机器学习Python实战

图书介绍

本书特色：1、项目驱动、实战性强。本书立足真实应用场景,按照机器学习的典型职业活动来组织内容，通过大量的项目任务，使读者能快速理解算法的基本原理，并将其应用在项目中。书中项目由项目知识准备、项目实训和项目拓展等模块组成，帮助读者建立利用科学方法分析问题、解决问题的创新思维，从而实现真正的价值。2、图解教学、深入浅出。本书配图丰富，读者能够通过图文直观地了解各算法的原理和流程，即使没有很扎实的数学基础也能够轻松学习机器学习算法与应用。

本书内容：本书使用通俗易懂的语言、丰富的图表和大量的案例对机器学习的重要算法进行讲解，提供一条从实践出发掌握机器学习知识的途径，读者即使没有很扎实的数学基础也可快速入门，大大降低了学习门槛。本书是项目驱动式教材，算法原理讲解深入浅出，实践案例典型，配套课件、实战案例、习题等课程资源丰富。

图书目录

项目1 机器学习认知

1.1 项目知识准备
       1.1.1 什么是机器学习
       1.1.2 机器学习的应用场景
       1.1.3 机器学习的流程
       1.1.4 机器学习的分类
       1.1.5 过拟合和欠拟合
       1.1.6 衡量机器学习模型的指标
1.2 项目实训
       1.2.1 搭建机器学习开发环境—Anaconda
       1.2.2 Jupyter Notebook的使用操作
       1.2.3 NumPy的基本使用
       1.2.4 pandas的基本使用
       1.2.5 Matplotlib的基本使用
1.3 项目拓展—查看机器学习常用数据集
1.4 项目小结
1.5 习题

项目2 红酒数据集可视化—数据预处理

2.1 项目知识准备
       2.1.1 数据处理
       2.1.2 数据降维
       2.1.3 数据集拆分
2.2 项目实训
       2.2.1 数据标准化处理
       2.2.2 数据离差标准化处理
       2.2.3 数据二值化处理
       2.2.4 数据归一化处理
       2.2.5 独热编码处理
       2.2.6 数据降维处理
2.3 项目拓展—红酒数据集拆分、标准化和降维处理
2.4 项目小结
2.5 习题

项目3 基于KNN算法的分类模型

3.1 项目知识准备
       3.1.1 KNN算法的原理
       3.1.2 KNN算法的流程
       3.1.3 KNN算法的关键
3.2 项目实训
       3.2.1 KNN算法完成分类任务
       3.2.2 KNN算法实战—酒的分类
3.3 项目拓展—辅助诊断乳腺肿瘤
3.4 项目小结
3.5 习题

项目4 基于线性回归算法的预测模型

4.1 项目知识准备
       4.1.1 什么是线性回归
       4.1.2 损失函数
       4.1.3 岭回归模型
       4.1.4 套索回归模型
4.2 项目实训
       4.2.1 线性回归模型的应用
       4.2.2 波士顿房价预测
       4.2.3 岭回归模型的应用
       4.2.4 套索回归模型的应用
4.3 项目拓展—糖尿病患者病情预测
4.4 项目小结
4.5 习题

项目5 基于逻辑回归算法的分类模型

5.1 项目知识准备
       5.1.1 逻辑回归算法的基本原理
       5.1.2 LogisticRegression逻辑回归分类器
5.2 项目实训
       5.2.1 逻辑回归算法预测考试是否及格
       5.2.2 逻辑回归算法实现鸢尾花分类
5.3 项目拓展—判断肿瘤是良性还是恶性
5.4 项目小结
5.5 习题

项目6 基于朴素贝叶斯算法的分类模型

6.1 项目知识准备
       6.1.1 朴素贝叶斯原理
       6.1.2 伯努利朴素贝叶斯算法
       6.1.3 高斯朴素贝叶斯算法
       6.1.4 多项式朴素贝叶斯算法
6.2 项目实训
       6.2.1 伯努利朴素贝叶斯模型实现天气预测
       6.2.2 高斯朴素贝叶斯模型实现连续值的分类
       6.2.3 多项式朴素贝叶斯模型实现离散特征的分类
6.3 项目拓展—估算个人收入等级
6.4 项目小结
6.5 习题

项目7 基于决策树与随机森林算法的预测模型

7.1 项目知识准备
       7.1.1 决策树的基本原理和构造
       7.1.2 随机森林的基本原理和构造
7.2 项目实训
       7.2.1 用决策树判断西瓜的好坏
       7.2.2 决策树和随机森林实现酒分类的对比
7.3 项目拓展—波士顿房价预测
7.4 项目小结
7.5 习题

项目8 支持向量机

8.1 项目知识准备
       8.1.1 支持向量机（SVM）的概念
       8.1.2 支持向量机的核函数与参数选择
8.2 项目实训
       8.2.1 用SVM完成鸢尾花分类任务
       8.2.2 SVM算法实战
8.3 项目拓展—波士顿房价分析
8.4 项目小结
8.5 习题

项目9 基于k-means算法的聚类模型

9.1 项目知识准备
       9.1.1 聚类算法
       9.1.2 k-means算法原理
       9.1.3 k-means算法流程
       9.1.4 k-means算法参数选择
9.2 项目实训
       9.2.1 k-means算法应用及效果展示
       9.2.2 k-means算法实现鸢尾花数据的聚类
9.3 项目拓展—航空公司客户价值分析
9.4 项目小结
9.5 习题

项目10 神经网络

10.1 项目知识准备
       10.1.1 神经网络的起源
       10.1.2 神经网络的原理
       10.1.3 神经网络的决策过程
10.2 项目实训
       10.2.1 神经网络完成鸢尾花分类任务
       10.2.2 神经网络实例—手写识别
10.3 项目拓展—良恶性肿瘤预测
10.4 项目小结
10.5 习题

项目11 模型评估与优化

11.1 项目知识准备
11.2 项目实训
       11.2.1 使用交叉验证评估模型
       11.2.2 使用网格搜索算法进行模型调参
       11.2.3 分类模型的可信度评估
11.3 项目小结
11.4 习题