Python 3 數(shù)據(jù)分析與機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

第0章 本書(shū)的技術(shù)體系 

0.1 Python的發(fā)展趨勢(shì) 

0.2 人工智能時(shí)代學(xué)習(xí)Python的重要性 

0.3 本書(shū)的技術(shù)體系 

0.4 學(xué)習(xí)本書(shū)需要注意的事項(xiàng) 

第1章 Python基礎(chǔ)知識(shí) 

1.1 Python簡(jiǎn)介 

1.1.1 了解Python的起源與發(fā)展歷史 

1.1.2 Python的特色 

1.1.3 學(xué)習(xí)Python的原因 

1.2 Python的當(dāng)前版本 

1.3 Python的優(yōu)缺點(diǎn) 

1.4 Python與其他語(yǔ)言的區(qū)別 

1.5 Python的應(yīng)用領(lǐng)域 

第2章 Python的安裝、配置與卸載 

2.1 Python的安裝 

2.1.1 Python的下載 

2.1.2 Python的安裝 

2.2 Python的配置 

2.2.1 Python環(huán)境變量的設(shè)置 

2.2.2 Python的啟動(dòng) 

2.3 Python的卸載 

第3章 Python 3 基礎(chǔ)語(yǔ)法 

3.1 第一個(gè)Python程序 

3.2 Python的輸入和輸出 

3.2.1 Python的輸出語(yǔ)句 

3.2.2 Python的輸入語(yǔ)句 

3.3 Python的基本數(shù)據(jù)類(lèi)型 

3.3.1 數(shù)字 

3.3.2 字符串 

3.3.3 列表 

3.3.4 元組 

3.3.5 集合 

3.3.6 字典 

3.4 Python庫(kù)的導(dǎo)入 

3.5 Python的集成開(kāi)發(fā)環(huán)境 

3.6 自測(cè)練習(xí) 

第4章 Python 3的編程 

4.1 條件語(yǔ)句 

4.2 循環(huán)語(yǔ)句 

4.2.1 while循環(huán) 

4.2.2 for循環(huán) 

4.3 函數(shù) 

4.4 模塊 

4.5 自測(cè)練習(xí) 

第5章 機(jī)器學(xué)習(xí)基礎(chǔ) 

5.1 機(jī)器學(xué)習(xí)概述 

5.2 監(jiān)督學(xué)習(xí)簡(jiǎn)介 

5.3 非監(jiān)督學(xué)習(xí)簡(jiǎn)介 

5.4 增強(qiáng)學(xué)習(xí)簡(jiǎn)介 

5.5 深度學(xué)習(xí)簡(jiǎn)介 

5.6 機(jī)器學(xué)習(xí)常用術(shù)語(yǔ) 

第6章 Python 機(jī)器學(xué)習(xí)及分析工具 

6.1 矩陣操作函數(shù)庫(kù)（NumPy） 

6.1.1 NumPy的安裝 

6.1.2 NumPy的基本使用 

6.2 科學(xué)計(jì)算的核心包（SciPy） 

6.2.1 科學(xué)計(jì)算的核心包的安裝 

6.2.2 科學(xué)計(jì)算的核心包的基本使用 

6.3 Python 的繪圖庫(kù)（Matplotlib） 

6.3.1 Matplotlib簡(jiǎn)介及安裝 

6.3.2 Matplotlib的基本使用 

6.4 數(shù)據(jù)分析包（Pandas） 

6.4.1 Pandas簡(jiǎn)介和安裝 

6.4.2 Pandas的基本使用方法 

6.5 機(jī)器學(xué)習(xí)函數(shù)庫(kù)（Scikit-learn） 

6.6 統(tǒng)計(jì)建模工具包（StatsModels） 

6.7 深度學(xué)習(xí)框架（TensorFlow） 

第7章 數(shù)據(jù)預(yù)處理 

7.1 數(shù)據(jù)預(yù)處理概述 

7.2 數(shù)據(jù)清理 

7.2.1 異常數(shù)據(jù)處理 

7.2.2 缺失值處理 

7.2.3 噪聲數(shù)據(jù)處理 

7.3 數(shù)據(jù)集成 

7.4 數(shù)據(jù)變換 

7.5 數(shù)據(jù)歸約 

7.6 Python的主要數(shù)據(jù)預(yù)處理函數(shù) 

7.6.1 Python的數(shù)據(jù)結(jié)構(gòu) 

7.6.2 數(shù)據(jù)缺失處理函數(shù) 

第8章 分類(lèi)問(wèn)題 

8.1 分類(lèi)概述 

8.2 常用方法 

8.2.1 k-近鄰算法 

8.2.2 樸素貝葉斯 

8.2.3 支持向量機(jī) 

8.2.4 AdaBoost算法 

8.2.5 決策樹(shù) 

8.2.6 Multi-layer Perceptron 多層感知機(jī) 

8.3 項(xiàng)目實(shí)戰(zhàn) 

8.3.1 實(shí)例1：使用k-近鄰算法實(shí)現(xiàn)約會(huì)網(wǎng)站的配對(duì)效果 

8.3.2 實(shí)例2：使用樸素貝葉斯過(guò)濾垃圾郵件 

8.3.3 實(shí)例3：SVM實(shí)現(xiàn)手寫(xiě)識(shí)別系統(tǒng) 

8.3.4 實(shí)例4：基于單層決策樹(shù)構(gòu)建分類(lèi)算法 

8.3.5 實(shí)例5：使用決策樹(shù)對(duì)iris數(shù)據(jù)集分類(lèi) 

