Python機(jī)器學(xué)習(xí)與可視化分析實(shí)戰(zhàn)

第1章 機(jī)器學(xué)習(xí)與Python開(kāi)發(fā)環(huán)境 1
1.1 機(jī)器學(xué)習(xí)概述 1
1.1.1 機(jī)器學(xué)習(xí)的前世今生 1
1.1.2 機(jī)器學(xué)習(xí)的研究現(xiàn)狀與方向 3
1.1.3 機(jī)器學(xué)習(xí)之美——數(shù)據(jù)的可視化 4
1.2 Python的基本安裝和用法 5
1.2.1 Anaconda的下載與安裝 6
1.2.2 Python編譯器PyCharm的安裝 8
1.2.3 使用Python實(shí)現(xiàn)softmax函數(shù)計(jì)算 11
1.3 Python常用類庫(kù)中的threading 12
1.3.1 threading模塊中的Thread類 13
1.3.2 threading中Lock類 14
1.3.3 threading中Join類 15
1.4 本章小結(jié) 16
第2章 用于數(shù)據(jù)處理及可視化展示的 Python類庫(kù) 17
2.1 從小例子起步——NumPy的初步使用 17
2.1.1 數(shù)據(jù)的矩陣化 17
2.1.2 數(shù)據(jù)分析 19
2.1.3 基于統(tǒng)計(jì)分析的數(shù)據(jù)處理 20
2.2 圖形化數(shù)據(jù)處理——Matplotlib包的使用 21
2.2.1 差異的可視化 21
2.2.2 坐標(biāo)圖的展示 22
2.2.3 大數(shù)據(jù)的可視化展示 23
2.3 常用的統(tǒng)計(jì)分析方法——相似度計(jì)算 26
2.3.1 歐幾里得相似度計(jì)算 26
2.3.2 余弦相似度計(jì)算 27
2.3.3 歐幾里得相似度與余弦相似度的比較 28
2.4 數(shù)據(jù)的統(tǒng)計(jì)學(xué)可視化展示 28
2.4.1 數(shù)據(jù)的四分位數(shù) 28
2.4.2 數(shù)據(jù)的四分位數(shù)示例 29
2.4.3 數(shù)據(jù)的標(biāo)準(zhǔn)化 32
2.4.4 數(shù)據(jù)的平行化處理 34
2.4.5 熱力圖——屬性相關(guān)性檢測(cè) 35
2.5 Python分析某地降雨量變化規(guī)律 36
2.5.1 不同年份的相同月份統(tǒng)計(jì) 36
2.5.2 不同月份之間的增減程度比較 38
2.5.3 每月降雨是否相關(guān) 39
2.6 本章小結(jié) 40
第3章 NBA賽季數(shù)據(jù)可視化分析 41
3.1 基于球員薪資的數(shù)據(jù)分析 41
3.1.1 關(guān)于球員薪資的一些基本分析 41
3.1.2 關(guān)于球員RPM相關(guān)性的分析 44
3.1.3 關(guān)于球員RPM數(shù)據(jù)的分析 45
3.2 Seaborn常用的數(shù)據(jù)可視化方法 46
3.2.1 關(guān)于RPM、薪資和年齡的一元可視化分析 46
3.2.2 關(guān)于RPM、薪資、年齡的二元可視化分析 47
3.2.3 關(guān)于衍生變量的可視化分析 49
3.2.4 NBA球隊(duì)數(shù)據(jù)的分析結(jié)果 51
3.3 NBA賽季數(shù)據(jù)分析 53
3.3.1 關(guān)于賽季發(fā)展的一些基本分析 53
3.3.2 群星璀璨的NBA 57
3.3.3 關(guān)于球員高級(jí)數(shù)據(jù)的一些基本分析 65
3.4 本章小結(jié) 66
第4章 聚類算法與可視化實(shí)戰(zhàn) 67
4.1 聚類的定義 67
4.1.1 衡量距離的方法 68
4.1.2 聚類算法介紹 72
4.2 經(jīng)典K-means聚類算法實(shí)戰(zhàn) 76
4.2.1 經(jīng)典K-means算法的Python實(shí)現(xiàn) 76
4.2.2 基于Iris數(shù)據(jù)集的可視化分析 78
4.2.3 投某音還是投某寶？基于K-means的廣告效果聚類分析 81
4.3 基于密度的聚類算法DBSCAN 88
4.3.1 DBSCAN算法原理與Python實(shí)現(xiàn) 89
4.3.2 基于sklearn的DBSCAN實(shí)戰(zhàn) 93
4.3.3 DBSCAN的優(yōu)缺點(diǎn)比較 95
4.4 基于層次的聚類算法 96
4.4.1 基于層次算法的原理 96
4.4.2 Agglomerative算法與示例 98
4.5 本章小結(jié) 101
第5章 線性回歸與可視化實(shí)戰(zhàn) 102
5.1 線性回歸的基本內(nèi)容與Python實(shí)現(xiàn) 102
5.1.1 什么是線性回歸 102
5.1.2 最小二乘法詳解 103
5.1.3 道士下山的故事——隨機(jī)梯度下降算法 105
5.1.4 基于一元線性回歸的比薩餅價(jià)格計(jì)算 107
5.1.5 線性回歸的評(píng)價(jià)指標(biāo) 109
5.1.6 線性回歸應(yīng)用 110
5.2 多元線性回歸實(shí)戰(zhàn) 111
5.2.1 多元線性回歸的基本內(nèi)容 112
5.2.2 多元線性回歸的Python實(shí)現(xiàn) 113
5.2.3 基于多元線性回歸的房?jī)r(jià)預(yù)測(cè)實(shí)戰(zhàn) 115
5.3 本章小結(jié) 122
第6章 邏輯回歸與可視化實(shí)戰(zhàn) 123
