中图网

>

计算机教材

Python工程应用——机器学习方法与实践

作者：郭奕，潘晓衡，肖海林编著

出版社：西安电子科技大学出版社出版时间：2022-06-01

开本： 26cm 页数： 262页

本类榜单：计算机/网络销量榜

中图价:¥28.1(7.2折) 定价 ~~¥39.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥28.1 加入购物车

版权信息
内容简介
目录

微信公众号

Python工程应用——机器学习方法与实践版权信息

ISBN：9787560664644
条形码：9787560664644 ; 978-7-5606-6464-4
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机教材

Python工程应用——机器学习方法与实践内容简介

本书通过对大量实际案例的分析以及部分相关理论的适当解读, 帮助读者使用Python语言进行程序设计, 同时能够利用Python实现基础的机器学习算法。全书包含三大部分: 机器学习概念和编程基础、数据预处理基础、机器学习方法及案例, 每一部分都结合大量实际例程进行解读。本书共13章, 具体内容包括机器学习概述、Python机器学习基础库、数据预处理、K近邻算法、朴素贝叶斯、决策树、随机森林、AdaBoost模型、支持向量机、人工神经网络、K均值聚类、财政收入影响因素分析及预测案例、偷税漏税行为识别分析案例。

Python工程应用——机器学习方法与实践目录

第1章机器学习概述 1 1.1 什么是机器学习 2 1.2 机器学习的应用 4 1.2.1 图像和计算机视觉 4 1.2.2 日常生活及消费 8 1.2.3 金融领域 9 1.2.4 医疗领域 9 1.2.5 自然语言处理 10 1.2.6 安全和异常行为监测 12 1.2.7 工业和商业领域 13 1.2.8 娱乐领域 14 1.3 机器学习的主要研究内容 15 1.4 机器学习问题的常规处理方法 16 1.4.1 开发机器学习应用的一般步骤 16 1.4.2 选择合适的算法 18 1.4.3 使用Python开发机器学习应用 19 1.4.4 机器学习模型的评价 21 1.5 机器学习、模式识别、数据挖掘和人工智能的关系 24 本章小结 26 思考题 26 第2章 Python机器学习基础库 27 2.1 Numpy 28 2.1.1 Numpy库的安装 28 2.1.2 Numpy库的导入 28 2.1.3 创建数组 29 2.1.4 查询数组类型 29 2.1.5 数组的其他创建方式 29 2.1.6 数组元素的存取 30 2.1.7 ufunc运算 30 2.1.8 矩阵的运算 30 2.2 Pandas 30 2.2.1 Pandas的安装 31 2.2.2 Pandas的导入 31 2.2.3 Series 31 2.2.4 DataFrame 32 2.3 Matplotlib 32 2.3.1 Matplotlib的安装 32 2.3.2 Matplotlib的导入 32 2.3.3 基本绘图命令plot 33 2.3.4 绘制多窗口图形 35 2.3.5 文本注释 36 2.4 Scipy 37 2.4.1 Scipy的安装 37 2.4.2 Scipy的导入 38 2.4.3 *小二乘法 38 2.4.4 非线性方程求解 40 2.5 Scikit-Learn 40 2.5.1 Scikit-Learn的安装 41 2.5.2 Scikit-Learn的数据集 41 2.6 TensorFlow 42 2.6.1 TensorFlow的安装 42 2.6.2 TensorFlow的使用 43 2.7 PyTorch 44 2.8 PaddlePaddle 44 本章小结 45 思考题 45 第3章数据预处理 46 3.1 数据预处理概述 47 3.2 数据预分析 47 3.2.1 统计特性分析 48 3.2.2 数据质量分析 49 3.3 数据清理 51 3.3.1 异常值处理 51 3.3.2 缺失值处理 51 3.4 数据集成 53 3.4.1 实体识别 53 3.4.2 冗余属性识别 54 3.5 数据变换 54 3.5.1 简单函数变换 54 3.5.2 归一化 54 3.5.3 连续属性离散化 55 3.6 数据规约 58 3.6.1 属性规约 58 3.6.2 数值规约 60 3.7 Python的主要数据预处理函数 60 本章小结 61 思考题 61 第4章 K近邻算法 62 4.1 模型介绍 63 4.1.1 算法概述 63 4.1.2 算法基本原理 63 4.1.3 算法实现代码 65 4.2 案例一约会网站配对 66 4.2.1 问题介绍 66 4.2.2 数据准备 67 4.2.3 算法实现 70 4.2.4 算法测试 71 4.2.5 算法应用 72 4.3 案例二手写数字识别 73 4.3.1 问题介绍 73 4.3.2 数据准备 73 4.3.3 算法实现 74 4.4 案例三鸢尾花品种识别 76 4.4.1 问题介绍 76 4.4.2 数据准备 76 4.4.3 算法实现 78 