不卡无码视频,超碰97国产人人干人人

內(nèi)容簡介

　　《Python機(jī)器學(xué)習(xí)一本通》結(jié)合了Python和機(jī)器學(xué)習(xí)兩個熱門領(lǐng)域，通過易于理解的知識講解，幫助讀者學(xué)習(xí)和掌握機(jī)器學(xué)習(xí)?！∪珪?0章，分為5篇。其中1篇為基礎(chǔ)入門篇，主要講述Python機(jī)器學(xué)習(xí)入門、設(shè)置機(jī)器學(xué)習(xí)的環(huán)境、機(jī)器學(xué)習(xí)基礎(chǔ)和統(tǒng)計分析數(shù)學(xué)基礎(chǔ)等內(nèi)容；第2篇為數(shù)據(jù)預(yù)處理篇，主要講述了產(chǎn)生和加載數(shù)據(jù)集、數(shù)據(jù)預(yù)處理等內(nèi)容；第3篇為機(jī)器學(xué)習(xí)算法篇，主要講述了回歸分析、決策樹分析、支持向量機(jī)、聚類分析、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、卷積網(wǎng)絡(luò)學(xué)習(xí)和模型評價等內(nèi)容；第4篇為機(jī)器學(xué)習(xí)應(yīng)用篇，主要講述了圖像識別、語音識別、期刊新聞分類和圖形壓縮4個機(jī)器學(xué)習(xí)應(yīng)用；第5篇為項目實戰(zhàn)篇，主要講述了社交好友分析、電商點擊率預(yù)估等?！”緯m用于想了解傳統(tǒng)機(jī)器學(xué)習(xí)算法的學(xué)生和從業(yè)者，想知道如何高效實現(xiàn)機(jī)器學(xué)習(xí)算法的程序員，以及想了解機(jī)器學(xué)習(xí)算法能如何進(jìn)行應(yīng)用的職員、經(jīng)理等。

作者簡介

　　楊志曉，工學(xué)博士，副教授，現(xiàn)在河南牧業(yè)經(jīng)濟(jì)學(xué)院智能制造與自動化學(xué)院工作，從事計算機(jī)應(yīng)用、控制理論與控制工程專業(yè)的教學(xué)與科研工作。研究方向主要有：人工智能理論及應(yīng)用、人機(jī)情感交互、可信計算?！≡鴧⑴c主持河南省重點科技攻關(guān)項目1項、河南省教育廳自然科學(xué)研究計劃項目2項、河南省高校青年骨干教師資助計劃項目、鄭州市科技攻關(guān)項目各1項，主持省級鑒定項目5項，作為主要完成人參與省級項目10余項，參與國家“十一五”科技支撐計劃項目1項，獲省政府科技進(jìn)步2等獎和3等獎各1項，獲教育廳科技成果一等獎2項，二等獎4項。獲國家授權(quán)發(fā)明專利2項（均為主持）等。　范艷峰，工學(xué)博士，教授。1995年至今，于河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院工作，教授。從事人工智能理論及應(yīng)用的教學(xué)科研工作。