6.1 邏輯回歸的基本內(nèi)容與Python實(shí)現(xiàn) 123
6.1.1 邏輯回歸是一個(gè)分類任務(wù) 124
6.1.2 邏輯回歸的基本內(nèi)容 124
6.1.3 鏈?zhǔn)角髮?dǎo)法則 126
6.1.4 邏輯回歸中的Sigmoid函數(shù) 131
6.2 基于邏輯回歸的鳶尾花（Iris）分類 132
6.2.1 鳶尾花數(shù)據(jù)集簡(jiǎn)介與基礎(chǔ)可視化分析 132
6.2.2 鳶尾花數(shù)據(jù)集進(jìn)階可視化分析 135
6.2.3 基于鳶尾花數(shù)據(jù)集的數(shù)據(jù)挖掘 137
6.2.4 基于線性回歸與K-means的鳶尾花數(shù)據(jù)集分類 140
6.2.5 基于邏輯回歸的鳶尾花數(shù)據(jù)集分類 143
6.3 本章小結(jié) 147
第7章 決策樹(shù)算法與可視化實(shí)戰(zhàn) 148
7.1 水晶球的秘密 148
7.1.1 決策樹(shù) 149
7.1.2 決策樹(shù)的算法基礎(chǔ)——信息熵 149
7.1.3 決策樹(shù)的算法基礎(chǔ)——ID3算法 151
7.2 決策樹(shù)背后的信息——信息熵與交叉熵 152
7.2.1 交叉熵基本原理詳解 152
7.2.2 交叉熵的表述 154
7.3 決策樹(shù)實(shí)戰(zhàn)——分類與回歸樹(shù) 156
7.3.1 分類樹(shù)與回歸樹(shù)的區(qū)別 156
7.3.2 基于分類樹(shù)的鳶尾花分類實(shí)戰(zhàn) 157
7.3.2 基于回歸樹(shù)的波士頓房?jī)r(jià)預(yù)測(cè) 158
7.4 基于隨機(jī)森林的信用卡違約實(shí)戰(zhàn) 159
7.4.1 隨機(jī)森林的基本內(nèi)容 159
7.4.2 隨機(jī)森林與決策樹(shù)的可視化比較 161
7.4.3 基于隨機(jī)森林的信用卡違約檢測(cè) 164
7.5 本章小結(jié) 175
第8章 基于深度學(xué)習(xí)的酒店評(píng)論情感分類實(shí)戰(zhàn) 176
8.1 深度學(xué)習(xí) 176
8.1.1 何為深度學(xué)習(xí) 176
8.1.2 與傳統(tǒng)的“淺層學(xué)習(xí)”的區(qū)別 178
8.2 酒店評(píng)論情感分類——深度學(xué)習(xí)入門(mén) 178
8.3 深度學(xué)習(xí)的流程、應(yīng)用場(chǎng)景和模型分類 182
8.3.1 深度學(xué)習(xí)的流程與應(yīng)用場(chǎng)景 182
8.3.2 深度學(xué)習(xí)的模型分類 183
8.3 本章小結(jié) 184
第9章 基于深度學(xué)習(xí)的手寫(xiě)體圖像識(shí)別實(shí)戰(zhàn) 185
9.1 卷積運(yùn)算的基本概念 185
9.1.1 卷積運(yùn)算 186
9.1.2 TensorFlow中卷積函數(shù)的實(shí)現(xiàn) 187
9.1.3 池化運(yùn)算 189
9.1.4 softmax激活函數(shù) 190
9.1.5 卷積神經(jīng)網(wǎng)絡(luò)原理 191
9.2 MNIST手寫(xiě)體識(shí)別 193
9.2.1 MNIST數(shù)據(jù)集 193
9.2.2 MNIST數(shù)據(jù)集特征和標(biāo)簽 195
9.2.3 卷積神經(jīng)網(wǎng)絡(luò)編程實(shí)戰(zhàn)：MNIST數(shù)據(jù)集 197
9.3 基于多層感知機(jī)的手寫(xiě)體識(shí)別 200
9.3.1 多層感知機(jī)的原理與實(shí)現(xiàn) 201
9.3.2 多層感知機(jī)的激活函數(shù) 203
9.4 消除過(guò)擬合——正則化與dropout 205
9.4.1 正則化與dropout概述 205
9.4.2 使用防過(guò)擬合處理的多層感知機(jī) 206
9.4.3 Keras創(chuàng)建多層感知機(jī)的細(xì)節(jié)問(wèn)題 207
9.5 本章小結(jié) 208
第10章 TensorFlow Datasets和TensorBoard 訓(xùn)練可視化 210
10.1 TensorFlow Datasets簡(jiǎn)介 210
10.1.1 TensorFlow Datasets的安裝 212
10.1.2 TensorFlow Datasets的使用 212
10.2 TensorFlow Datasets數(shù)據(jù)集的使用——FashionMNIST 214
10.2.1 FashionMNIST數(shù)據(jù)集的下載與展示 215
10.2.2 模型的建立與訓(xùn)練 216
10.3 使用Keras對(duì)FashionMNIST數(shù)據(jù)集進(jìn)行處理 218
10.3.1 獲取數(shù)據(jù)集 218
10.3.2 數(shù)據(jù)集的調(diào)整 218
10.3.3 使用Python類函數(shù)建立模型 219
10.3.4 Model的查看和參數(shù)打印 220
10.3.5 模型的訓(xùn)練和評(píng)估 221
10.4 使用TensorBoard可視化訓(xùn)練過(guò)程 223
10.4.1 TensorBoard的文件夾的設(shè)置 223
10.4.2 TensorBoard的顯式調(diào)用 224
10.4.3 TensorBoard的使用 225
10.5 本章小結(jié) 229