Python机器学习教程

本书可作为高等院校物联网工程、自动化、计算机科学与技术等相关专业的教学用书，也可作为相关工程技术人员的参考用书。

本书采用通俗易懂的语言深入浅出地介绍了Python核心语法结构及程序设计方法。全书贯穿使用单相接地故障分类的具体工程案例，详细地介绍了Python机器学习所涉及的基本概念、算法及编程实现。本书采用案例教学，以案例驱动学习，论述具体问题。本书适用范围广，既适合零基础编程经验的读者学习，也适合具有高级编程经验的读者参考使用。通过对本书的学习可以快速、系统地掌握Python程序开发方法和机器学习编程技术。全书突出工程应用，理论联系实际，具有很强的实用性。本书可作为高等院校物联网工程、自动化、计算机科学与技术等相关专业的教学用书，也可作为相关工程技术人员的参考用书。

第1章 Python概述及使用
1.1 Python的特点
1.2 下载与安装Python
1.2.1 下载Python
1.2.2 安装Python
1.2.3 查看Python版本
1.3 Python程序运行
1.3.1 在控制台窗口中运行
1.3.2 文件方式运行
1.3.3 在终端窗口中运行
1.4 CSV文件
1.4.1 CSV文件的建立
1.4.2 CSV文件的打开
1.5 Python包与模块
1.5.1 Python包与模块简介
1.5.2 模块的调用
1.5.3 Python包与模块的建立
本章小结
习题
第2章 Python特色数据类型与常用函数
2.1 Python基础语法
2.1.1 标识符与保留字
2.1.2 注释
2.2 元组数据类型
2.3 列表、字典、集合数据类型
2.3.1 列表
2.3.2 字典
2.3.3 集合
2.4 数字、字符串数据类型
2.4.1 数字
2.4.2 字符串
2.5 Python的常用函数
2.5.1 range()函数
2.5.2 enumerate()函数
2.5.3 zip()函数
2.5.4 map()函数
2.5.5 sorted()函数
2.5.6 hash()函数
2.5.7 reversed()函数
本章小结
习题
第3章 Python语句控制及函数定义
3.1 Python分支结构
3.1.1 单分支结构
3.1.2 多分支结构
3.1.3 多分支选择结构
3.2 Python循环结构
3.2.1 for循环结构
3.2.2 while循环结构
3.2.3 break与continue
3.3 Python函数
3.3.1 自定义函数
3.3.2 函数的参数
3.3.3 递归函数
3.3.4 匿名函数
3.3.5 将函数存储在模块中
3.3.6 Python内置函数
本章小结
习题
第4章 Python类、异常处理、文件
4.1 Python类
4.1.1 类
4.1.2 类私有属性、公有属性
4.1.3 类方法
4.1.4 类的继承
4.1.5 多重继承
4.1.6 Object类
4.1.7 封装、继承、多态
4.1.8 类的浅拷贝与深拷贝
4.2 Python异常
4.2.1 异常概念
4.2.2 异常处理函数
4.2.3 trackback模块
4.3 Python文件操作
4.3.1 文件的概念
4.3.2 文件操作
本章小结
习题
第5章 Python数据处理与绘图
5.1 numpy数组使用
5.1.1 numpy生成数组
5.1.2 numpy数组属性
5.1.3 数组的索引和切片
5.1.4 numpy数组运算
5.2 scipy包的使用
5.2.1 scipy包中的模块
5.2.2 常数模块的使用
5.2.3 特殊函数模块的使用
5.2.4 信号处理模块
5.2.5 空间结构模块
5.3 pandas包的使用
5.3.1 pandas数组
5.3.2 查看数据
5.3.3 pandas读取文件
5.4 matplotlib包的使用
5.5 SQLite数据库的使用
5.5.1 SQLite数据库
5.5.2 SQLite数据库操作方法
5.5.3 SQLite点命令
5.5.4 SQLite可视化维护
本章小结
习题
第6章 图形用户界面设计、二维码与程序打包
6.1 图形用户界面设计
6.1.1 wxPython应用程序框架
6.1.2 wx.Frame的使用
6.1.3 文本编辑器
6.1.4 wxPython操作窗口
6.2 Python二维码设计
6.2.1 二维码概念
6.2.2 二维码设计
6.3 程序打包
6.3.1 安装打包工具
6.3.2 打包步骤
本章小结
习题
第7章 Anaconda使用、数据分割与训练
7.1 Anaconda安装与使用
7.1.1 安装Anaconda
7.1.2 使用Anaconda
7.2 Jupyter Notebook
7.2.1 使用Jupyter Notebook
7.2.2 安装mglearn包
7.3 数据构建与分割
7.3.1 数据构建
7.3.2 测试数据分割
7.4 k近邻分类
7.4.1 k近邻分类算法概述
7.4.2 数据模型优良评判
7.5 sklearn自带数据集
本章小结
习题
第8章 有监督机器学习
8.1 分类与回归
8.1.1 分类与回归
8.1.2 两个接地特征的线性回归分析
8.1.3 两个接地特征的k近邻分类与回归
8.2 决策树和随机森林
8.2.1 决策树
8.2.2 随机森林
8.3 神经网络分类
8.3.1 神经网络算法
8.3.2 多层前馈网络结构
8.3.3 BP学习算法
8.3.4 单相接地神经网络分类
8.3.5 神经网络分类器主要参数
8.4 集成学习
8.4.1 核—SVM算法
8.4.2 集成学习算法
8.4.3 弱学习机分类器算法
8.4.4 分类器不确定性估计
8.4.5 机器学习算法汇总
本章小结
习题
第9章 无监督学习与模型泛化
9.1 无监督学习
9.1.1 k-均值聚类算法
9.1.2 新型传染病聚类分析
9.1.3 机器学习模型保存
9.1.4 高斯混合模型
9.1.5 层次聚类
9.2 分类模型泛化
9.2.1 数据划分有效性
9.2.2 更有效数据划分
9.2.3 模型参数优化
9.2.4 主成分分析
9.2.5 流形学习
本章小结
习题
附录A
附录B
参考文献