Python數(shù)據(jù)分析與機(jī)器學(xué)習(xí)
定 價(jià)：75 元
叢書名：面向新工科普通高等教育系列教材
- 作者：周元哲 編著
- 出版時(shí)間：2022/6/1
- ISBN：9787111704928
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP311.561；TP181
- 頁碼：282
- 紙張：
- 版次：
- 開本：16
本書包括兩部分內(nèi)容，第壹部分重點(diǎn)介紹了與Python語言相關(guān)的數(shù)據(jù)分析
工具，包括NumPy、Matplotlib、Pandas、Scipy、Seaborn和Sklearn。第二部分介紹數(shù)據(jù)處理、特征工程、評價(jià)指標(biāo)、線性模型、支持向量機(jī)、K近鄰算法、樸素貝葉斯、決策樹、K-Means算法和文本分析實(shí)例。附錄提供了課程教學(xué)大綱和
部分課后習(xí)題答案。
本書內(nèi)容精練、文字簡潔、結(jié)構(gòu)合理、實(shí)訓(xùn)題目經(jīng)典實(shí)用、綜合性強(qiáng)、定位明確，面向初、中級讀者，由“入門”起步，側(cè)重“提高”。特別適合作為高等院校相關(guān)專業(yè)數(shù)據(jù)分析與機(jī)器學(xué)習(xí)課程的入門教材或教學(xué)參考書，也可以供從事計(jì)算機(jī)應(yīng)用開發(fā)的各類技術(shù)人員參考。
前言
第1章Python與數(shù)據(jù)分析
11概述
111引例
112數(shù)據(jù)分析與數(shù)據(jù)挖掘
12Python簡介
121Python特點(diǎn)
122Python應(yīng)用場合
13數(shù)據(jù)分析流程
131明確目標(biāo)
132獲取數(shù)據(jù)
133清洗數(shù)據(jù)
134特征工程
135構(gòu)建模型
136模型評估
14數(shù)據(jù)分析庫
141NumPy
142Matplotlib
143Pandas
144Seaborn
145Scipy
146Sklearn
15Python解釋器
151Ubuntu下安裝Python
152Windows下安裝Python
16Python編輯器
161IDLE
162VScode
163PyCharm
164Anaconda
165Jupyter
17習(xí)題
第2章NumPy——數(shù)據(jù)分析基礎(chǔ)
工具
21安裝NumPy
22ndarray對象
221認(rèn)識ndarray對象
222ndarray對象屬性
23創(chuàng)建ndarray對象
231zeros
232ones
233diag
234arange
235linspace
236logspace
24數(shù)組變換
241維度變換
242數(shù)組拼接
243數(shù)組分割
244數(shù)組復(fù)制
25索引和切片
26線性代數(shù)
261矩陣運(yùn)算
262矩陣轉(zhuǎn)置
263特征根和特征向量
27統(tǒng)計(jì)量
271平均值
272最值
273中位數(shù)
274極差
275方差
276協(xié)方差
277皮爾森相關(guān)系數(shù)
28習(xí)題
第3章Matplotlib——數(shù)據(jù)可視化
工具
31安裝Matplotlib
32繪圖步驟
321創(chuàng)建畫布
322繪圖函數(shù)
323繪圖屬性
33子圖基本操作
331pltsubplot
332figureadd_subplot
333pltsubplots
34繪圖
341折線圖
342氣泡圖
343餅圖
344直方圖
345條形圖
35概率分布
351泊松分布
352正態(tài)分布
353均勻分布
354二項(xiàng)分布
36習(xí)題
第4章Pandas——數(shù)據(jù)處理工具
41認(rèn)識Pandas
42Series
421創(chuàng)建Series
422 Series屬性
423訪問Series數(shù)據(jù)
43操作Series
431更新Series
432插入Series
433刪除Series
44DataFrame
441創(chuàng)建DataFrame
442DataFrame屬性
443選取行列數(shù)據(jù)
45操作DataFrame
451更新DataFrame
452插入DataFrame
453刪除DataFrame
46Index
461創(chuàng)建Index
462常用屬性
463常用方法
464重建Index
47可視化
471線形圖
472條形圖
473餅狀圖
474直方圖與密度圖
48數(shù)據(jù)轉(zhuǎn)換
481數(shù)據(jù)值替換
482數(shù)據(jù)映射
483數(shù)據(jù)值合并
484數(shù)據(jù)值補(bǔ)充
485數(shù)據(jù)離散化
49數(shù)據(jù)分組與聚合
491數(shù)據(jù)分組
492數(shù)據(jù)聚合
410讀取外部數(shù)據(jù)
4101操作Excel
4102操作文本文件
4103操作數(shù)據(jù)庫
411習(xí)題
第5章Scipy——數(shù)據(jù)統(tǒng)計(jì)工具
51認(rèn)識Scipy
52稀疏矩陣
53線性代數(shù)
531矩陣運(yùn)算
532線性方程組求解
54數(shù)據(jù)優(yōu)化
541非線性方程組求解
542函數(shù)最值
543最小二乘法
55數(shù)據(jù)分布
551泊松分布
552正態(tài)分布
553均勻分布
554二項(xiàng)分布
555指數(shù)分布
56統(tǒng)計(jì)量
561眾數(shù)
