跟着迪哥学Python数据分析与机器学习实战
第 1章 人工智能入学指南
1．1 AI时代首选Python
1．1．1 Python的特点
1．1．2 Python该怎么学
1．2 人工智能的核心——机器学习
1．2．1 什么是机器学习
1．2．2 机器学习的流程
1．2．3 机器学习该怎么学
1．3 环境配置
1．3．1 Anaconda大礼包
查看完整
1．1 AI时代首选Python
1．1．1 Python的特点
1．1．2 Python该怎么学
1．2 人工智能的核心——机器学习
1．2．1 什么是机器学习
1．2．2 机器学习的流程
1．2．3 机器学习该怎么学
1．3 环境配置
1．3．1 Anaconda大礼包
查看完整
唐宇迪，计算机专业博士，网易云课堂人工智能认证行家，51CTO学院讲师，CSDN博客专家、讲师。拥有多年人工智能领域培训经验，带领课程研发团队累计开发AI课程60余门，覆盖当下人工智能热门领域。丰富的教学讲解经验，通俗易懂的授课风格，用接地气的方式帮助同学们进军人工智能领域。
本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。
全书共20章，大致分为4个部分。第一部分介绍了Python的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。
本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
全书共20章，大致分为4个部分。第一部分介绍了Python的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。
本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
第 1章 人工智能入学指南
1．1 AI时代首选Python
1．1．1 Python的特点
1．1．2 Python该怎么学
1．2 人工智能的核心——机器学习
1．2．1 什么是机器学习
1．2．2 机器学习的流程
1．2．3 机器学习该怎么学
1．3 环境配置
1．3．1 Anaconda大礼包
1．3．2 Jupyter Notebook
1．3．3 上哪找资源
本章总结
第 2章 科学计算库（Numpy）
2．1 Numpy的基本操作
2．1．1 Array数组
2．1．2 数组特性
2．1．3 数组属性操作
2．2 索引与切片
2．2．1 数值索引
2．2．2 bool索引
2．3 数据类型与数值计算
2．3．1 数据类型
2．3．2 复制与赋值
2．3．3 数值运算
2．3．4 矩阵乘法
2．4 常用功能模块
2．4．1 排序操作
2．4．2 数组形状操作
2．4．3 数组的拼接
2．4．4 创建数组函数
2．4．5 随机模块
2．4．6 文件读写
本章总结
第3章 数据分析处理库（Pandas）
3．1 数据预处理
3．1．1 数据读取
3．1．2 DataFrame结构
3．1．3 数据索引
3．1．4 创建DataFrame
3．1．5 Series操作
3．2 数据分析
3．2．1 统计分析
3．2．2 pivot数据透视表
3．2．3 groupby操作
3．3 常用函数操作
3．3．1 Merge操作
3．3．2 排序操作
3．3．3 缺失值处理
3．3．4 apply自定义函数
3．3．5 时间操作
3．3．6 绘图操作
3．4 大数据处理技巧
3．4．1 数值类型转换
3．4．2 属性类型转换
本章总结
第4章 数据可视化库（Matplotlib）
4．1 常规绘图方法
4．1．1 细节设置
4．1．2 子图与标注
4．1．3 风格设置
4．2 常用图表绘制
4．2．1条形图
4．2．2 盒图
4．2．3 直方图与散点图
4．2．4 3D图
4．2．5 布局设置
本章总结
第5章 回归算法
5．1 线性回归算法
5．1．1 线性回归方程
5．1．2 误差项分析
5．1．3 似然函数求解
5．1．4 线性回归求解
5．2 梯度下降算法
5．2．1 下山方向选择
5．2．2 梯度下降优化
5．2．3 梯度下降策略对比
5．2．4 学习率对结果的影响
5．3 逻辑回归算法
5．3．1 原理推导
5．3．2 逻辑回归求解
本章总结
第6章 逻辑回归项目实战——信用卡欺诈检测
6．1 数据分析与预处理
6．1．1 数据读取与分析
6．1．2 样本不均衡解决方案
6．1．3 特征标准化
6．2 下采样方案
6．2．1 交叉验证
6．2．2 模型评估方法
6．2．3 正则化惩罚
6．3 逻辑回归模型
6．3．1 参数对结果的影响
6．3．2 混淆矩阵
6．3．3 分类阈值对结果的影响
6．4 过采样方案
6．4．1 SMOTE数据生成策略
6．4．2 过采样应用效果
项目总结
第7章 决策树
7．1 决策树原理
7．1．1 决策树的基本概念
