机器学习原理与实战

图书介绍

1、本书以实现机器学习流程的各个步骤为导向，深入浅出地介绍了如何从零开始构建机器学习应用所需的必备技能。2、本书所有章节均采用总分结构，先总起陈述本章涉及的内容，而后将相关知识点一一道出。设计思路以应用为导向，让读者明确如何利用所学知识来解决问题，通过课后练习巩固所学知识，使读者真正理解并能够应用所学知识。3、本书的内容由浅入深，第1章介绍机器学习相关的基本概念等知识，让读者在宏观上理解机器学习的概念和常用应用领域，同时还介绍了机器学习的通用流程和常用Python机器学习工具库。第2~6章介绍了Python机器学习中的各个步骤的具体应用，内容涵盖了数据准备、特征工程、有监督学习、无监督学习以及智能推荐等，为读者提供Python机器学习全流程的详细说明；第7~10章是前面几章的综合应用，分别介绍了市财政收入分析、基于非侵入式负荷监测与分解的电力分析、航空公司客户价值分析、广电大数据营销推荐案例，帮助读者巩固前6章的知识。第11章介绍了基于开源、去编程化的TipDM数据挖掘建模平台，通过拖曳的图形化操作实现航空公司客户价值分析。

图书目录

第1章    机器学习概述

1.1    机器学习简介
1.1.1    机器学习的概念    
1.1.2    机器学习的应用领域    
1.2    机器学习通用流程    
1.2.1    目标分析    
1.2.2    数据准备    
1.2.3    特征工程    
1.2.4    模型训练
1.2.5    性能度量与模型调优
1.3    Python机器学习工具库简介    
1.3.1    数据准备相关工具库    
1.3.2    数据可视化相关工具库    
1.3.3    模型训练与评估相关工具库    
小结    
课后习题    

第2章    数据准备    

2.1    数据质量校验    
2.1.1    一致性校验    
2.1.2    缺失值校验    
2.1.3    异常值分析    
2.2    数据分布与趋势探查    
2.2.1    分布分析    
2.2.2    对比分析    
2.2.3    描述性统计分析    
2.2.4    周期性分析    
2.2.5    贡献度分析    
2.2.6    相关性分析    
2.3    数据清洗    
2.3.1    缺失值处理    
2.3.2    异常值处理    
2.4    数据合并    
2.4.1    数据堆叠    
2.4.2    主键合并    
小结    
课后习题    

第3章    特征工程    

3.1    特征变换      
3.1.1    特征缩放    
3.1.2    独热编码    
3.1.3    离散化    
3.2    特征选择    
3.2.1    过滤式选择    
3.2.2    包裹式选择    
3.2.3    嵌入式选择
3.2.4   字典学习    
小结    
课后习题    

第4章    有监督学习    

4.1    有监督学习简介    
4.2    性能度量    
4.2.1    分类任务性能度量    
4.2.2    回归任务性能度量    
4.3    线性模型    
4.3.1    线性模型简介    
4.3.2    线性回归    
4.3.3    逻辑回归    
4.4    k近邻分类    
4.5    决策树    
4.5.1    决策树简介    
4.5.2    ID3算法    
4.5.3    C4.5算法    
4.5.4    CART算法    
4.6    支持向量机    
4.6.1    支持向量机简介    
4.6.2    线性支持向量机    
4.6.3    非线性支持向量机    
4.7    朴素贝叶斯    
4.8    神经网络    
4.8.1    神经网络介绍    
4.8.2    BP神经网络    
4.9    集成学习    
4.9.1    Bagging    
4.9.2    Boosting    
4.9.3    Stacking    
小结    
课后习题    

第5章    无监督学习    

5.1    无监督学习简介    
5.2    降维    
5.2.1    PCA    
5.2.2    核化线性降维    
5.3    聚类任务    
5.3.1    性能度量    
5.3.2    距离计算   
5.3.3    原型聚类    
5.3.4    密度聚类    
5.3.5    层次聚类    
小结    
课后习题    

第6章    智能推荐    

6.1    智能推荐简介    
6.1.1    什么是推荐系统    
6.1.2    智能推荐的应用    
6.2    智能推荐性能度量
6.2.1    离线实验评价指标    
6.2.2    用户调查评价指标    
6.2.3    在线实验评价指标    
6.3    基于关联规则的智能推荐    
6.3.1    关联规则和频繁项集    
6.3.2    Apriori    
6.3.3    FP-Growth    
6.4    基于协同过滤的智能推荐    
6.4.1    基于用户的协同过滤    
6.4.2    基于物品的协同过滤    
小结    
课后习题    

第7章    市财政收入分析    

7.1    目标分析    
7.1.1    背景    
7.1.2    数据说明    
7.1.3    分析目标    
7.2    数据准备    
7.3    特征工程    
7.3.1    Lasso回归    
7.3.2    特征选择    
7.4    模型训练    
7.4.1    灰色预测模型    
7.4.2    关键特征预测    
7.4.3    SVR模型预测    
7.5    性能度量    
小结    
课后习题    

第8章    基于非侵入式电力负荷监测与分解的电力分析    

8.1    目标分析    
8.1.1    背景    
8.1.2    数据说明    
8.1.3    分析目标    
8.2    数据准备    
8.2.1    数据探索    
8.2.2    缺失值处理    
8.3    特征工程    
8.3.1    设备数据    
8.3.2    周波数据    
8.4    模型训练    
8.5    性能度量    
 小结    
课后习题    

第9章    航空公司客户价值分析    

9.1    目标分析    
9.1.1    背景    
9.1.2    数据说明    
9.1.3    分析目标    
9.2    数据准备    
9.2.1    数据探索    
9.2.2    数据清洗    
9.3    特征工程    
9.3.1    特征构造    
9.3.2    特征选择    
9.3.3    特征变换    
9.4    模型训练    
9.5    性能度量    
9.5.1    结果分析    
9.5.2    客户价值分析    
小结
课后习题    

第10章    广电大数据营销推荐    

10.1    目标分析    
10.1.1    背景    
10.1.2    数据说明    
10.1.3    分析目标
10.2    数据准备    
10.2.1    数据获取    
10.2.2    数据清晰  
10.2.3    数据探索分析
10.3    特征工程 
10.3.1    特征构造
10.3.2    节目信息的获取    
10.4    模型构建    
10.4.1    基于物品的协同过滤算法的推荐模型  
10.4.2    基于Simple TagBased TF-IDF算法的标签推荐模型    
10.4.3    Popular流行度推荐模型    
10.5    模型评价    
10.6    结果分析    
小结    
课后习题    

第11章    基于TipDM数据挖掘建模平台实现航空公司客户价值分析    

11.1    平台简介    
11.1.1    首页    
11.1.2    数据源    
11.1.3    工程    
11.1.4    系统组件    
11.1.5    TipDM数据挖掘建模平台的本地化部署    
 11.2    快速构建航空公司客户价值分析工程    
11.2.1    数据获取    
11.2.2    数据准备    
11.2.3    特征工程    
11.2.4    模型训练    
小结    
课后习题