Python在机器学习中的应用

　　随着大数据的兴起，Python 和机器学习迅速成为时代的宠儿。本书在内容编排上避免了枯燥的理论知识讲解，依循“理论简述——实际数据集——Python 程序实现算法”分析数据的思路，根据实际数据集的分析目的，采用合适的主流机器学习算法来解决问题。全书共12章，其中第1 ～ 4 章介绍了机器学习的基础知识；第5 ～ 12 章讨论了在面对不同的数据时，如何采用一些主流的算法来解决问题，主要包括回归分析、关联规则、无监督学习、文本LDA 模型、决策树和集成学习、朴素贝叶斯和K 近邻分类、支持向量机和神经网络，以及深 度学习入门等内容。针对每个算法，都给出Python 代码实现算法建模的过程，并结合可视化技术，帮助读者更好地理解算法和分析结果。 《Python 在机器学习中的应用》是使用Python 进行机器学习的入门实战教程，可作为以Python 为基础进行机器学习的本科生和研究生入门书籍，也可供对Python 机器学习感兴趣的研究人员参考阅读。

　　余本国，博士，硕士研究生导师。于中北大学理学系任教，主讲线性代数、微积分、Python语言、大数据分析基础等课程。2012年到加拿大York University做访问学者。出版有《Python数据分析基础》《基于Python的大数据分析基础及实战》等著作。

第1 章 机器学习简介
1.1 机器学习的任务
1.2 机器学习的三种方式
1.3 机器学习系统的建立
1.4 机器学习实例
第2 章 Python 常用库介绍
2.1 Python 的安装(Anaconda)
2.1.1 Spyder
2.1.2 Jupyter Notebook
2.2 Python 常用库
2.2.1 Numpy 库
2.2.2 Pandas 库
2.2.3 Matplotlib 库
2.2.4 Statsmodels 库
2.2.5 Scikit-learn 库
2.3 其他Python 常用的数据库
2.4 Python 各种库在机器学习中的应用
第3 章 数据的准备和探索
3.1 数据预处理
3.2 数据假设检验
3.3 数据间的关系
3.4 数据可视化
3.5 特征提取和降维
第4 章 模型训练和评估
4.1 模型训练技巧
4.2 分类效果的评价
4.3 回归模型评价
4.4 聚类分析评估
第5 章 回归分析
5.1 回归分析简介
5.2 多元线性回归分析
5.2.1 多元线性回归
5.2.2 逐步回归
5.3 Lasso 回归分析
5.4 Logistic 回归分析
5.5 时间序列预测
第6 章 关联规则
6.1 关联规则简介
6.2 使用关联规则找到问卷的规则
6.3 关联规则可视化
第7 章 无监督学习
7.1 无监督学习介绍
7.2 系统聚类
7.3 K- 均值聚类
7.4 密度聚类
7.5 Mean Shift 聚类
7.6 字典学习图像去噪
第8 章 文本LDA 模型
8.1 文本分析简介
8.2 中文分词
8.3 LDA 主题模型分析《红楼梦》
8.4 红楼梦人物关系
第9 章 决策树和集成学习
9.1 模型简介
9.2 泰坦尼克号数据预处理
9.3 决策树模型
9.4 决策树剪枝
9.5 随机森林模型
9.6 AdaBoost 模型
第10 章 朴素贝叶斯和K近邻分类
10.1 模型简介
10.2 垃圾邮件数据预处理
10.3 贝叶斯模型识别垃圾邮件
10.4 基于异常值检测的垃圾邮件查找
10.4.1 PCA 异常值检测
10.4.2 Isolation Forest 异常值检测
10.5 数据不平衡问题的处理
10.6 K 近邻分类
第11 章 支持向量机和神经网络
11.1 模型简介
11.2 肺癌数据可视化
11.3 支持向量机模型
11.4 全连接神经网络
第12 章 深度学习入门
12.1 深度学习介绍
12.2 卷积和池化
12.3 CNN 人脸识别
12.4 CNN 人脸检测
12.5 深度卷积图像去噪
12.5.1 空洞卷积
12.5.2 图像与图像块的相互转换
12.5.3 一种深度学习去噪方法