Python數據分析與挖掘算法從入門到機器學習（微課視頻版）

張坤

Python數據分析與挖掘算法從入門到機器學習（微課視頻版） 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2022-05-01
  • 定價: $299
  • 售價: 8.5 折 $254
  • 語言: 簡體中文
  • ISBN: 7302600163
  • ISBN-13: 9787302600169
  • 相關分類: Data Science、Machine Learning

    • 下單後立即進貨 (約4週~6週)

  • Python數據分析與挖掘算法從入門到機器學習（微課視頻版）-preview-1
  • Python數據分析與挖掘算法從入門到機器學習（微課視頻版）-preview-2
  • Python數據分析與挖掘算法從入門到機器學習（微課視頻版）-preview-3
Python數據分析與挖掘算法從入門到機器學習（微課視頻版）-preview-1

相關主題

商品描述

本書主要內容包括：數據分析與挖掘簡介、爬蟲、Scrapy爬蟲框架、Numpy、Pandas、Matplotlib、線性回歸、Logistic回歸、決策樹與隨機森林、KNN模型、樸素貝葉斯模型、SVM模型等。本書以案例為導向，循序漸進，適合初學者。本書從初學者的角度進行編寫，在編寫過程中，註重基礎知識和案例應用相結合，主要內容包括：數據分析與挖掘簡介、爬蟲、Scrapy爬蟲框架、Numpy、Pandas、Matplotlib、線性回歸、Logistic回歸、決策樹與隨機森林、KNN模型、樸素貝葉斯模型、SVM模型等常用算法，最後總結了一些項目的綜合實戰案例。本書的代碼全部使用Python語言實現，適合大數據、人工智能等相關專業選用。

目錄大綱

目錄

第一部分數據分析與挖掘

第1章數據分析與挖掘簡介

1.1Python數據分析和挖掘任務中重要的庫與工具

1.1.1NumPy

1.1.2SciPy

1.1.3Pandas

1.1.4Matplotlib

1.1.5Jupyter Notebook

1.1.6Scikitlearn

1.2Anaconda 安裝

1.3Jupyter Notebook

第2章爬蟲

2.1爬蟲的基本流程

2.2HTTP 

2.3安裝PyCharm

2.4應用舉例

習題

第3章Scrapy爬蟲框架

3.1基本原理

3.2應用舉例

習題

第4章NumPy基本用法

4.1NumPy創建數組

4.1.1使用np.array()由Python列表創建

4.1.2使用np的方法創建

4.2NumPy查看數組屬性

4.3數組的基本操作

4.4NumPy運算

4.5排序

習題

第5章Pandas基本用法

5.1Series

5.2DataFrame

5.2.1創建DataFrame對象

5.2.2查看DataFrame對象

5.2.3DataFrame對象的索引與切片

5.3應用舉例

5.3.1數據讀取

5.3.2數據清洗

5.3.3數據規整

習題

第6章Matplotlib基本用法

6.1線型圖

6.2散點圖

6.3直方圖

6.4條形圖

6.5餅圖

6.6Seaborn

6.6.1Seaborn基本操作

6.6.2Seaborn繪制的圖

6.6.3Seaborn用法示例

6.7Pandas中的繪圖函數 

習題

第7章線性回歸、嶺回歸、Lasso回歸

7.1原理

7.1.1普通線性回歸

7.1.2嶺回歸

7.1.3Lasso回歸

7.2應用舉例

習題

第8章Logistic回歸分類模型

8.1原理

8.1.1模型簡介

8.1.2ROC曲線和AUC

8.1.3梯度下降法

8.1.4Scikitlearn中predict()與predict_proba()用法區別

8.2應用舉例

習題

第9章決策樹與隨機森林

9.1原理

9.1.1決策樹

9.1.2隨機森林

9.2應用舉例

習題

第10章KNN模型

10.1原理

10.2應用舉例

習題

第11章樸素貝葉斯模型

11.1原理

11.1.1貝葉斯定理

11.1.2樸素貝葉斯

11.1.3Scikitlearn中三種不同類型的樸素貝葉斯模型

11.2應用舉例

習題

第12章SVM模型

12.1原理

12.2應用舉例

習題

第13章Kmeans聚類

13.1原理

13.2應用舉例

習題

第14章關聯規則——Apriori算法

14.1原理

14.2應用舉例

習題

第15章數據分析與挖掘項目實戰

15.1貸款預測問題

15.1.1數據導入及查看

15.1.2數據預處理

15.1.3建立預測模型

15.2客戶流失率問題

15.2.1數據導入及查看

15.2.2數據預處理

15.2.3建立預測模型

習題

第二部分機 器 學 習

第16章主成分分析法

16.1原理

16.2應用舉例

習題

第17章集成學習

17.1原理

17.2應用舉例

習題

第18章模型評估

18.1分類評估

18.2回歸評估

18.3聚類評估

18.4Scikitlearn中的評估函數

第19章初識深度學習框架Keras

19.1關於Keras

19.2神經網絡簡介

19.3Keras神經網絡模型

19.4用Keras實現線性回歸模型

19.5用Keras實現鳶尾花分類

19.6Keras目標函數、性能評估函數、激活函數說明

習題

參考文獻

類似商品