7．1．2 衡量标准
7．1．3 信息增益
7．1．4 决策树构造实例
7．1．5 连续值问题
7．1．6 信息增益率
7．1．7 回归问题求解
7．2 决策树剪枝策略
7．2．1 剪枝策略
7．2．2 决策树算法涉及参数
本章总结
第8章 集成算法
8．1 bagging算法
8．1．1 并行的集成
8．1．2 随机森林
8．2 boosting算法
8．2．1 串行的集成
8．2．2 Adaboost算法
8．3 stacking模型
本章总结
第9章 随机森林项目实战——气温预测
9．1 随机森林建模
9．1．1 特征可视化与预处理
9．1．2 随机森林回归模型
9．1．3 树模型可视化方法
9．1．4 特征重要性
9．2 数据与特征对结果影响分析
9．2．1 特征工程
9．2．2 数据量对结果影响分析
9．2．2 特征数量对结果影响分析
9．3 模型调参
9．3．1 随机参数选择
9．3．2 网络参数搜索
项目总结
第 10章 特征工程
10．1 数值特征
10．1．1 字符串编码
10．1．2 二值与多项式特征
10．1．3 连续值离散化
10．1．4 对数与时间变换
10．2 文本特征
10．2．1 词袋模型
10．2．2 常用文本特征构造方法
10．3 论文与benchmark
本章总结
第 11章： 贝叶斯算法项目实战——新闻分类
11．1 贝叶斯算法
11．1．1 贝叶斯公式
11．1．2 拼写纠错实例
11．1．3 垃圾邮件分类
11．2 新闻分类任务
11．2．1 数据清洗
11．2．1 TF-IDF关键词提取
项目总结
第 12章 支持向量机
12．1 支持向量机工作原理
12．1．1 支持向量机要解决的问题
12．1．2 距离与标签定义
12．1．3 目标函数
12．1．4 拉格朗日乘子法
12．2 支持向量的作用
12．2．1 支持向量机求解
12．2．2 支持向量的作用
12．3 支持向量机涉及参数
12．3．1 软间隔参数选择
12．3．2 核函数的作用
12．4 案例：参数对结果的影响
12．4．1 SVM基本模型
12．4．2 核函数变换
12．4．3 SVM参数选择
12．4．4 SVM人脸识别实例
本章总结
第 13章 推荐系统
13．1 推荐系统的应用
13．2 协同过滤算法
13．2．1 基于用户的协同过滤
13．2．1 基于商品的协同过滤
13．3 隐语义模型
13．3．1 矩阵分解思想
13．3．2 隐语义模型求解
13．3．3 评估方法
本章总结
第 14章 推荐系统项目实战——打造音乐推荐系统
14．1 数据集清洗
14．1．1 统计分析
14．1．2 数据集整合
14．2 基于相似度的推荐
14．2．1 排行榜推荐
14．2．2 基于歌曲相似度的推荐
14．3 基于矩阵分解的推荐
14．3．1 奇异值分解
14．3．2 使用SVD算法进行音乐推荐
项目总结
第 15章 降维算法
15．1 线性判别分析
15．1．1 降维原理概述
15．1．2 优化的目标
15．1．3 线性判别分析求解
15．1．4 Python实现线性判别分析降维
15．2 主成分分析
15．2．1 PCA降维基本知识点
15．2．2 PCA优化目标求解
15．2．3 Python实现PCA降维
本章总结
第 16章 聚类算法
16．1 K-means算法
16．1．1 聚类的基本特性
16．1．2 K-means算法原理
16．1．2 K-means涉及参数
16．1．3 K-means聚类效果与优缺点
16．2 DBSCAN聚类算法
16．2．1 DBSCAN算法概述
10．2．2 DBSCAN工作流程
16．2．3 半径对结果的影响
16．3 聚类实例
本章总结
第 17章 神经网络
17．1 神经网络必备基础
17．1．1 神经网络概述
17．1．2 计算机眼中的图像
17．1．3 得分函数
17．1．4 损失函数
17．1．5 反向传播
17．2 神经网络整体架构
11．2．1 整体框架
17．2．2 神经元的作用
17．2．3 正则化
17．2．4 激活函数
17．3 网络调优细节
17．3．1 数据预处理
17．3．2 Drop-Out
17．3．3 数据增强
17．3．4 网络结构设计
本章总结
第 18章 TensorFlow实战
18．1 TensorFlow基本操作
18．1．1 Tensorflow特性
18．1．2 Tensorflow基本操作
18．1．3 Tensorflow实现回归任务
18．2 搭建神经网络进行手写字体识别
本章总结
第 19章 卷积神经网络
19．1 卷积操作原理
19．1．1 卷积神经网络应用
19．1．2 卷积操作流程
19．1．3 卷积计算方法
19．1．4 卷积涉及参数
19．1．5 池化层
19．2 经典网络架构
19．2．1 卷积神经网络整体架构
19．2．2 AlexNet网络
19．2．3 VGG网络
19．2．4 ResNet网络
