图书介绍
跟着迪哥学Python数据分析与机器学习实战pdf电子书版本下载
- 唐宇迪著 著
- 出版社： 北京：人民邮电出版社
- ISBN：9787115512444
- 出版时间：2019
- 标注页数：449页
- 文件大小：217MB
- 文件页数：461页
- 主题词：软件工具－程序设计
PDF下载
下载说明
跟着迪哥学Python数据分析与机器学习实战PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
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
图书目录
第1章 人工智能入门指南 1
1.1 AI时代首选Python 2
1.1.1 Python的特点 2
1.1.2 Python该怎么学 2
1.2 人工智能的核心——机器学习 3
1.2.1 什么是机器学习 3
1.2.2 机器学习的流程 4
1.2.3 机器学习该怎么学 5
1.3 环境配置 5
1.3.1 Anaconda大礼包 6
1.3.2 Jupyter Notebook 9
1.3.3 上哪儿找资源 11
本章总结 12
第2章 科学计算库（Numpy） 13
2.1 Numpy的基本操作 14
2.1.1 array数组 14
2.1.2 数组特性 15
2.1.3 数组属性操作 16
2.2 索引与切片 17
2.2.1 数值索引 17
2.2.2 bool索引 18
2.3 数据类型与数值计算 20
2.3.1 数据类型 20
2.3.2 复制与赋值 20
2.3.3 数值运算 21
2.3.4 矩阵乘法 24
2.4 常用功能模块 25
2.4.1 排序操作 25
2.4.2 数组形状操作 26
2.4.3 数组的拼接 28
2.4.4 创建数组函数 29
2.4.5 随机模块 31
2.4.6 文件读写 33
本章总结 37
第3章 数据分析处理库（Pandas） 38
3.1 数据预处理， 39
3.1.1 数据读取 39
3.1.2 DataFrame结构 40
3.1.3 数据索引 42
3.1.4 创建DataFrame 46
3.1.5 Series操作 48
3.2 数据分析 51
3.2.1 统计分析 51
3.2.2 pivot数据透视表 55
3.2.3 groupby操作 58
3.3 常用函数操作 63
3.3.1 Merge操作 63
3.3.2 排序操作 66
3.3.3 缺失值处理 67
3.3.4 apply自定义函数 70
3.3.5 时间操作 73
3.3.6 绘图操作 76
3.4 大数据处理技巧 79
3.4.1 数值类型转换 79
3.4.2 属性类型转换 82
本章总结 84
第4章 数据可视化库（Matplotlib） 85
4.1 常规绘图方法 86
4.1.1 细节设置 86
4.1.2 子图与标注 90
4.1.3 风格设置 97
4.2 常用图表绘制 99
4.2.1 条形图 99
4.2.2 盒图 102
4.2.3 直方图与散点图 105
4.2.4 3D图 107
4.2.5 布局设置 110
本章总结 111
第5章 回归算法 112
5.1 线性回归算法 113
5.1.1 线性回归方程 113
5.1.2 误差项分析 114
5.1.3 似然函数求解 115
5.1.4 线性回归求解 117
5.2 梯度下降算法 117
5.2.1 下山方向选择 118
5.2.2 梯度下降优化 119
5.2.3 梯度下降策略对比 120
5.2.4 学习率对结果的影响 121
5.3 逻辑回归算法 122
5.3.1 原理推导 122
5.3.2 逻辑回归求解 124
本章总结 125
第6章 逻辑回归项目实战——信用卡欺诈检测 126
6.1 数据分析与预处理 127
6.1.1 数据读取与分析 127
6.1.2 样本不均衡解决方案 129
6.1.3 特征标准化 129
6.2 下采样方案 133
6.2.1 交叉验证 134
6.2.2 模型评估方法 137
6.2.3 正则化惩罚 139
6.3 逻辑回归模型 141
6.3.1 参数对结果的影响 141
6.3.2 混淆矩阵 144
6.3.3 分类阈值对结果的影响 147
6.4 过采样方案 149
6.4.1 SMOTE数据生成策略 150
6.4.2 过采样应用效果 151
项目总结 152
第7章 决策树 154
7.1 决策树原理 155
7.1.1 决策树的基本概念 155
7.1.2 衡量标准 156
7.1.3 信息增益 158
7.1.4 决策树构造实例 159
7.1.5 连续值问题 161
7.1.6 信息增益率 161
7.1.7 回归问题求解 162
7.2 决策树剪枝策略 162
7.2.1 剪枝策略 162
7.2.2 决策树算法涉及参数 163
本章总结 164
第8章 集成算法 165
8.1 bagging算法 166
8.1.1 并行的集成 166
8.1.2 随机森林 166
8.2 boosting算法 170
8.2.1 串行的集成 170
8.2.2 Adaboost算法 171
8.3 stacking模型 173
本章总结 174
第9章 随机森林项目实战——气温预测 175
9.1 随机森林建模 176
9.1.1 特征可视化与预处理 177
9.1.2 随机森林回归模型 183
9.1.3 树模型可视化方法 184
9.1.4 特征重要性 189
9.2 数据与特征对结果影响分析 192
9.2.1 特征工程 194
9.2.2 数据量对结果影响分析 196
