《Python機器學習》從實用的角度出發(fā)，整合Python語言基礎、數據分析與可視化、機器學習常用算法等知識。內容從*基本的Python編程基礎入手，由淺入深、循序漸進地講授NumPy庫和Matplotlib庫，以及復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、軟件工程類和大數據相關專業(yè)本科生Python機器學習相關課程的教材，也可作為數據科學相關領域工程技術人員的參考書，還可供不具備Python語言基礎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的產生與發(fā)展
112Python的特點
113Python的應用領域
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錯誤與調試
133Python編碼規(guī)范
14本章小結
15習題
第2章Python語言基礎
21變量和簡單數據類型
211標識符和變量
212基本數據類型
213運算符和表達式
22順序結構
221賦值語句
222標準輸入和輸出
223順序結構程序舉例
23分支結構
231分支語句
232分支結構程序舉例
24循環(huán)結構
241可迭代對象
242循環(huán)語句
243循環(huán)控制語句
244循環(huán)結構程序舉例
25案例——人機對話猜數字
26本章小結
27習題
第3章基礎數據結構
31列表
311列表的基本操作
312列表相關函數
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
36習題
第4章函數與模塊
41函數的定義與調用
411函數的定義
412函數的調用
42函數的參數與返回值
421函數參數
422函數返回值
43兩類特殊函數
431匿名函數
432遞歸函數
44常用函數
441字符串處理函數
442高級函數
45模塊和包
451模塊與包的導入
452常用模塊
46案例——拼單詞游戲
47本章小結
48習題
第5章面向對象程序設計
51類與對象
511類的定義
512對象的創(chuàng)建與使用
513數據成員與成員方法
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
56習題
第6章NumPy數據分析
61安裝NumPy庫
62數據的獲取
621使用Python讀寫文件
622使用NumPy讀寫文件
63數組創(chuàng)建與使用
631數組創(chuàng)建和基本屬性
632數組選取
633數組操作
64數據運算
641算術運算
642比較運算
65案例——鳶尾花數據分析
66本章小結
67習題
第7章數據可視化
71安裝Matplotlib庫
72數據可視化基本流程
73設置繪圖屬性
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
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機器學習的應用領域
82機器學習的基本理論
821基本術語
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數據的加載
842模型訓練和預測
843模型的評估
844模型的保存與使用
85本章小結
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實現及參數
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
96習題
第10章分類算法
101k近鄰算法
1011算法原理
1012實現及參數
1013k近鄰回歸
102樸素貝葉斯算法
1021相關概念
1022算法原理
1023實現及參數
103決策樹
1031算法原理
1032最優(yōu)特征選擇函數
1033實現及參數
104分類與回歸樹
1041算法原理
1042實現及參數
105支持向量機
1051算法原理
1052核函數
1053實現及參數
106案例——多分類器分類數據
107本章小結
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實現及參數
113DBSCAN算法
1131算法原理
1132實現及參數
114Agglomerative聚類
1141算法原理
1142實現及參數
115案例——聚類不同分布
形狀數據
116本章小結
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實現及參數
123投票法
124提升法
125本章小結
126習題
第13章算法評估與驗證
131數據集劃分
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
136參數調優(yōu)
137本章小結
138習題
參考文獻
書單推薦