19．3 TensorFlow实战卷积神经网络
本章总结
第 20章 神经网络项目实战——影评情感分析
20．1 递归神经网络
20．1．1 RNN网络架构
20．1．2 LSTM网络
20．2 影评数据特征工程
20．2．1 词向量
20．2．2 数据特征制作
20．3 构建RNN模型
项目总结
^ 收 起
1．1 AI时代首选Python
1．1．1 Python的特点
1．1．2 Python该怎么学
1．2 人工智能的核心——机器学习
1．2．1 什么是机器学习
1．2．2 机器学习的流程
1．2．3 机器学习该怎么学
1．3 环境配置
1．3．1 Anaconda大礼包
1．3．2 Jupyter Notebook
1．3．3 上哪找资源
本章总结
第 2章 科学计算库（Numpy）
2．1 Numpy的基本操作
2．1．1 Array数组
2．1．2 数组特性
2．1．3 数组属性操作
2．2 索引与切片
2．2．1 数值索引
2．2．2 bool索引
2．3 数据类型与数值计算
2．3．1 数据类型
2．3．2 复制与赋值
2．3．3 数值运算
2．3．4 矩阵乘法
2．4 常用功能模块
2．4．1 排序操作
2．4．2 数组形状操作
2．4．3 数组的拼接
2．4．4 创建数组函数
2．4．5 随机模块
2．4．6 文件读写
本章总结
第3章 数据分析处理库（Pandas）
3．1 数据预处理
3．1．1 数据读取
3．1．2 DataFrame结构
3．1．3 数据索引
3．1．4 创建DataFrame
3．1．5 Series操作
3．2 数据分析
3．2．1 统计分析
3．2．2 pivot数据透视表
3．2．3 groupby操作
3．3 常用函数操作
3．3．1 Merge操作
3．3．2 排序操作
3．3．3 缺失值处理
3．3．4 apply自定义函数
3．3．5 时间操作
3．3．6 绘图操作
3．4 大数据处理技巧
3．4．1 数值类型转换
3．4．2 属性类型转换
本章总结
第4章 数据可视化库（Matplotlib）
4．1 常规绘图方法
4．1．1 细节设置
4．1．2 子图与标注
4．1．3 风格设置
4．2 常用图表绘制
4．2．1条形图
4．2．2 盒图
4．2．3 直方图与散点图
4．2．4 3D图
4．2．5 布局设置
本章总结
第5章 回归算法
5．1 线性回归算法
5．1．1 线性回归方程
5．1．2 误差项分析
5．1．3 似然函数求解
5．1．4 线性回归求解
5．2 梯度下降算法
5．2．1 下山方向选择
5．2．2 梯度下降优化
5．2．3 梯度下降策略对比
5．2．4 学习率对结果的影响
5．3 逻辑回归算法
5．3．1 原理推导
5．3．2 逻辑回归求解
本章总结
第6章 逻辑回归项目实战——信用卡欺诈检测
6．1 数据分析与预处理
6．1．1 数据读取与分析
6．1．2 样本不均衡解决方案
6．1．3 特征标准化
6．2 下采样方案
6．2．1 交叉验证
6．2．2 模型评估方法
6．2．3 正则化惩罚
6．3 逻辑回归模型
6．3．1 参数对结果的影响
6．3．2 混淆矩阵
6．3．3 分类阈值对结果的影响
6．4 过采样方案
6．4．1 SMOTE数据生成策略
6．4．2 过采样应用效果
项目总结
第7章 决策树
7．1 决策树原理
7．1．1 决策树的基本概念
7．1．2 衡量标准
7．1．3 信息增益
7．1．4 决策树构造实例
7．1．5 连续值问题
7．1．6 信息增益率
7．1．7 回归问题求解
7．2 决策树剪枝策略
7．2．1 剪枝策略
7．2．2 决策树算法涉及参数
本章总结
第8章 集成算法
8．1 bagging算法
8．1．1 并行的集成
8．1．2 随机森林
8．2 boosting算法
8．2．1 串行的集成
8．2．2 Adaboost算法
8．3 stacking模型
本章总结
第9章 随机森林项目实战——气温预测
9．1 随机森林建模
9．1．1 特征可视化与预处理
9．1．2 随机森林回归模型
9．1．3 树模型可视化方法
9．1．4 特征重要性
9．2 数据与特征对结果影响分析
9．2．1 特征工程
9．2．2 数据量对结果影响分析
9．2．2 特征数量对结果影响分析
9．3 模型调参
9．3．1 随机参数选择
9．3．2 网络参数搜索
项目总结
第 10章 特征工程
10．1 数值特征
10．1．1 字符串编码
10．1．2 二值与多项式特征
10．1．3 连续值离散化
10．1．4 对数与时间变换
10．2 文本特征
10．2．1 词袋模型
10．2．2 常用文本特征构造方法
10．3 论文与benchmark
本章总结
第 11章： 贝叶斯算法项目实战——新闻分类
11．1 贝叶斯算法
11．1．1 贝叶斯公式
11．1．2 拼写纠错实例
11．1．3 垃圾邮件分类
11．2 新闻分类任务
11．2．1 数据清洗
