷字典
333字典與列表的嵌套
34案例——約瑟夫環(huán)
35本章小結(jié)
36習題
第4章函數(shù)與模塊
41函數(shù)的定義與調(diào)用
411函數(shù)的定義
412函數(shù)的調(diào)用
42函數(shù)的參數(shù)與返回值
421函數(shù)參數(shù)
422函數(shù)返回值
43兩類特殊函數(shù)
431匿名函數(shù)
432遞歸函數(shù)
44常用函數(shù)
441字符串處理函數(shù)
442高級函數(shù)
45模塊和包
451模塊與包的導(dǎo)入
452常用模塊
46案例——拼單詞游戲
47本章小結(jié)
48習題
第5章面向?qū)ο蟪绦蛟O(shè)計
51類與對象
511類的定義
512對象的創(chuàng)建與使用
513數(shù)據(jù)成員與成員方法
52繼承與重寫
521繼承
522重寫
53異常處理
531內(nèi)置的異常類
532異常的捕獲與處理
533自定義異常類
54案例——超市銷售管理系統(tǒng)
55本章小結(jié)
56習題
第6章NumPy數(shù)據(jù)分析
61安裝NumPy庫
62數(shù)據(jù)的獲取
621使用Python讀寫文件
622使用NumPy讀寫文件
63數(shù)組創(chuàng)建與使用
631數(shù)組創(chuàng)建和基本屬性
632數(shù)組選取
633數(shù)組操作
64數(shù)據(jù)運算
641算術(shù)運算
642比較運算
65案例——鳶尾花數(shù)據(jù)分析
66本章小結(jié)
67習題
第7章數(shù)據(jù)可視化
71安裝Matplotlib庫
72數(shù)據(jù)可視化基本流程
73設(shè)置繪圖屬性
74繪制常用圖表
741折線圖
742條形圖
743散點圖
744餅圖
75繪制高級圖表
751組合圖
752三維圖
76案例——隨機漫步可視化
77本章小結(jié)
78習題
第8章機器學習概述
81機器學習簡介
811機器學習的定義
812機器學習的發(fā)展
813機器學習的應(yīng)用領(lǐng)域
82機器學習的基本理論
821基本術(shù)語
822機器學習算法
823機器學習的一般流程
83安裝scikit-learn庫
84scikit-learn基本框架
841數(shù)據(jù)的加載
842模型訓練和預(yù)測
843模型的評估
844模型的保存與使用
85本章小結(jié)
86習題
第9章回歸分析
91回歸分析原理
92多元線性回歸
921算法原理
922實現(xiàn)及參數(shù)
93正則化回歸分析
931嶺回歸
932Lasso回歸
933ElasticNet回歸
94案例——不同回歸算法的
分析對比
95本章小結(jié)
96習題
第10章分類算法
101k近鄰算法
1011算法原理
1012實現(xiàn)及參數(shù)
1013k近鄰回歸
102樸素貝葉斯算法
1021相關(guān)概念
1022算法原理
1023實現(xiàn)及參數(shù)
103決策樹
1031算法原理
1032最優(yōu)特征選擇函數(shù)
1033實現(xiàn)及參數(shù)
104分類與回歸樹
1041算法原理
1042實現(xiàn)及參數(shù)
105支持向量機
1051算法原理
1052核函數(shù)
1053實現(xiàn)及參數(shù)
106案例——多分類器分類數(shù)據(jù)
107本章小結(jié)
108習題
第11章聚類算法
111聚類的不同思想
112k均值算法
1121算法原理
1122實現(xiàn)及參數(shù)
113DBSCAN算法
1131算法原理
1132實現(xiàn)及參數(shù)
114Agglomerative聚類
1141算法原理
1142實現(xiàn)及參數(shù)
115案例——聚類不同分布
形狀數(shù)據(jù)
116本章小結(jié)
117習題
第12章集成學習
121集成學習理論
122隨機森林
1221算法原理
1222實現(xiàn)及參數(shù)
123投票法
124提升法
125本章小結(jié)
126習題
第13章算法評估與驗證
131數(shù)據(jù)集劃分
132距離度量方法
133分類有效性指標
134回歸有效性指標
135聚類有效性指標
136參數(shù)調(diào)優(yōu)
137本章小結(jié)
138習題
參考文獻
書單推薦
