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