562皮爾森相關(guān)系數(shù)
57圖像處理
571旋轉(zhuǎn)圖像
572圖像濾波
573邊緣檢測
58習(xí)題
第6章Seaborn——數(shù)據(jù)可視化
工具
61認(rèn)識Seaborn
611繪圖特色
612圖表分類
613數(shù)據(jù)集
62繪圖設(shè)置
621繪圖元素
622主題
623調(diào)色板
63繪圖
631直方圖
632核密度圖
633小提琴圖
634分類散點(diǎn)圖
635條形圖
636熱力圖
637點(diǎn)圖
64習(xí)題
第7章Sklearn——機(jī)器學(xué)習(xí)工具
71Sklearn簡介
72安裝Sklearn
73數(shù)據(jù)集
731小數(shù)據(jù)集
732大數(shù)據(jù)集
733生成數(shù)據(jù)集
74機(jī)器學(xué)習(xí)流程
741數(shù)據(jù)清洗
742劃分?jǐn)?shù)據(jù)集
743特征工程
744機(jī)器算法
745模型評估
75習(xí)題
第8章數(shù)據(jù)處理
81認(rèn)識數(shù)據(jù)處理
82數(shù)據(jù)清洗
821處理缺失值
822處理異常值
823處理重復(fù)值
83特征處理
831規(guī)范化
832標(biāo)準(zhǔn)化
833魯棒化
84數(shù)據(jù)分析可視庫
841missingno庫
842詞云
85案例——學(xué)生信息清洗
86習(xí)題
第9章特征工程
91認(rèn)識特征工程
92獨(dú)熱編碼
93特征提取
931DictVectorizer
932CountVectorizer
933TfidfVectorizer
94中文分詞
941Jieba分詞庫
942停用詞表
95案例——中文特征提取
96習(xí)題
第10章評價(jià)指標(biāo)
101欠擬合和過擬合
1011欠擬合
1012過擬合
102曲線擬合
1021polyfit方法
1022Curve_fit方法
103分類評價(jià)指標(biāo)
1031混淆矩陣
1032準(zhǔn)確率
1033精確率
1034召回率
1035F1 Score
1036ROC曲線
1037AUC面積
1038分類評估報(bào)告
104回歸評價(jià)指標(biāo)
1041均方誤差
1042相關(guān)系數(shù)或者R2
105案例——手寫數(shù)字?jǐn)?shù)據(jù)集評價(jià)
指標(biāo)
106習(xí)題
第11章線性模型
111回歸模型
1111線性回歸
1112邏輯回歸
112兩種求解方法
1121最小二乘法
1122梯度下降法
113嶺回歸
1131認(rèn)識嶺回歸
1132參數(shù)alpha
114案例
1141線性回歸預(yù)測披薩價(jià)格
1142線性回歸與嶺回歸識別糖
尿病
115習(xí)題
第12章支持向量機(jī)
121初識向量機(jī)
1211超平面線性方程
1212SVM算法庫
122核函數(shù)
1221線性核函數(shù)
1222多項(xiàng)式核函數(shù)
1223高斯核函數(shù)
123參數(shù)調(diào)優(yōu)
1231gamma參數(shù)
1232懲罰系數(shù)C
124回歸問題
125案例
1251支持向量機(jī)識別鳶尾花
1252支持向量機(jī)預(yù)測波士頓
房價(jià)
126習(xí)題
第13章K近鄰算法
131初識K近鄰算法
1311算法思想
1312算法描述
132選擇K值
133距離度量
134分類問題
135回歸問題
136案例
1361KNN區(qū)分電影類型
1362KNN識別鳶尾花
137習(xí)題
第14章樸素貝葉斯
141初識樸素貝葉斯
142貝葉斯定理
143流程
144分類
1441高斯分布
1442多項(xiàng)式分布
1443伯努利分布
145案例
1451樸素貝葉斯識別鳶尾花
1452樸素貝葉斯分類新聞
146習(xí)題
第15章決策樹
151初識決策樹
152信息論
1521信息熵
1522條件熵
1523信息增益
1524互信息
1525基尼系數(shù)
153決策樹算法
1531ID3算法
1532C45算法
1533CART算法
154分類與回歸
1541分類問題
1542回歸問題
1543調(diào)優(yōu)max_depth參數(shù)
155集成分類模型
1551隨機(jī)森林
1552梯度提升決策樹
156graphviz與DOT
1561graphviz
1562DOT語言
157案例
1571決策樹決定是否賴床
1572決策樹預(yù)測波士頓房價(jià)
158習(xí)題
第16章K-Means算法
161初識K-Means
162實(shí)現(xiàn)K-Means聚類
1621理論實(shí)現(xiàn)K-Means聚類
1622Python實(shí)現(xiàn)K-Means聚類
1623Sklearn實(shí)現(xiàn)K-Means聚類
163K-Means評估指標(biāo)
1631調(diào)整蘭德系數(shù)
1632輪廓系數(shù)
164案例
1641K-Means聚類鳶尾花
1642K-Means標(biāo)記質(zhì)心
165習(xí)題
第17章文本分析示例
171正則表達(dá)式
1711基本語法
1712re模塊
1713提取電影信息
172LDA
1721LDA原理
1722Gensim庫
173距離算法
1731余弦相似度
1732編輯距離
174SimHash算法
1741算法思想
1742實(shí)現(xiàn)步驟
175文本情感分析
1751情感分析
1752SnowNLP
176案例——電影影評情感
分析
177習(xí)題
附錄
附錄A課程教學(xué)大綱
附錄B部分課后習(xí)題答案
參考文獻(xiàn)
書單推薦