9.2.3 特征数量对结果影响分析 199
9.3 模型调参 206
9.3.1 随机参数选择 208
9.3.2 网络参数搜索 212
项目总结 216
第10章 特征工程 217
10.1 数值特征 218
10.1.1 字符串编码 218
10.1.2 二值与多项式特征 222
10.1.3 连续值离散化 225
10.1.4 对数与时间变换 228
10.2 文本特征 230
10.2.1 词袋模型 230
10.2.2 常用文本特征构造方法 234
10.3 论文与benchmark 237
本章总结 240
第11章 贝叶斯算法项目实战——新闻分类 241
11.1 贝叶斯算法 242
11.1.1 贝叶斯公式 242
11.1.2 拼写纠错实例 244
11.1.3 垃圾邮件分类 246
11.2 新闻分类任务 248
11.2.1 数据清洗 249
11.2.2 TF－IDF关键词提取 253
项目总结 259
第12章 支持向量机 260
12.1 支持向量机工作原理 261
12.1.1 支持向量机要解决的问题 261
12.1.2 距离与标签定义 262
12.1.3 目标函数 263
12.1.4 拉格朗日乘子法 264
12.2 支持向量的作用 266
12.2.1 支持向量机求解 266
12.2.2 支持向量的作用 267
12.3 支持向量机涉及参数 268
12.3.1 软间隔参数的选择 268
12.3.2 核函数的作用 270
12.4 案例：参数对结果的影响 272
12.4.1 SVM基本模型 272
12.4.2 核函数变换 277
12.4.3 SVM参数选择 279
12.4.4 SVM人脸识别实例 281
本章总结 284
第13章 推荐系统 285
13.1 推荐系统的应用 286
13.2 协同过滤算法 288
13.2.1 基于用户的协同过滤 288
13.2.2 基于商品的协同过滤 291
13.3 隐语义模型 292
13.3.1 矩阵分解思想 292
13.3.2 隐语义模型求解 294
13.3.3 评估方法 296
本章总结 296
第14章 推荐系统项目实战——打造音乐推荐系统 297
14.1 数据集清洗 298
14.1.1 统计分析 299
14.1.2 数据集整合 303
14.2 基于相似度的推荐 308
14.2.1 排行榜推荐 309
14.2.2 基于歌曲相似度的推荐 310
14.3 基于矩阵分解的推荐 313
14.3.1 奇异值分解 313
14.3.2 使用SVD算法进行音乐推荐 317
项目总结 322
第15章 降维算法 323
15.1 线性判别分析 324
15.1.1 降维原理概述 324
15.1.2 优化的目标 325
15.1.3 线性判别分析求解 326
15.1.4 Python实现线性判别分析降维 328
15.2 主成分分析 335
15.2.1 PCA降维基本知识点 335
15.2.2 PCA优化目标求解 336
15.2.3 Python实现PCA降维 338
本章总结 345
第16章 聚类算法 346
16.1 K－means算法 347
16.1.1 聚类的基本特性 347
16.1.2 K－means算法原理 348
16.1.3 K－means涉及参数 350
16.1.4 K－means聚类效果与优缺点 352
16.2 DBSCAN聚类算法 353
16.2.1 DBSCAN算法概述 353
16.2.2 DBSCAN工作流程 354
16.2.3 半径对结果的影响 357
16.3 聚类实例 358
本章总结 363
第17章 神经网络 364
17.1 神经网络必备基础 365
17.1.1 神经网络概述 365
17.1.2 计算机眼中的图像 367
17.1.3 得分函数 368
17.1.4 损失函数 370
17.1.5 反向传播 372
17.2 神经网络整体架构 374
17.2.1 整体框架 374
17.2.2 神经元的作用 376
17.2.3 正则化 378
17.2.4 激活函数 379
17.3 网络调优细节 381
17.3.1 数据预处理 381
17.3.2 Drop－Out 382
17.3.3 数据增强 383
17.3.4 网络结构设计 384
本章总结 384
第18章 TensorFlow实战 386
18.1 TensorFlow基本操作 387
18.1.1 TensorFlow特性 387
18.1.2 TensorFlow基本操作 389
18.1.3 TensorFlow实现回归任务 392
18.2 搭建神经网络进行手写字体识别 395
本章总结 402
第19章 卷积神经网络 403
19.1 卷积操作原理 404
19.1.1 卷积神经网络应用 404
19.1.2 卷积操作流程 406
19.1.3 卷积计算方法 408
19.1.4 卷积涉及参数 411
19.1.5 池化层 415
19.2 经典网络架构 416
19.2.1 卷积神经网络整体架构 416
19.2.2 AlexNet网络 417
19.2.3 VGG网络 418
19.2.4 ResNet网络 421
19.3 TensorFlow实战卷积神经网络 424
本章总结 427
第20章 神经网络项目实战——影评情感分析 428
20.1 递归神经网络 429
20.1.1 RNN网络架构 429
20.1.2 LSTM网络 430
20.2 影评数据特征工程 431
20.2.1 词向量 432
20.2.2 数据特征制作 436
20.3 构建RNN模型 444
项目总结 449