圖書目錄

第一篇基礎(chǔ)入門篇
第1章 Python機(jī)器學(xué)習(xí)入門 1
1.1 　機(jī)器學(xué)習(xí)是人工智能的一個分支 2
1.1.1 什么是智能 2
1.1.2 智能的特點 4
1.1.3 人工智能及其研究內(nèi)容 5
1.1.4 人工智能的主要學(xué)派 7
1.1.5 人工智能的研究和應(yīng)用范疇 9
1.2 　理解機(jī)器學(xué)習(xí) 10
1.2.1 學(xué)習(xí)與機(jī)器學(xué)習(xí) 10
1.2.2 機(jī)器學(xué)習(xí)的分類 11
1.2.3 典型的機(jī)器學(xué)習(xí)方法 12
1.2.4 深度學(xué)習(xí) 17
1.3 　數(shù)據(jù)、大數(shù)據(jù)及其組織方式 18
1.3.1 數(shù)據(jù)及大數(shù)據(jù) 18
1.3.2 數(shù)據(jù)庫與數(shù)據(jù)倉庫 18
1.4 　機(jī)器學(xué)習(xí)的一般步驟 19
1.5 　本章小結(jié) 21
1.6 　習(xí)題 21
1.7 　高手點撥 21
第2章設(shè)置機(jī)器學(xué)習(xí)的
環(huán)境 23
2.1 　機(jī)器學(xué)習(xí)工具及Python
Anaconda的安裝 24
2.1.1 機(jī)器學(xué)習(xí)工具 24
2.1.2 Python Anaconda 24
2.1.3 Python Anaconda版的安裝
和使用 28
2.1.4 機(jī)器學(xué)習(xí)庫scikit- learn 32
2.2 　環(huán)境測試 33
2.3 　綜合實例—第一個機(jī)器學(xué)習(xí)
實例 34
2.4 　本章小結(jié) 36
2.5 　習(xí)題 36
2.6 　高手點撥 36
第3章 Python機(jī)器學(xué)習(xí)
基礎(chǔ) 39
3.1 　NumPy數(shù)值計算基礎(chǔ) 40
3.2 　Matplotlib可視化基礎(chǔ) 59
3.2.1 matplotlib.pyplot繪圖元素和
基本流程 59
3.2.2 繪制散點圖 60
3.2.3 繪制折線圖和點線圖 62
3.2.4 繪制柱狀圖 64
3.2.5 繪制餅圖 67
3.2.6 繪制箱線圖 69
3.2.7 繪制直方圖 70
3.2.8 繪制子圖 71
3.3 　Seaborn統(tǒng)計數(shù)據(jù)可視化 72
3.3.1 特征關(guān)系可視化 73
3.3.2 特征分類別可視化 76
3.3.3 特征分布可視化 90
3.3.4 矩陣可視化 98
3.4 　訪問數(shù)據(jù)文件 101
3.4.1 NumPy訪問二進(jìn)制文件 101
3.4.2 Pandas訪問文本文件 104
3.4.3 Pandas訪問Excel文件 107
3.5 　Pandas DataFrame操作 108
3.5.1 DataFrame對象及其屬性 108
3.5.2 使用字典方式訪問
DataFrame 110
3.5.3 使用屬性方式訪問
DataFrame 112
3.5.4 DataFrame訪問行的特殊方法 113
3.5.5 使用DataFrame.loc[ ],
DataFrame.iloc[ ]對
DataFrame進(jìn)行切片 114
3.5.6 更改DataFrame中的數(shù)據(jù) 119
3.6 　綜合實例—iris數(shù)據(jù)集特征、
特征間關(guān)系及分類別分析 121
3.7 　本章小結(jié) 129
3.8 　習(xí)題 129
3.9 　高手點撥 130
第4章統(tǒng)計分析數(shù)學(xué)基礎(chǔ)及
Python實現(xiàn) 131
4.1 　基本統(tǒng)計知識 132
4.1.1 中位數(shù)、眾數(shù)、極差 132
4.1.2 相關(guān)性、協(xié)方差、相關(guān)系數(shù)、
協(xié)方差矩陣 133
4.1.3 數(shù)據(jù)的分組聚合 135
4.1.4 數(shù)據(jù)透視表與交叉表 136
4.2 　NumPy統(tǒng)計分析 136
4.3 　Pandas統(tǒng)計分析 140
4.3.1 Pandas DataFrame描述性
統(tǒng)計 141
4.3.2 Pandas DataFrame數(shù)據(jù)
離散化 146
4.3.3 使用GroupBy拆分?jǐn)?shù)據(jù)并
