跟着迪哥学PYTHON数据分析与机器学习实战

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。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。

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。

章人工智能入学指南
1.1AI时代首选Python
1.1.1Python的特点
1.1.2Python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
1.3.1Anaconda大礼包
1.3.2JupyterNotebook
1.3.3上哪找资源
本章总结
第2章科学计算库（Numpy）
2.1Numpy的基本操作
2.1.1Array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
2.2.2bool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
3.1.2DataFrame结构
3.1.3数据索引
3.1.4创建DataFrame
3.1.5Series操作
3.2数据分析
3.2.1统计分析
3.2.2pivot数据透视表
3.2.3groupby操作
3.3常用函数操作
3.3.1Merge操作
3.3.2排序操作
3.3.3缺失值处理
3.3.4apply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
4.2.43D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
6.4.1SMOTE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
8.1bagging算法
8.1.1并行的集成
8.1.2随机森林
8.2boosting算法
8.2.1串行的集成
8.2.2Adaboost算法
8.3stacking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
0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
1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
11.2.1TF-IDF关键词提取
项目总结
2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
12.4.1SVM基本模型
12.4.2核函数变换
12.4.3SVM参数选择
12.4.4SVM人脸识别实例
本章总结
3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
4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
5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
15.1.4Python实现线性判别分析降维
15.2主成分分析
15.2.1PCA降维基本知识点
15.2.2PCA优化目标求解
15.2.3Python实现PCA降维
本章总结
6章聚类算法
16.1K-means算法
16.1.1聚类的基本特性
16.1.2K-means算法原理
16.1.2K-means涉及参数
16.1.3K-means聚类效果与优缺点
16.2DBSCAN聚类算法
16.2.1DBSCAN算法概述
10.2.2DBSCAN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
7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
17.3.2Drop-Out
17.3.3数据增强
17.3.4网络结构设计
本章总结
8章TensorFlow实战
18.1TensorFlow基本操作
18.1.1Tensorflow特性
18.1.2Tensorflow基本操作
18.1.3Tensorflow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
9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
19.2.2AlexNet网络
19.2.3VGG网络
19.2.4ResNet网络
19.3TensorFlow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
20.1.1RNN网络架构
20.1.2LSTM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