本教材以 Windows操作系统为平台，系统讲解 Python3的基础知识。全书共 11章，主要介绍了 Python基本语法、字符串、列表、元组、字典、文件的读写、函数与模块等基础知识。首先介绍了 Python的特点、发展及推荐学习方法，然后讲授了 Python基础语法、流程控制语句、数据类型、函数、模块、面向对象、文件处理、异常处理、数据库操作，*后增加了全国计算机等级考试二级 Python语言程序设计考试中所要求的第三方库相关知识等。教材根据“自主式一体化教学”模式，对教材的构成要素进行调整，按照 Python的有关知识由浅入深、从易到难进行编写，并在每章后布置实训与练习，实现“教、学、做”一体，从而切实提高学生的持续发展能力。本教材力求为数据采集及分析提供全面的语言基础，同时也考虑到部分学有余力的同学参加全国计算机等级考试的要求，补充了全国计算机等级考试二级 Python语言程序设计考试大纲规定的知识，故也适合作为全国计算机等级考试二级考试 Python语言程序设计考试参考用书。为提升学习效果，教材结合实际应用提供了大量的案例进行说明和训练，并配以完善的学习资料和支持服务，包括教学大纲、教学进度表、教学 PPT、案例源码等，为读者提供全方位的学习服务。
周胜，男，*级实验师，担任软件专业负责人，近五年来，课程及资源建设完成如下：2013年主持完成《ASP.NET动态网页开发》课程信息化建设；2014年完成《计算机组装与维护实训指导书》校本教材建设；2015年完成《XAML基础教程》工学结合校本教材建设；2016年完成《大学计算机基础教程》编写及出版工作；2018年上半年完成《Python数据分析程序基础》工学结合校本教材建设。
目 录
*1章 人工智能及机器学习概述1
11 人工智能概述 1
111人工智能简史2
112人工智能是什么4
113人工智能的能力5
12 机器学习概述 5
121机器学习是什么5
122以监督学习为例6
123学习任务7
124机器学习要解决的基本问题7
125机器学习如何优化模型7
126机器学习工作流程7
127机器学习的各大流派8
128机器学习算法选择8
129需要的知识9
13 深度学习概述 9
14 机器学习与统计学 9
15 课后练习 10
▲
*2章 机器学习基础知识11
21 数学基础 11
211数据的分类12
212基本统计学术语12
213回归14
214*小二乘法14
215判断拟合好坏15
216小结17
22 读图 17
221数值数据的分布17
222分类数据的分布18
23 KNIME 21
231KNIME简介21
232下载和安装21
233KNIME基本使用21
234小结28
24 课后练习 28
▲
第3章 线性回归29
31 简单线性回归 30
311场景说明30
312KNIME建立工作流30
313数据获取30
314观察数据31
315数据划分33
316模型训练34
317模型测试37
318损失函数37
32 多元线性回归初步 38
321任务及数据说明38
322建立基本的工作流38
323读取并观察数据39
324整合界面49
33 多元线性回归进阶 51
331优化模型51
332正向选择节点55
333反向消除58
334模型解释58
335特征归一化59
336使用KNIME具体实现归一化59
337相关系数60
34 课后练习 61
▲
第4章 逻辑回归63
41 逻辑回归基本概念 63
411分类问题63
412从线性回归到逻辑回归65
413判定边界66
414KNIME工作流66
415读取数据67
416数据处理67
417模型训练及测试68
418模型评价69
42 逻辑回归实战 71
421泰坦尼克号生存问题背景介绍71
422读取数据72
423数据处理73
424数据可视化及删除无关列75
425模型训练和测试82
426模型评价83
427提交结果85
428模型解释89
43 课后练习 90
▲
第5章 模型优化91
51 梯度下降 91
511损失函数92
512使用KNIME优化模型96
52 正则化 98
521准确性和健壮性98
522复杂的模型98
523欠拟合和过拟合98
524正则化防止过拟合100
525使用KNIME设置正则化100
53 模型评价 101
531混淆矩阵101
532F1103
533ROC曲线和AUC104
54 课后练习 106
▲
第6章 支持向量机107
61 支持向量机基本概念 107
