scikit-learn机器学习实战(双色印刷)/人工智能技术丛书

本书围绕scikit-learn库， 详细介绍机器学习模型、算 法、应用场景及其案例实现 方法，通过对相关算法循序 渐进的讲解，带你轻松踏上 机器学习之旅。本书采用理 论与实践相结合的方式，结 合Python3语言的强大功能 ，以最小的编程代价来实现 机器学习算法。本书配套 PPT课件、案例源码、数据 集、开发环境与答疑服务。 本书共分13章，内容包 括机器学习的基础理论、模 型范式、策略、算法以及机 器学习的应用开发，涵盖特 征提取、简单线性回归、k 近邻算法、多元线性回归、 逻辑回归、朴素贝叶斯、非 线性分类、决策树回归、随 机森林、感知机、支持向量 机、人工神经网络、K均值 算法、主成分分析等热点研 究领域。 本书可以作为机器学习 初学者、研究人员或从业人 员的参考书，也可以作为计 算机科学、大数据、人工智 能、统计学和社会科学等专 业的大学生或研究生的教材 。

\"邓立国，东北大学计算机应用博士毕业。广东工业大学任教，主要研究方向：数据挖掘、知识工程、大数据处理、云计算、分布式计算等。著有图书《scikit-learn机器学习实战》《Python数据分析与挖掘实战》《Python大数据分析算法与实例》《Python机器学习算法与应用》《数据库原理与应用（SQL Server 2016版本）》等图书。 \"

第1章 机器学习概述 1.1 什么是机器学习 1.2 机器学习的作用领域 1.3 机器学习的分类 1.4 机器学习理论基础 1.5 机器学习应用开发的典型步骤 1.6 本章小结 1.7 复习题 第2章 机器学习之数据特征 2.1 数据的分布特征 2.1.1 数据分布集中趋势的测度 2.1.2 数据分布离散程度的测定 2.1.3 数据分布偏态与峰度的测定 2.2 数据的相关性 2.2.1 相关关系 2.2.2 相关分析 2.3 数据的聚类性 2.4 数据主成分分析 2.4.1 主成分分析的原理及模型 2.4.2 主成分分析的几何解释 2.4.3 主成分的导出 2.4.4 证明主成分的方差是依次递减的 2.4.5 主成分分析的计算 2.5 数据动态性及其分析模型 2.5.1 动态数据及其特点 2.5.2 动态数据分析模型分类 2.5.3 平稳时间序列建模 2.6 数据可视化 2.7 本章小结 2.8 复习题 第3章 用scikit-learn估计器分类 3.1 scikit-learn基础 3.1.1 sklearn包含的机器学习方式 3.1.2 sklearn的强大数据库 3.1.3 sklearm datasets构造数据 3.2 scikit-learn估计器 3.2.1 sklearn估计器的类别 3.2.2 sklearn分类器的比较 3.3 本章小结 3.4 复习题 第4章 朴素贝叶斯分类 4.1 算法原理 4.1.1 朴素贝叶斯算法原理 4.1 ,2朴素贝叶斯分类法 4.1.3 拉普拉斯校准 4.2 朴素贝叶斯分类 4.2.1 高斯朴素贝叶斯 4.2.2 伯努利朴素贝叶斯 4.2.3 多项式朴素贝叶斯 4.3 朴素贝叶斯分类实例