Python机器学习

非常适合无Python基础的读者使用。力求以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩固读者对知识点的掌握。在机器学习算法方面并未从理论角度详细阐述其数学原理，而是试图以尽可能少的数学知识解释算法的核心思想。

本书从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从最基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。
本书力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩固读者对知识点的掌握。
本书适合作为高等院校计算机类、软件工程类和大数据相关专业本科生Python机器学习相关课程的教材，也可作为数据科学相关领域工程技术人员的参考书，还可供不具备Python语言基础的机器学习爱好者从零开始学习。

前言
第1章Python概述
1.1Python简介
1.1.1Python的产生与发展
1.1.2Python的特点
1.1.3Python的应用领域
1.2Python开发环境搭建
1.2.1Python安装与配置
1.2.2Jupyter NoteBook
1.2.3PyCharm
1.3Python程序基本编写方法
1.3.1Python程序编写与执行
1.3.2Python错误与调试
1.3.3Python编码规范
1.4本章小结
1.5习题
第2章Python语言基础
2.1变量和简单数据类型
2.1.1标识符和变量
2.1.2基本数据类型
2.1.3运算符和表达式
2.2顺序结构
2.2.1赋值语句
2.2.2标准输入和输出
2.2.3顺序结构程序举例
2.3分支结构
2.3.1分支语句
2.3.2分支结构程序举例
2.4循环结构
2.4.1可迭代对象
2.4.2循环语句
2.4.3循环控制语句
2.4.4循环结构程序举例
2.5案例——人机对话猜数字
2.6本章小结
2.7习题
第3章基础数据结构
3.1列表
3.1.1列表的基本操作
3.1.2列表相关函数
3.1.3列表选取
3.2元组
3.2.1元组的基本操作
3.2.2元组与列表的异同与转换
3.3字典
3.3.1字典的基本操作
3.3.2遍历字典
3.3.3字典与列表的嵌套
3.4案例——约瑟夫环
3.5本章小结
3.6习题
第4章函数与模块
4.1函数的定义与调用
4.1.1函数的定义
4.1.2函数的调用
4.2函数的参数与返回值
4.2.1函数参数
4.2.2函数返回值
4.3两类特殊函数
4.3.1匿名函数
4.3.2递归函数
4.4常用函数
4.4.1字符串处理函数
4.4.2高级函数
4.5模块和包
4.5.1模块与包的导入
4.5.2常用模块
4.6案例——拼单词游戏
4.7本章小结
4.8习题
第5章面向对象程序设计
5.1类与对象
5.1.1类的定义
5.1.2对象的创建与使用
5.1.3数据成员与成员方法
5.2继承与重写
5.2.1继承
5.2.2重写
5.3异常处理
5.3.1内置的异常类
5.3.2异常的捕获与处理
5.3.3自定义异常类
5.4案例——超市销售管理系统
5.5本章小结
5.6习题
第6章NumPy数据分析
6.1安装NumPy库
6.2数据的获取
6.2.1使用Python读写文件
6.2.2使用NumPy读写文件
6.3数组创建与使用
6.3.1数组创建和基本属性
6.3.2数组选取
6.3.3数组操作
6.4数据运算
6.4.1算术运算
6.4.2比较运算
6.5案例——鸢尾花数据分析
6.6本章小结
6.7习题
第7章数据可视化
7.1安装Matplotlib库
7.2数据可视化基本流程
7.3设置绘图属性
7.4绘制常用图表
7.4.1折线图
7.4.2条形图
7.4.3散点图
7.4.4饼图
7.5绘制高级图表
7.5.1组合图
7.5.2三维图
7.6案例——随机漫步可视化
7.7本章小结
7.8习题
第8章机器学习概述
8.1机器学习简介
8.1.1机器学习的定义
8.1.2机器学习的发展
8.1.3机器学习的应用领域
8.2机器学习的基本理论
8.2.1基本术语
8.2.2机器学习算法
8.2.3机器学习的一般流程
8.3安装scikit-learn库
8.4scikit-learn基本框架
8.4.1数据的加载
8.4.2模型训练和预测
8.4.3模型的评估
8.4.4模型的保存与使用
8.5本章小结
8.6习题
第9章回归分析
9.1回归分析原理
9.2多元线性回归
9.2.1算法原理
9.2.2实现及参数
9.3正则化回归分析
9.3.1岭回归
9.3.2Lasso回归
9.3.3ElasticNet回归
9.4案例——不同回归算法的
分析对比
9.5本章小结
9.6习题
第10章分类算法
10.1k近邻算法
10.1.1算法原理
10.1.2实现及参数
10.1.3k近邻回归
10.2朴素贝叶斯算法
10.2.1相关概念
10.2.2算法原理
10.2.3实现及参数
10.3决策树
10.3.1算法原理
10.3.2很优特征选择函数
10.3.3实现及参数
10.4分类与回归树
10.4.1算法原理
10.4.2实现及参数
10.5支持向量机
10.5.1算法原理
10.5.2核函数
10.5.3实现及参数
10.6案例——多分类器分类数据
10.7本章小结
10.8习题
第11章聚类算法
11.1聚类的不同思想
11.2k均值算法
11.2.1算法原理
11.2.2实现及参数
11.3DBSCAN算法
11.3.1算法原理
11.3.2实现及参数
11.4Agglomerative聚类
11.4.1算法原理
11.4.2实现及参数
11.5案例——聚类不同分布
形状数据
11.6本章小结
11.7习题
第12章集成学习
12.1集成学习理论
12.2随机森林
12.2.1算法原理
12.2.2实现及参数
12.3投票法
12.4提升法
12.5本章小结
12.6习题
第13章算法评估与验证
13.1数据集划分
13.2距离度量方法
13.3分类有效性指标
13.4回归有效性指标
13.5聚类有效性指标
13.6参数调优
13.7本章小结
13.8习题
参考文献