611支持向量机是什么107
612支持向量是什么108
613逻辑回归与支持向量机的比较108
614核110
615线性核模型调参111
616非线性核模型调参113
617C与 γ114
62 SVM初战 114
621问题说明114
622建立工作流114
623数据观察115
624模型训练与测试117
625观察结果118
63 支持向量机解决泰坦尼克号问题 119
631归一化119
632核函数120
633新建工作流120
634C参数123
64 一个重要的问题 124
65 课后练习 124
▲
第7章 决策树125
71 决策树简介 125
711决策树的优点125
712决策树的缺点126
713防止过拟合126
714问题解析126
715奥卡姆剃刀128
716提前结束128
717剪枝130
718组合算法131
719Adaboosting133
72 使用决策树解决泰坦尼克号生存问题 135
73 决策树*级应用实战——特征工程 137
731数据探寻137
732特征工程143
733异常数据处理146
74 决策树*级应用实战——模型建立与比较 149
741决策树149
742袋装153
743随机森林157
744提升159
75 课后练习 160
▲
第8章 深入理解决策树161
81 决策树进阶 161
811如何构建决策树161
812ID3算法决定什么是*好的162
813CART算法决定什么是*好的164
814KNIME设置165
82 数据不平衡问题优化 165
821多数数据降采样166
822少数数据过采样168
823SMOTE算法170
83 课后练习 172
▲
第9章 贝叶斯分析173
91 贝叶斯定理 173
911基本术语173
912条件概率174
913全概率和贝叶斯176
914贝叶斯定理176
915贝叶斯定理在机器学习中的应用177
92 贝叶斯算法解决银行客户分类问题 178
921工作流178
922贝叶斯算法的学习器节点178
93 情感分析案例 179
931安装插件179
932建立工作流180
94 课后练习 183
▲
*10章 深度学习185
101 深度学习简介 185
1011深度学习的关键186
1012我们的目标186
1013深度学习图像识别原理概述187
1014图像识别探析187
102 卷积神经网络（CNN） 189
1021CNN基本原理189
1022常用CNN模型193
103 KNIME实现卷积神经网络 195
1031环境构建195
1032安装所需的工具195
1033步骤分析198
104 深度学习开源应用举例 199
105 深度学习工商业应用举例 201
106 课后练习 205
▲
参考文献206
目 录
*1章 人工智能及机器学习概述1
11 人工智能概述 1
111人工智能简史2
112人工智能是什么4
113人工智能的能力5
12 机器学习概述 5
121机器学习是什么5
122以监督学习为例6
123学习任务7
124机器学习要解决的基本问题7
125机器学习如何优化模型7
126机器学习工作流程7
127机器学习的各大流派8
128机器学习算法选择8
129需要的知识9
13 深度学习概述 9
14 机器学习与统计学 9
15 课后练习 10
▲
*2章 机器学习基础知识11
21 数学基础 11
211数据的分类12
212基本统计学术语12
213回归14
214*小二乘法14
215判断拟合好坏15
216小结17
22 读图 17
221数值数据的分布17
222分类数据的分布18
23 KNIME 21
231KNIME简介21
232下载和安装21
233KNIME基本使用21
234小结28
24 课后练习 28
▲
第3章 线性回归29
31 简单线性回归 30
311场景说明30
312KNIME建立工作流30
313数据获取30
314观察数据31
315数据划分33
316模型训练34
317模型测试37
318损失函数37
32 多元线性回归初步 38
321任务及数据说明38
322建立基本的工作流38
323读取并观察数据39
324整合界面49
33 多元线性回归进阶 51
331优化模型51
332正向选择节点55
333反向消除58
334模型解释58
335特征归一化59
336使用KNIME具体实现归一化59
337相关系数60
34 课后练习 61