本章小结 79 思考题 79 第5章朴素贝叶斯 80 5.1 模型介绍 81 5.1.1 贝叶斯决策理论基础 81 5.1.2 使用朴素贝叶斯进行分类 82 5.1.3 朴素贝叶斯分类器的特点 83 5.2 案例四社区留言板文本分类 84 5.2.1 案例介绍 84 5.2.2 数据准备 84 5.2.3 概率计算 86 5.2.4 算法改进 87 5.2.5 改进后的朴素贝叶斯分类器应用 89 5.3 案例五旧金山犯罪分类预测 90 5.3.1 案例介绍 90 5.3.2 数据准备 91 5.3.3 模型实现 92 本章小结 93 思考题 93 第6章决策树 94 6.1 模型介绍 95 6.1.1 决策树概述 95 6.1.2 决策树数学基础 100 6.1.3 决策树算法 102 6.2 案例六鱼类和非鱼类判定 103 6.2.1 案例介绍 103 6.2.2 案例实现 104 6.3 案例七贷款权限判定 114 6.3.1 案例介绍 114 6.3.2 案例实现 115 本章小结 119 思考题 119 第7章随机森林 121 7.1 模型介绍 122 7.1.1 随机森林的历史 122 7.1.2 随机森林原理 122 7.1.3 构建随机森林 123 7.1.4 随机森林模型的性能评估 124 7.1.5 随机森林的应用 125 7.1.6 随机森林的Python常用库 125 7.2 案例八声呐信号分类 126 7.2.1 案例介绍 126 7.2.2 案例实现 127 7.3 案例九泰坦尼克号幸存者预测 132 7.3.1 案例介绍 132 7.3.2 案例实现 133 本章小结 139 思考题 139 第8章 AdaBoost模型 140 8.1 模型介绍 141 8.1.1 AdaBoost原理 141 8.1.2 AdaBoost的算法流程 142 8.1.3 AdaBoost的Python常用库 144 8.2 案例十马疝病预测 146 8.2.1 案例介绍 146 8.2.3 案例实现 146 8.3 案例十一学生课程成绩预测 149 8.3.1 案例介绍 149 8.3.2 案例实现 150 本章小结 154 思考题 154 第9章支持向量机 155 9.1 线性支持向量机 156 9.1.1 间隔与支持向量 156 9.1.2 对偶问题 158 9.1.3 SMO算法 159 9.2 非线性分类 170 9.2.1 核函数概述 170 9.2.2 高斯径向基核函数 171 9.3 案例十二手写数字识别 175 本章小结 179 思考题 179 第10章人工神经网络 180 10.1 从感知机到多层感知机 181 10.1.1 神经元和感知机 181 10.1.2 多层感知机 183 10.2 激活函数和损失函数 184 10.2.1 激活函数 184 10.2.2 损失函数 186 10.3 反向传播算法 187 10.4 案例十三手写数字识别 188 10.4.1 数据准备 188 10.4.2 网络配置 189 10.4.3 模型训练 190 10.4.4 模型使用 193 本章小结 195 思考题 195 第11章 K均值聚类 196 11.1 模型介绍 197 11.1.1 模型概述 197 11.1.2 基本的K均值聚类算法 197 11.1.3 K均值聚类算法的代码实现 198 11.1.4 二分K均值算法 202 11.2 案例十四居民家庭消费调查 204 11.2.1 案例介绍 204 11.2.2 案例实现 205 11.3 案例十五物流公司*佳配送路径问题 207 本章小结 210 思考题 210 第12章财政收入影响因素分析及预测案例 212 12.1 案例引入 213 12.2 模型介绍 213 12.3 案例操作 215 12.3.1 案例步骤 215 12.3.2 案例实现 215 本章小结 221 思考题 221 第13章偷税漏税行为识别分析案例 222 13.1 案例引入 223 13.2 模型介绍 223 13.3 案例操作 224 13.3.1 案例步骤 224 13.3.2 案例实现 224 本章小结 232 思考题 232 附录A Python的安装与环境配置 233 A.1 Python的官方安装 233 A.1.1 Python的官方下载 233 A.1.2 Python的官方安装 235 A.1.3 手动配置环境变量 239 A.2 Anaconda的安装 242 A.2.1 Anaconda的下载 242 A.2.2 Anaconda的安装 244 A.2.3 手动配置Anaconda的环境 ?变量 250 A.2.4 Anaconda的运行 250 附录B Python开发工具的安装 252 B.1 Jupyter Notebook的安装 252 B.1.1 Jupyter Notebook的下载和安装 252 B.1.2 Jupyter Notebook的运行 255 B.2 PyCharm的安装 257 B.2.1 PyCharm的下载 257 B.2.2 PyCharm的安装 259

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