11．2．1 TF-IDF关键词提取
项目总结
第 12章 支持向量机
12．1 支持向量机工作原理
12．1．1 支持向量机要解决的问题
12．1．2 距离与标签定义
12．1．3 目标函数
12．1．4 拉格朗日乘子法
12．2 支持向量的作用
12．2．1 支持向量机求解
12．2．2 支持向量的作用
12．3 支持向量机涉及参数
12．3．1 软间隔参数选择
12．3．2 核函数的作用
12．4 案例：参数对结果的影响
12．4．1 SVM基本模型
12．4．2 核函数变换
12．4．3 SVM参数选择
12．4．4 SVM人脸识别实例
本章总结
第 13章 推荐系统
13．1 推荐系统的应用
13．2 协同过滤算法
13．2．1 基于用户的协同过滤
13．2．1 基于商品的协同过滤
13．3 隐语义模型
13．3．1 矩阵分解思想
13．3．2 隐语义模型求解
13．3．3 评估方法
本章总结
第 14章 推荐系统项目实战——打造音乐推荐系统
14．1 数据集清洗
14．1．1 统计分析
14．1．2 数据集整合
14．2 基于相似度的推荐
14．2．1 排行榜推荐
14．2．2 基于歌曲相似度的推荐
14．3 基于矩阵分解的推荐
14．3．1 奇异值分解
14．3．2 使用SVD算法进行音乐推荐
项目总结
第 15章 降维算法
15．1 线性判别分析
15．1．1 降维原理概述
15．1．2 优化的目标
15．1．3 线性判别分析求解
15．1．4 Python实现线性判别分析降维
15．2 主成分分析
15．2．1 PCA降维基本知识点
15．2．2 PCA优化目标求解
15．2．3 Python实现PCA降维
本章总结
第 16章 聚类算法
16．1 K-means算法
16．1．1 聚类的基本特性
16．1．2 K-means算法原理
16．1．2 K-means涉及参数
16．1．3 K-means聚类效果与优缺点
16．2 DBSCAN聚类算法
16．2．1 DBSCAN算法概述
10．2．2 DBSCAN工作流程
16．2．3 半径对结果的影响
16．3 聚类实例
本章总结
第 17章 神经网络
17．1 神经网络必备基础
17．1．1 神经网络概述
17．1．2 计算机眼中的图像
17．1．3 得分函数
17．1．4 损失函数
17．1．5 反向传播
17．2 神经网络整体架构
11．2．1 整体框架
17．2．2 神经元的作用
17．2．3 正则化
17．2．4 激活函数
17．3 网络调优细节
17．3．1 数据预处理
17．3．2 Drop-Out
17．3．3 数据增强
17．3．4 网络结构设计
本章总结
第 18章 TensorFlow实战
18．1 TensorFlow基本操作
18．1．1 Tensorflow特性
18．1．2 Tensorflow基本操作
18．1．3 Tensorflow实现回归任务
18．2 搭建神经网络进行手写字体识别
本章总结
第 19章 卷积神经网络
19．1 卷积操作原理
19．1．1 卷积神经网络应用
19．1．2 卷积操作流程
19．1．3 卷积计算方法
19．1．4 卷积涉及参数
19．1．5 池化层
19．2 经典网络架构
19．2．1 卷积神经网络整体架构
19．2．2 AlexNet网络
19．2．3 VGG网络
19．2．4 ResNet网络
19．3 TensorFlow实战卷积神经网络
本章总结
第 20章 神经网络项目实战——影评情感分析
20．1 递归神经网络
20．1．1 RNN网络架构
20．1．2 LSTM网络
20．2 影评数据特征工程
20．2．1 词向量
20．2．2 数据特征制作
20．3 构建RNN模型
项目总结
^ 收 起
唐宇迪，计算机专业博士，网易云课堂人工智能认证行家，51CTO学院讲师，CSDN博客专家、讲师。拥有多年人工智能领域培训经验，带领课程研发团队累计开发AI课程60余门，覆盖当下人工智能热门领域。丰富的教学讲解经验，通俗易懂的授课风格，用接地气的方式帮助同学们进军人工智能领域。
本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。
全书共20章，大致分为4个部分。第一部分介绍了Python的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。
本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
全书共20章，大致分为4个部分。第一部分介绍了Python的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。
本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
比价列表
公众号、微信群
缺书网微信公众号
扫码进群实时获取购书优惠