Python3数据分析与机器学习实战PDF|Epub|txt|kindle电子书版本网盘下载

Python3数据分析与机器学习实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第0章 本书的技术体系1

0.1 Python的发展趋势2

0.2 人工智能时代学习Python的重要性2

0.3 本书的技术体系3

0.4 学习本书需要注意的事项6

第1章 Python基础知识7

1.1 Python简介8

1.1.1 了解Python的起源与发展历史8

1.1.2 Python的特色8

1.1.3 学习Python的原因9

1.2 Python的当前版本9

1.3 Python的优缺点10

1.4 Python与其他语言的区别10

1.5 Python的应用领域11

第2章 Python的安装、配置与卸载13

2.1 Python的安装14

2.1.1 Python的下载14

2.1.2 Python的安装15

2.2 Python的配置17

2.2.1 Python环境变量的设置17

2.2.2 Python的启动18

2.3 Python的卸载19

第3章 Python 3基础语法21

3.1 第一个Python程序22

3.2 Python的输入和输出26

3.2.1 Python的输出语句26

3.2.2 Python的输入语句26

3.3 Python的基本数据类型27

3.3.1 数字27

3.3.2 字符串28

3.3.3 列表29

3.3.4 元组30

3.3.5 集合31

3.3.6 字典32

3.4 Python库的导入32

3.5 Python的集成开发环境34

3.6 自测练习36

第4章 Python 3的编程37

4.1 条件语句38

4.2 循环语句39

4.2.1 while循环40

4.2.2 for循环40

4.3 函数43

4.4 模块45

4.5 自测练习46

第5章 机器学习基础47

5.1 机器学习概述48

5.2 监督学习简介50

5.3 非监督学习简介50

5.4 增强学习简介51

5.5 深度学习简介53

5.6 机器学习常用术语55

第6章 Python机器学习及分析工具57

6.1 矩阵操作函数库（NumPy）58

6.1.1 NumPy的安装58

6.1.2 NumPy的基本使用59

6.2 科学计算的核心包（SciPy）64

6.2.1 科学计算的核心包的安装64

6.2.2 科学计算的核心包的基本使用67

6.3 Python的绘图库（Matplotlib）71

6.3.1 Matplotlib简介及安装71

6.3.2 Matplotlib的基本使用72

6.4 数据分析包（Pandas）79

6.4.1 Pandas简介和安装79

6.4.2 Pandas的基本使用方法80

6.5 机器学习函数库（Scikit-learn）81

6.6 统计建模工具包（StatsModels）88

6.7 深度学习框架（TensorFlow）90

第7章 数据预处理93

7.1 数据预处理概述94

7.2 数据清理95

7.2.1 异常数据处理95

7.2.2 缺失值处理96

7.2.3 噪声数据处理97

7.3 数据集成98

7.4 数据变换99

7.5 数据归约101

7.6 Python的主要数据预处理函数102

7.6.1 Python的数据结构102

7.6.2 数据缺失处理函数104

第8章 分类问题115

8.1 分类概述116

8.2 常用方法116

8.2.1 k-近邻算法116

8.2.2 朴素贝叶斯118

8.2.3 支持向量机123

8.2.4 AdaBoost算法125

8.2.5 决策树127

8.2.6 Multi-layerPerceptron多层感知机135

8.3 项目实战137

8.3.1 实例1：使用k-近邻算法实现约会网站的配对效果137

8.3.2 实例2：使用朴素贝叶斯过滤垃圾邮件141

8.3.3 实例3：SVM实现手写识别系统144

8.3.4 实例4：基于单层决策树构建分类算法147

8.3.5 实例5：使用决策树对iris数据集分类151

8.3.6 实例6：使用决策树对身高体重数据进行分类153

8.3.7 实例7：使用k-近邻算法对鸢尾花数据进行交叉验证156

8.3.8 使用多层感知器分析，根据葡萄酒的各项化学特征来判断葡萄酒的优劣160

8.4 自测练习163

第9章 预测分析165

9.1 预测概述166

9.2 常用方法166

9.2.1 时间序列分析预测法166

9.2.2 BP神经网络模型168

9.3 项目实战170

9.3.1 实例1：根据一年的历史数据预测后十年的数据趋势170

9.3.2 实例2：使用神经网络预测公路运量178

9.4 自测练习185

第10章 关联分析187

10.1 关联分析概述188

10.2 基本方法188

10.2.1 Apriori算法189

10.2.2 FP-Growth算法189

10.3 项目实战（解决目前流行的实际问题）192

10.3.1 用Apriori进行关联分析的实例192

10.3.2 使用FP-Growth算法提取频繁项集195

10.4 自测练习199

第11章 网络爬虫201

11.1 网络爬虫概述202

11.1.1 网络爬虫原理202

11.1.2 爬虫分类203

11.2 网页抓取策略和方法204

11.2.1 网页抓取策略204

11.2.2 网页抓取的方法204

11.3 项目实战205

11.3.1 用Python抓取指定的网页205

11.3.2 用Python抓取包含关键词的网页207

11.3.3 下载贴吧中的图片208

11.3.4 股票数据抓取210

11.4 自测练习213

第12章 集成学习215

12.1 集成学习概述216

12.2 常用方法216

12.2.1 Bagging和随机森林216

12.2.2 Boosting和AdaBoost217

12.3 项目实战219

12.3.1 使用随机森林方法预测乘员的存活概率219

12.3.2 使用AdaBoost方法进行二元分类222

12.4 自测练习225

第13章 深度学习227

13.1 深度学习概述228

13.2 常用方法228

13.2.1 监督学习的深度学习网络结构229

13.2.2 非监督学习的深度学习网络结构230

13.3 项目实战233

13.3.1 使用TensorFlow框架进行MNIST数据集生成233

13.3.2 使用Theano框架进行MNIST数字识别237

13.4 自测练习241

第14章 数据降维及压缩243

14.1 数据降维及压缩概述244

14.1.1 数据降维244

14.1.2 图像压缩245

14.2 基本方法245

14.2.1 主成分分析245

14.2.2 奇异值分解248

14.3 项目实战251

14.3.1 主成分分析PCA实例251

14.3.2 使用奇异值分解进行图像压缩257

14.4 自测练习260

第15章 聚类分析261

15.1 聚类分析概述262

15.2 K-means算法264

15.2.1 K-means算法与步骤264

15.2.2 K-means算法涉及的问题264

15.2.3 实际聚类问题的处理流程265

15.3 项目实战266

15.3.1 K-means算法实现二维数据聚类266

15.3.2 使用Scikit-learn中的方法进行聚类分析269

15.4 自测练习276

第16章 回归分析问题279

16.1 回归分析概述280

16.2 基本方法280

16.2.1 一元回归分析280

16.2.2 多元线性回归281

16.2.3 回归的计算方法282

16.2.4 逻辑回归分析284

16.3 项目实战286

16.3.1 身高与体重的回归分析286

16.3.2 房价预测293

16.3.3 产品销量与广告的多元回归分析296

16.3.4 鸢尾花数据的逻辑回归分析298

16.4 自测练习300