Python机器学习原理与实践 微课版 曹洁 等 编 大学教材大中专 正版图书籍 清华大学出版社

●第1章机器学习1
1.1机器学习的概念1
1.2机器学习的形式3
1.2.1监督学习3
1.2.2无监督学习4
1.2.3强化学习4
1.3构建机器学习系统的一般流程4
1.3.1数据预处理4
1.3.2选择预测模型并进行训练、诊断与调优6
1.3.3模型验证与使用未知数据进行预测6
1.4机器学习的典型应用6
1.4.1语音识别7
1.4.2人脸识别7
1.4.3机器翻译8
1.5本章小结8
第2章机器学习的数学基础9
2.1相似性和相异性的度量9
2.1.1数据对象之间的相异度9
2.1.2数据对象之间的相似度11
2.2基于梯度的优化方法13
2.2.1方向导数13
2.2.2梯度15
2.2.3梯度下降优化方法16
2.3概率与统计基础18
2.3.1概率基础18
2.3.2常用的概率分布21
2.3.3联合分布24
2.3.4随机变量的数字特征24
2.3.5优选似然参数估计26
2.4矩阵基础28
2.4.1矩阵的基本概念28
2.4.2特征值与特征向量30
2.4.3矩阵相似31
2.4.4矩阵分解32
2.4.5主成分分析34
2.4.6矩阵运算Python实现36
2.5本章小结39
第3章不同格式数据的读取与写入40
3.1使用csv模块读取和写入csv文件40
3.1.1使用csv.reader()读取csv文件40
3.1.2使用csv.writer()写入csv文件41
3.1.3使用csv.DictReader()读取csv文件43
3.1.4使用csv.DictWriter()写入csv文件44
3.2使用python-docx模块处理Word文档45
3.2.1创建与保存Word文档46
3.2.2读取Word文档46
3.2.3写入Word文档46
3.3Excel的文件读与写48
3.3.1利用xlrd模块读Excel文件49
3.3.2利用xlwt模块写Excel文件51
3.4pandas读写不同格式的数据52
3.4.1读写csv文件52
3.4.2读取txt文件55
3.4.3读写Excel文件57
3.4.4读写MySQL数据库61
3.5NumPy读写数据文件62
3.5.1读写二进制文件63
3.5.2读写文本文件63
3.6读写JSON数据64
3.6.1JSON数据格式65
3.6.2Python解码和编码JSON数据65
3.6.3Python操作JSON文件67
3.7本章小结67
第4章数据预处理68
4.1缺失值处理68
4.1.1删除存在缺失值的元组68
4.1.2对缺失数据填充70
4.1.3不处理76
4.2噪声数据处理76
4.2.1分箱法去噪77
4.2.2聚类去噪77
4.2.3回归去噪77
4.2.4正态分布3σ原则去噪78
4.3数据规范化78
4.3.1最小-优选规范化78
4.3.2z-score规范化80
4.3.3小数定标规范化80
4.4数据离散化81
4.4.1无监督离散化81
4.4.2监督离散化83
4.5数据归约83
4.5.1过滤法84
4.5.2包装法87
4.5.3嵌入法87
4.6数据降维88
4.6.1主成分分析法89
4.6.2线性判别分析法89
4.7本章小结90
第5章回归91
5.1回归概述91
5.1.1回归的概念91
5.1.2回归处理流程91
5.1.3回归的分类91
5.2一元线性回归92
5.2.1一元线性回归介绍92
5.2.2一元线性回归预测房价94
5.3多元线性回归98
5.3.1多元线性回归模型98
5.3.2使用多元线性回归分析广告媒介与销售额之间的关系100
5.3.3多元线性回归模型预测电能输出102
5.4非线性回归105
5.4.1多项式回归105
5.4.2非多项式的非线性回归108
5.5逻辑回归112
5.5.1逻辑回归模型113
5.5.2对鸢尾花数据进行逻辑回归分析115
5.6本章小结117
第6章决策树分类118
6.1分类概述118
6.1.1分类的基本概念118
6.1.2分类的一般流程119
6.2决策树分类概述120
6.2.1决策树的工作原理120
6.2.2很好划分属性的度量125
6.2.3决策树分类待测样本的过程127
6.3ID3决策树128
6.3.1ID3决策树的工作原理128
6.3.2Python实现ID3决策树130
6.3.3使用ID3决策树预测贷款申请138
6.3.4ID3决策树的缺点139
6.4C4.5决策树139
6.4.1C4.5决策树算法的工作原理139
6.4.2Python实现C4.5决策树算法141
6.4.3使用C4.5决策树算法预测鸢尾花类别146
6.5CART决策树148
