Python机器学习

参考文献

13.8 习题

13.7 本章小结

13.6 参数调优

13.5 聚类有效性指标

13.4 回归有效性指标

13.3 分类有效性指标

13.2 距离度量方法

13.1 数据集划分

第13章 算法评估与验证

12.6 习题

12.5 本章小结

12.4 提升法

12.3 投票法

12.2 随机森林

12.1 集成学习理论

第12章 集成学习

11.7 习题

11.6 本章小结

11.5 案例——聚类不同分布形状数据

11.4 Agglomerative聚类

11.3 DBSCAN算法

11.2 k均值算法

11.1 聚类的不同思想

第11章 聚类算法

10.8 习题

10.7 本章小结

10.6 案例——多分类器分类数据

10.5 支持向量机

10.4 分类与回归树

10.3 决策树

10.2 朴素贝叶斯算法

10.1 k近邻算法

第10章 分类算法

9.6 习题

9.5 本章小结

9.4 案例——不同回归算法的分析对比

9.3 正则化回归分析

9.2 多元线性回归

9.1 回归分析原理

第9章 回归分析

8.6 习题

8.5 本章小结

8.4 scikit-learn基本框架

8.3 安装scikit-learn库

8.2 机器学习的基本理论

8.1 机器学习简介

第8章 机器学习概述

7.8 习题

7.7 本章小结

7.6 案例——随机漫步可视化

7.5 绘制高级图表

7.4 绘制常用图表

7.3 设置绘图属性

7.2 数据可视化基本流程

7.1 安装Matplotlib库

第7章 数据可视化

6.7 习题

6.6 本章小结

6.5 案例——鸢尾花数据分析

6.4 数据运算

6.3 数组创建与使用

6.2 数据的获取

6.1 安装NumPy库

第6章 NumPy数据分析

5.6 习题

5.5 本章小结

5.4 案例——超市销售管理系统

5.3 异常处理

5.2 继承与重写

5.1 类与对象

第5章 面向对象程序设计

4.8 习题

4.7 本章小结

4.6 案例——拼单词游戏

4.5 模块和包

4.4 常用函数

4.3 两类特殊函数

4.2 函数的参数与返回值

4.1 函数的定义与调用

第4章 函数与模块

3.6 习题

3.5 本章小结

3.4 案例——约瑟夫环

3.3 字典

3.2 元组

3.1 列表

第3章 基础数据结构

2.7 习题

2.6 本章小结

2.5 案例——人机对话猜数字

2.4 循环结构

2.3 分支结构

2.2 顺序结构

2.1 变量和简单数据类型

第2章 Python语言基础

1.5 习题

1.4 本章小结

1.3 Python程序基本编写方法

1.2 Python开发环境搭建

1.1 Python简介

第1章 Python概述

前言

内容概述

版权页

封面

封面

版权页

内容概述

前言

第1章 Python概述

1.1 Python简介

1.2 Python开发环境搭建

1.3 Python程序基本编写方法

1.4 本章小结

1.5 习题

第2章 Python语言基础

2.1 变量和简单数据类型

2.2 顺序结构

2.3 分支结构

2.4 循环结构

2.5 案例——人机对话猜数字

2.6 本章小结

2.7 习题

第3章 基础数据结构

3.1 列表

3.2 元组

3.3 字典

3.4 案例——约瑟夫环

3.5 本章小结

3.6 习题

第4章 函数与模块

4.1 函数的定义与调用

4.2 函数的参数与返回值

4.3 两类特殊函数

4.4 常用函数

4.5 模块和包

4.6 案例——拼单词游戏

4.7 本章小结

4.8 习题

第5章 面向对象程序设计

5.1 类与对象

5.2 继承与重写

5.3 异常处理

5.4 案例——超市销售管理系统

5.5 本章小结

5.6 习题

第6章 NumPy数据分析

6.1 安装NumPy库

6.2 数据的获取

6.3 数组创建与使用

6.4 数据运算

6.5 案例——鸢尾花数据分析

6.6 本章小结

6.7 习题

第7章 数据可视化

7.1 安装Matplotlib库

7.2 数据可视化基本流程

7.3 设置绘图属性

7.4 绘制常用图表

7.5 绘制高级图表

7.6 案例——随机漫步可视化

7.7 本章小结

7.8 习题

第8章 机器学习概述

8.1 机器学习简介

8.2 机器学习的基本理论

8.3 安装scikit-learn库

8.4 scikit-learn基本框架

8.5 本章小结

8.6 习题

第9章 回归分析

9.1 回归分析原理

9.2 多元线性回归

9.3 正则化回归分析

9.4 案例——不同回归算法的分析对比

9.5 本章小结

9.6 习题

第10章 分类算法

10.1 k近邻算法

10.2 朴素贝叶斯算法

10.3 决策树

10.4 分类与回归树

10.5 支持向量机

10.6 案例——多分类器分类数据

10.7 本章小结

10.8 习题

第11章 聚类算法

11.1 聚类的不同思想

11.2 k均值算法

11.3 DBSCAN算法

11.4 Agglomerative聚类

11.5 案例——聚类不同分布形状数据

11.6 本章小结

11.7 习题

第12章 集成学习

12.1 集成学习理论

12.2 随机森林

12.3 投票法

12.4 提升法

12.5 本章小结

12.6 习题

第13章 算法评估与验证

13.1 数据集划分

13.2 距离度量方法

13.3 分类有效性指标

13.4 回归有效性指标

13.5 聚类有效性指标

13.6 参数调优

13.7 本章小结

13.8 习题

参考文献