進(jìn)行描述性統(tǒng)計 150
4.3.4 使用agg方法聚合數(shù)據(jù) 157
4.3.5 使用apply方法聚合數(shù)據(jù) 160
4.3.6 使用transform方法聚合
數(shù)據(jù) 161
4.3.7 使用pivot_table創(chuàng)建
透視表 163
4.3.8 使用crosstab創(chuàng)建交叉表 171
4.4 　綜合實例—iris數(shù)據(jù)集統(tǒng)計
分析 173
4.5 　本章小結(jié) 189
4.6 　習(xí)題 189
4.7 　高手點撥 190
第二篇數(shù)據(jù)預(yù)處理篇
第5章數(shù)據(jù)分析第一步—
產(chǎn)生和加載
數(shù)據(jù)集 191
5.1 　使用NumPy的函數(shù)產(chǎn)生模擬
數(shù)據(jù)集 192
5.2 　使用scikit-learn樣本生成器
生成數(shù)據(jù)集 198
5.3 　訪問scikit-learn自帶數(shù)據(jù)
文件 206
5.4 　訪問外部數(shù)據(jù)文件 210
5.5 　綜合實例—加載boston數(shù)據(jù)集、
另存為并重新訪問 211
5.6 　本章小結(jié) 214
5.7 　習(xí)題 215
5.8 　高手點撥 215
第6章數(shù)據(jù)分析第二步—
數(shù)據(jù)預(yù)處理 217
6.1 　數(shù)據(jù)預(yù)處理的基礎(chǔ)知識 218
6.1.1 一般流程和常用方法 218
6.1.2 標(biāo)準(zhǔn)化和正則化 219
6.1.3 特征選擇 221
6.1.4 特征降維—主成分分析、
線性判別分析 222
6.1.5 Pandas與scikit- learn數(shù)據(jù)
預(yù)處理概述 227
6.2 　使用scikit-learn進(jìn)行數(shù)據(jù)
預(yù)處理 228
6.2.1 使用sklearn對數(shù)據(jù)集進(jìn)行
Z- score標(biāo)準(zhǔn)化 228
6.2.2 使用sklearn對數(shù)據(jù)集進(jìn)行
極差標(biāo)準(zhǔn)化 232
6.2.3 使用sklearn對數(shù)據(jù)集
正則化 235
6.2.4 使用sklearn對數(shù)據(jù)集
二值化 238
6.2.5 使用sklearn進(jìn)行缺失值
插補(bǔ) 239
6.2.6 使用sklearn對分類特征
編碼 240
6.3 　特征降維 242
6.3.1 PCA降維 242
6.3.2 LDA降維 247
6.3.3 TSNE降維 250
6.4 　綜合實例—breast_cancer
數(shù)據(jù)集預(yù)處理 253
6.5 　本章小結(jié) 258
6.6 　習(xí)題 259
6.7 　高手點撥 259
第三篇機(jī)器學(xué)習(xí)算法篇
第7章回歸分析 261
7.1 　回歸分析及常用方法 262
7.1.1 線性回歸 262
7.1.2 邏輯回歸 263
7.1.3 多項式回歸 263
7.1.4 逐步回歸 263
7.1.5 嶺回歸 263
7.1.6 套索回歸 264
7.1.7 彈性網(wǎng)絡(luò)回歸 264
7.2 　線性回歸理論基礎(chǔ) 264
7.3 　使用scikit-learn進(jìn)行線性
回歸 266
7.4 　使用scikit-learn進(jìn)行嶺回歸 271
7.5 　使用scikit-learn進(jìn)行邏輯
回歸 274
7.6 　使用scikit-learn進(jìn)行多項式
回歸 280
7.6.1 單特征數(shù)據(jù)集多項式回歸 280
7.6.2 多特征數(shù)據(jù)集多項式回歸 285
7.7 　綜合實例—波士頓房價數(shù)據(jù)集
回歸分析 291
7.8 　本章小結(jié) 295
7.9 　習(xí)題 296
7.10 　高手點撥 296
第8章分類算法—決策樹
學(xué)習(xí) 297
8.1 　決策樹算法基礎(chǔ) 298
8.1.1 信息熵、信息增益、信息
增益率 298
8.1.2 決策樹算法 302
8.2 　使用scikit-learn進(jìn)行決策樹
學(xué)習(xí) 303
8.3 　綜合實例—使用決策樹對鳶尾花
數(shù)據(jù)集iris進(jìn)行分類 314
8.4 　本章小結(jié) 319
8.5 　習(xí)題 319
8.6 　高手點撥 320