6.5.1CART决策树算法的工作原理148
6.5.2Python实现CART决策树算法148
6.6本章小结152
第7章贝叶斯分类153
7.1贝叶斯定理153
7.2朴素贝叶斯分类原理与分类流程154
7.2.1贝叶斯分类原理154
7.2.2朴素贝叶斯分类的流程154
7.3高斯朴素贝叶斯分类157
7.3.1scikit-learn实现高斯朴素贝叶斯分类157
7.3.2Python实现Iris高斯朴素贝叶斯分类158
7.4多项式朴素贝叶斯分类163
7.5伯努利朴素贝叶斯分类164
7.6本章小结165
第8章支持向量机分类166
8.1支持向量机概述166
8.1.1支持向量机分类原理166
8.1.2优选边缘超平面167
8.2线性支持向量机167
8.2.1线性决策边界168
8.2.2线性分类器边缘168
8.2.3训练线性支持向量机模型169
8.3Python实现支持向量机171
8.3.1SVC支持向量机分类模型172
8.3.2NuSVC支持向量机分类模型175
8.3.3LinearSVC支持向量机分类模型175
8.4本章小结177
第9章聚类178
9.1聚类概述178
9.1.1聚类概念178
9.1.2聚类方法类型179
9.1.3聚类的应用领域180
9.2k-means聚类181
9.2.1k-means聚类原理181
9.2.2Python实现对鸢尾花k-means聚类182
9.3层次聚类185
9.3.1层次聚类原理185
9.3.2Python实现凝聚层次聚类189
9.3.3BIRCH聚类原理192
9.3.4Python实现BIRCH聚类195
9.4密度聚类196
9.4.1密度聚类原理196
9.4.2Python实现DBSCAN密度聚类199
9.5本章小结202
第10章人工神经网络203
10.1神经元203
10.1.1神经元概述203
10.1.2激活函数204
10.2感知器208
10.2.1感知器模型208
10.2.2感知器学习算法209
10.2.3Python实现感知器学习算法213
10.2.4使用感知器分类鸢尾花数据214
10.2.5单层感知器的局限性216
10.3BP神经网络217
10.3.1BP神经网络模型217
10.3.2BP神经网络学习算法219
10.3.3用BP神经网络实现鸢尾花分类221
10.4本章小结224
第11章OpenCV图像识别225
11.1图像识别基础225
11.1.1图像表示225
11.1.2图像颜色模型226
11.2OpenCV计算机视觉库229
11.2.1安装OpenCV229
11.2.2OpenCV的主要功能模块229
11.2.3OpenCV读入、显示与保存图像230
11.2.4OpenCV图像颜色变换232
11.2.5OpenCV图像裁剪236
11.2.6OpenCV图像的几何变换237
11.2.7OpenCV获取图像属性与感兴趣区域241
11.3OpenCV人脸检测242
11.3.1OpenCV图片人脸检测242
11.3.2OpenCV视频人脸检测243
11.4OpenCV人脸识别244
11.4.1LBPHFace人脸识别244
11.4.2FisherFace人脸识别246
11.4.3EigenFace人脸识别248
11.5本章小结249
第12章TensorFlow深度学习250
12.1TensorFlow基础250
12.1.1第一个TensorFlow程序250
12.1.2TensorFlow中的计算图251
12.2TensorFlow的常量与变量251
12.2.1TensorFlow的常量251
12.2.2TensorFlow的变量254
12.2.3TensorFlow的变量值修改256
12.3TensorFlow的Tensor对象256
12.3.1Python对象转换为Tensor对象257
12.3.2Tensor对象转换为Python对象258
12.3.3维度调整函数tf.reshape()259
12.3.4维度交换函数tf.transpose()259
12.3.5维度扩充函数tf.expand_dims()260
12.4TensorFlow的Operation对象261
12.5TensorFlow流程控制262
12.5.1TensorFlow条件判断262
12.5.2TensorFlow比较判断264
12.5.3TensorFlow逻辑运算265
12.5.4TensorFlow循环265
12.6Tensorflow卷积266
12.6.1卷积的原理266
12.6.2TensorFlow卷积操作268
12.7使用TensorFlow对图像进行分类271
12.8本章小结279
参考文献280