8.3.6 實(shí)例6：使用決策樹(shù)對(duì)身高體重?cái)?shù)據(jù)進(jìn)行分類(lèi) 

8.3.7 實(shí)例7：使用k-近鄰算法對(duì)鳶尾花數(shù)據(jù)進(jìn)行交叉驗(yàn)證 

8.3.8 使用多層感知器分析，根據(jù)葡萄酒的各項(xiàng)化學(xué)特征來(lái) 

判斷葡萄酒的優(yōu)劣 

8.4 自測(cè)練習(xí) 

第9章 預(yù)測(cè)分析 

9.1 預(yù)測(cè)概述 

9.2 常用方法 

9.2.1 時(shí)間序列分析預(yù)測(cè)法 

9.2.2 BP神經(jīng)網(wǎng)絡(luò)模型 

9.3 項(xiàng)目實(shí)戰(zhàn) 

9.3.1 實(shí)例1：根據(jù)一年的歷史數(shù)據(jù)預(yù)測(cè)后十年的數(shù)據(jù)趨勢(shì) 

9.3.2 實(shí)例2：使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)公路運(yùn)量 

9.4 自測(cè)練習(xí) 

第10章 關(guān)聯(lián)分析 

10.1 關(guān)聯(lián)分析概述 

10.2 基本方法 

10.2.1 Apriori算法 

10.2.2 FP-Growth算法 

10.3 項(xiàng)目實(shí)戰(zhàn)（解決目前流行的實(shí)際問(wèn)題） 

10.3.1 用Apriori進(jìn)行關(guān)聯(lián)分析的實(shí)例 

10.3.2 使用FP-Growth算法提取頻繁項(xiàng)集 

10.4 自測(cè)練習(xí) 

第11章 網(wǎng)絡(luò)爬蟲(chóng) 

11.1 網(wǎng)絡(luò)爬蟲(chóng)概述 

11.1.1 網(wǎng)絡(luò)爬蟲(chóng)原理 

11.1.2 爬蟲(chóng)分類(lèi) 

11.2 網(wǎng)頁(yè)抓取策略和方法 

11.2.1 網(wǎng)頁(yè)抓取策略 

11.2.2 網(wǎng)頁(yè)抓取的方法 

11.3 項(xiàng)目實(shí)戰(zhàn) 

11.3.1 用Python抓取指定的網(wǎng)頁(yè) 

11.3.2 用Python抓取包含關(guān)鍵詞的網(wǎng)頁(yè) 

11.3.3 下載貼吧中的圖片 

11.3.4 股票數(shù)據(jù)抓取 

11.4 自測(cè)練習(xí) 

第12章 集成學(xué)習(xí) 

12.1 集成學(xué)習(xí)概述 

12.2 常用方法 

12.2.1 Bagging和隨機(jī)森林 

12.2.2 Boosting和AdaBoost 

12.3 項(xiàng)目實(shí)戰(zhàn) 

12.3.1 使用隨機(jī)森林方法預(yù)測(cè)乘員的存活概率 

12.3.2 使用AdaBoost方法進(jìn)行二元分類(lèi) 

12.4 自測(cè)練習(xí) 

第13章 深度學(xué)習(xí) 

13.1 深度學(xué)習(xí)概述 

13.2 常用方法 

13.2.1 監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu) 

13.2.2 非監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu) 

13.3 項(xiàng)目實(shí)戰(zhàn) 

13.3.1 使用TensorFlow框架進(jìn)行MNIST數(shù)據(jù)集生成 

13.3.2 使用Theano框架進(jìn)行MNIST數(shù)字識(shí)別 

13.4 自測(cè)練習(xí) 

第14章 數(shù)據(jù)降維及壓縮 

14.1 數(shù)據(jù)降維及壓縮概述 

14.1.1 數(shù)據(jù)降維 

14.1.2 圖像壓縮 

14.2 基本方法 

14.2.1 主成分分析 

14.2.2 奇異值分解 

14.3 項(xiàng)目實(shí)戰(zhàn) 

14.3.1 主成分分析PCA實(shí)例 

14.3.2 使用奇異值分解進(jìn)行圖像壓縮 

14.4 自測(cè)練習(xí) 

第15章 聚類(lèi)分析 

15.1 聚類(lèi)分析概述 

15.2 K-means算法 

15.2.1 K-means算法與步驟 

15.2.2 K-means算法涉及的問(wèn)題 

15.2.3 實(shí)際聚類(lèi)問(wèn)題的處理流程 

15.3 項(xiàng)目實(shí)戰(zhàn) 

15.3.1 K-means算法實(shí)現(xiàn)二維數(shù)據(jù)聚類(lèi) 

15.3.2 使用Scikit-learn中的方法進(jìn)行聚類(lèi)分析 

15.4 自測(cè)練習(xí) 

第16章 回歸分析問(wèn)題 

16.1 回歸分析概述 

16.2 基本方法 

16.2.1 一元回歸分析 

16.2.2 多元線(xiàn)性回歸 

16.2.3 回歸的計(jì)算方法 

16.2.4 邏輯回歸分析 

16.3 項(xiàng)目實(shí)戰(zhàn) 

16.3.1 身高與體重的回歸分析 

16.3.2 房?jī)r(jià)預(yù)測(cè) 

16.3.3 產(chǎn)品銷(xiāo)量與廣告的多元回歸分析 

16.3.4 鳶尾花數(shù)據(jù)的邏輯回歸分析 

16.4 自測(cè)練習(xí)