机器学习原理与实战

1.将Python基础与机器学习常用编程库精炼整合，帮助零基础读者更快地学会使用Python进行机器学习。 2.以实现机器学习流程的各个步骤为导向，介绍了如何从零开始构建机器学习应用所需的推荐技能 3.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 4.提供PPT课件、教学大纲、教学进度表等教学资源

   本书以Python机器学习常用技术与真实案例相结合的方式，深入浅出地介绍了Python机器学习应用的主要内容。全书共11章，分别介绍了机器学习概述、数据准备、特征工程、有监督学习、无监督学习、智能推荐的相关知识，并介绍了市财政收入分析案例、基于非侵入式电力负荷监测与分解的电力分析案例、航空公司客户价值分析案例、广电大数据营销推荐案例以及基于TipDM数据挖掘建模平台实现航空公司客户价值分析案例。每章都包含了课后习题，帮助读者巩固所学的内容。
本书可以作为高校数据科学或人工智能的相关专业教材，也可以作为机器学习爱好者的自学用书。

第1章机器学习概述1
1.1机器学习简介1
1.1.1机器学习的概念1
1.1.2机器学习的应用领域1
1.2机器学习通用流程3
1.2.1目标分析4
1.2.2数据准备5
1.2.3特征工程6
1.2.4模型训练7
1.2.5性能度量与模型调优7
1.3Python机器学习工具库简介7
1.3.1数据准备相关工具库8
1.3.2数据可视化相关工具库8
1.3.3模型训练与评估相关工具库9
小结10
课后习题10
第2章数据准备13
2.1数据质量校验13
2.1.1一致性校验13
2.1.2缺失值校验16
2.1.3异常值分析17
2.2数据分布与趋势探查18
2.2.1分布分析18
2.2.2对比分析22
2.2.3描述性统计分析26
2.2.4周期性分析28
2.2.5贡献度分析30
2.2.6相关性分析31
2.3数据清洗35
2.3.1缺失值处理35
2.3.2异常值处理39
2.4数据合并39
2.4.1数据堆叠40
2.4.2主键合并43
小结45
课后习题45
第3章特征工程48
3.1特征变换48
3.1.1特征缩放48
3.1.2独热编码52
3.1.3离散化53
3.2特征选择56
3.2.1过滤式选择57
3.2.2包裹式选择58
3.2.3嵌入式选择58
3.2.4字典学习59
小结64
课后习题64
第4章有监督学习67
4.1有监督学习简介67
4.2性能度量67
4.2.1分类任务性能度量68
4.2.2回归任务性能度量70
4.3线性模型70
4.3.1线性模型简介70
4.3.2线性回归70
4.3.3逻辑回归73
4.4k近邻分类76
4.5决策树78
4.5.1决策树简介78
4.5.2ID3算法79
4.5.3C4.5算法81
4.5.4CART算法84
4.6支持向量机86
4.6.1支持向量机简介86
4.6.2线性支持向量机87
4.6.3非线性支持向量机91
4.7朴素贝叶斯94
4.8神经网络98
4.8.1神经网络介绍98
4.8.2BP神经网络99
4.9集成学习103
4.9.1Bagging104
4.9.2Boosting106
4.9.3Stacking109
小结111
课后习题111
第5章无监督学习113
5.1无监督学习简介113
5.2降维113
5.2.1PCA114
5.2.2核化线性降维116
5.3聚类任务119
5.3.1性能度量119
5.3.2距离计算120
5.3.3原型聚类121
5.3.4密度聚类128
5.3.5层次聚类131
小结133
课后习题133
第6章智能推荐135
6.1智能推荐简介135
6.1.1什么是推荐系统135
6.1.2智能推荐的应用135
6.2智能推荐性能度量137
6.2.1离线实验评价指标137
6.2.2用户调查评价指标139
6.2.3在线实验评价指标140
6.3基于关联规则的智能推荐140
6.3.1关联规则和频繁项集140
6.3.2Apriori141
6.3.3FP-Growth145
6.4基于协同过滤的智能推荐150
6.4.1基于用户的协同过滤150
6.4.2基于物品的协同过滤153
小结157
课后习题157
第7章市财政收入分析160
7.1目标分析160
7.1.1背景160
7.1.2数据说明160
7.1.3分析目标161
7.2数据准备162
7.3特征工程164
7.3.1Lasso回归164
7.3.2特征选择164
7.4模型训练165
7.4.1灰色预测模型165
7.4.2关键特征预测166
7.4.3SVR模型预测168
7.5性能度量169
小结171
课后习题171
第8章基于非侵入式电力负荷监测与分解的电力分析172
8.1目标分析172
8.1.1背景172
8.1.2数据说明173
8.1.3分析目标175
8.2数据准备176
8.2.1数据探索176
8.2.2缺失值处理179
8.3特征工程181
8.3.1设备数据181
8.3.2周波数据182
8.4模型训练183
8.5性能度量185
小结189
课后习题189
第9章航空公司客户价值分析190
9.1目标分析190
9.1.1背景190
9.1.2数据说明191
9.1.3分析目标192
9.2数据准备192
9.2.1数据探索192
9.2.2数据清洗193
9.3特征工程193
9.3.1特征构造193
9.3.2特征选择195
9.3.3特征变换196
9.4模型训练198
9.5性能度量199
9.5.1结果分析199
9.5.2客户价值分析201
小结202
课后习题202
第10章广电大数据营销推荐205
10.1目标分析205
10.1.1背景205
10.1.2数据说明206
10.1.3分析目标208
10.2数据准备209
10.2.1数据获取209
10.2.2数据清洗209
10.2.3数据探索分析216
10.3特征工程222
10.3.1特征构造222
10.3.2节目信息的获取244
10.4模型构建247
10.4.1基于物品的协同过滤算法的推荐模型248
10.4.2基于SimpleTagBasedTF-IDF算法的标签推荐模型250
10.4.3Popular流行度推荐模型254
10.5性能度量255
10.6结果分析258
小结258
课后习题259
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260
11.1平台简介260
11.1.1首页261
11.1.2数据源261
11.1.3工程263
11.1.4系统组件263
11.1.5TipDM数据挖掘建模平台的本地化部署264
11.2快速构建航空公司客户价值分析工程267
11.2.1数据获取267
11.2.2数据准备270
11.2.3特征工程273
11.2.4模型训练275
小结277
课后习题277
参考文献278