▲
第4章 逻辑回归63
41 逻辑回归基本概念 63
411分类问题63
412从线性回归到逻辑回归65
413判定边界66
414KNIME工作流66
415读取数据67
416数据处理67
417模型训练及测试68
418模型评价69
42 逻辑回归实战 71
421泰坦尼克号生存问题背景介绍71
422读取数据72
423数据处理73
424数据可视化及删除无关列75
425模型训练和测试82
426模型评价83
427提交结果85
428模型解释89
43 课后练习 90
▲
第5章 模型优化91
51 梯度下降 91
511损失函数92
512使用KNIME优化模型96
52 正则化 98
521准确性和健壮性98
522复杂的模型98
523欠拟合和过拟合98
524正则化防止过拟合100
525使用KNIME设置正则化100
53 模型评价 101
531混淆矩阵101
532F1103
533ROC曲线和AUC104
54 课后练习 106
▲
第6章 支持向量机107
61 支持向量机基本概念 107
611支持向量机是什么107
612支持向量是什么108
613逻辑回归与支持向量机的比较108
614核110
615线性核模型调参111
616非线性核模型调参113
617C与 γ114
62 SVM初战 114
621问题说明114
622建立工作流114
623数据观察115
624模型训练与测试117
625观察结果118
63 支持向量机解决泰坦尼克号问题 119
631归一化119
632核函数120
633新建工作流120
634C参数123
64 一个重要的问题 124
65 课后练习 124
▲
第7章 决策树125
71 决策树简介 125
711决策树的优点125
712决策树的缺点126
713防止过拟合126
714问题解析126
715奥卡姆剃刀128
716提前结束128
717剪枝130
718组合算法131
719Adaboosting133
72 使用决策树解决泰坦尼克号生存问题 135
73 决策树*级应用实战——特征工程 137
731数据探寻137
732特征工程143
733异常数据处理146
74 决策树*级应用实战——模型建立与比较 149
741决策树149
742袋装153
743随机森林157
744提升159
75 课后练习 160
▲
第8章 深入理解决策树161
81 决策树进阶 161
811如何构建决策树161
812ID3算法决定什么是*好的162
813CART算法决定什么是*好的164
814KNIME设置165
82 数据不平衡问题优化 165
821多数数据降采样166
822少数数据过采样168
823SMOTE算法170
83 课后练习 172
▲
第9章 贝叶斯分析173
91 贝叶斯定理 173
911基本术语173
912条件概率174
913全概率和贝叶斯176
914贝叶斯定理176
915贝叶斯定理在机器学习中的应用177
92 贝叶斯算法解决银行客户分类问题 178
921工作流178
922贝叶斯算法的学习器节点178
93 情感分析案例 179
931安装插件179
932建立工作流180
94 课后练习 183
▲
*10章 深度学习185
101 深度学习简介 185
1011深度学习的关键186
1012我们的目标186
1013深度学习图像识别原理概述187
1014图像识别探析187
102 卷积神经网络（CNN） 189
1021CNN基本原理189
1022常用CNN模型193
103 KNIME实现卷积神经网络 195
1031环境构建195
1032安装所需的工具195
1033步骤分析198
104 深度学习开源应用举例 199
105 深度学习工商业应用举例 201
106 课后练习 205
▲
参考文献206
周胜，男，*级实验师，担任软件专业负责人，近五年来，课程及资源建设完成如下：2013年主持完成《ASP.NET动态网页开发》课程信息化建设；2014年完成《计算机组装与维护实训指导书》校本教材建设；2015年完成《XAML基础教程》工学结合校本教材建设；2016年完成《大学计算机基础教程》编写及出版工作；2018年上半年完成《Python数据分析程序基础》工学结合校本教材建设。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
