《Python数据挖掘与机器学习实战》内容简介

第1章主要对机器学习的基本概念进行了概述，介绍了5种Python开发工具，分别是IDLE、IPython、PyCharm、Jupyter Notebook、Anaconda和Spyder，对它们的特点进行了阐述，并选择Anaconda和Spyder作为本书的开发工具。
第2章主要介绍了Python开发环境、计算规则与变量，并详细介绍了Python常用的数据类型，分别是字符串、列表、元组和字典；还介绍了爬虫的基本原理，其中重点介绍了Scrapy框架和XPath工具，并且以票务网为例实现了网站票务信息的爬取。
第3章首先介绍了数据挖掘中的回归分析和线性回归的基本概念，然后介绍了如何使用一元线性回归求解房价预测的问题，最后介绍了使用多元线性回归进行商品价格的预测。本章通过环境检测数据异常分析与预测这个实验，对逻辑回归做出了具体的表现分析…… 方巍编著

作品目录

前言
第1章：机器学习基础
1.1、机器学习概述
1.2、机器学习的发展历程
1.3、机器学习分类
1.4、机器学习的应用
1.5、开发机器学习的步骤
1.6、Python语言的优势
1.7、Python开发工具介绍
1.8、本章小结
第2章：Python语言简介
2.1、搭建Python开发环境
2.2、Python计算与变量
2.3、Python的字符串
2.4、Python的列表
2.5、Python的元组
2.6、Python的字典
2.7、网络爬虫的发展历史和分类
2.8、网络爬虫的原理
2.9、爬虫框架介绍
2.10、网络爬虫的设计与实现
2.11、本章小结
第3章：回归分析
3.1、回归分析概述
3.2、线性回归
3.3、用Python实现一元线性回归
3.4、用Python实现多元线性回归
3.5、基于线性回归的股票预测
3.6、逻辑回归
3.7、基于逻辑回归的环境数据检测
3.8、本章小结
第4章：决策树与随机森林
4.1、决策树
4.2、使用决策树对鸢尾花分类
4.3、随机森林
4.4、葡萄酒数据集的随机森林分类
4.5、本章小结
第5章：支持向量机
5.1、SVM的工作原理及分类
5.2、核函数
5.3、SVR简介
5.4、时间序列曲线预测
5.5、本章小结
第6章：隐马尔可夫模型
6.1、隐马尔可夫模型简介
6.2、Viterbi算法
6.3、HMM模型用于中文分词
6.4、本章小结
第7章：BP神经网络模型
7.1、背景介绍
7.2、结构特点
7.3、网络模型
7.4、人工神经网络简介
7.5、BP神经网络
7.6、通过TensorFlow实现BP神经网络
7.7、本章小结
第8章：卷积神经网络
8.1、传统图像识别技术
8.2、卷积神经网络简介
8.3、卷积神经网络的结构及原理
8.4、卷积神经网络的优点
8.5、雷达剖面图识别模型
8.6、模型测试分析
8.7、本章小结
第9章：循环神经网络
9.1、自然语言处理
9.2、对话系统
9.3、基于LSTM结构的循环神经网络
9.4、Seq2Seq模型
9.5、聊天机器人的程序实现
9.6、本章小结
第10章：聚类与集成算法
10.1、聚类方法简介
10.2、聚类算法
10.3、K-Means算法
10.4、K-Means++算法
10.5、K-Means++的实现
10.6、Adaboost集成算法的原理
10.7、Adaboost算法实现
10.8、本章小结
第11章：其他机器学习算法
11.1、贝叶斯分类器
11.2、贝叶斯分类模型
11.3、朴素贝叶斯分类器在破产预测中的应用
11.4、在线学习
11.5、Bandit在线学习算法
11.6、Bandit算法原理及实现
11.7、GAN网络
11.8、DCGAN网络
11.9、DCGAN人脸生成
11.10、本章小结
附录A
机器学习常见试题
附录B
数学基础
B.1、常用符号
B.2、数学基础知识
参考文献