跟著迪哥學Python數據分析與機器學習實戰（簡體書）

本書結合了機器學習、數據分析和Python語言，通過案例以通俗易懂的方式講解了如何將算法應用到實際任務。
全書共20章，大致分為4個部分。第一部分介紹了Python的工具包，包括科學計算庫Numpy、數據分析庫Pandas、可視化庫Matplotlib；第2部分講解了機器學習中的經典算法，例如回歸算法、決策樹、集成算法、支持向量機、聚類算法等；第3部分介紹了深度學習中的常用算法，包括神經網絡、卷積神經網絡、遞歸神經網絡；第4部分是項目實戰，基於真實數據集，將算法模型應用到實際業務中。
本書適合對人工智能、機器學習、數據分析等方向感興趣的初學者和愛好者。

第 1章 人工智能入學指南
1.1 AI時代首選Python
1.1.1 Python的特點
1.1.2 Python該怎麼學
1.2 人工智能的核心――機器學習
1.2.1 什麼是機器學習
1.2.2 機器學習的流程
1.2.3 機器學習該怎麼學
1.3 環境配置
1.3.1 Anaconda大禮包
1.3.2 Jupyter Notebook
1.3.3 上哪找資源
本章總結
第 2章 科學計算庫(Numpy)
2.1 Numpy的基本操作
2.1.1 Array數組
2.1.2 數組特性
2.1.3 數組屬性操作
2.2 索引與切片
2.2.1 數值索引
2.2.2 bool索引
2.3 數據類型與數值計算
2.3.1 數據類型
2.3.2 複製與賦值
2.3.3 數值運算
2.3.4 矩陣乘法
2.4 常用功能模塊
2.4.1 排序操作
2.4.2 數組形狀操作
2.4.3 數組的拼接
2.4.4 創建數組函數
2.4.5 隨機模塊
2.4.6 文件讀寫
本章總結
第3章 數據分析處理庫(Pandas)
3.1 數據預處理
3.1.1 數據讀取
3.1.2 DataFrame結構
3.1.3 數據索引
3.1.4 創建DataFrame
3.1.5 Series操作
3.2 數據分析
3.2.1 統計分析
3.2.2 pivot數據透視表
3.2.3 groupby操作
3.3 常用函數操作
3.3.1 Merge操作
3.3.2 排序操作
3.3.3 缺失值處理
3.3.4 apply自定義函數
3.3.5 時間操作
3.3.6 繪圖操作
3.4 大數據處理技巧
3.4.1 數值類型轉換
3.4.2 屬性類型轉換
本章總結
第4章 數據可視化庫(Matplotlib)
4.1 常規繪圖方法
4.1.1 細節設置
4.1.2 子圖與標注
4.1.3 風格設置
4.2 常用圖表繪製
4.2.1條形圖
4.2.2 盒圖
4.2.3 直方圖與散點圖
4.2.4 3D圖
4.2.5 佈局設置
本章總結
第5章 回歸算法
5.1 線性回歸算法
5.1.1 線性回歸方程
5.1.2 誤差項分析
5.1.3 似然函數求解
5.1.4 線性回歸求解
5.2 梯度下降算法
5.2.1 下山方向選擇
5.2.2 梯度下降優化
5.2.3 梯度下降策略對比
5.2.4 學習率對結果的影響
5.3 邏輯回歸算法
5.3.1 原理推導
5.3.2 邏輯回歸求解
本章總結
第6章 邏輯回歸項目實戰――信用卡欺詐檢測
6.1 數據分析與預處理
6.1.1 數據讀取與分析
6.1.2 樣本不均衡解決方案
6.1.3 特徵標準化
6.2 下採樣方案
6.2.1 交叉驗證
6.2.2 模型評估方法
6.2.3 正則化懲罰
6.3 邏輯回歸模型
6.3.1 參數對結果的影響
6.3.2 混淆矩陣
6.3.3 分類閾值對結果的影響
6.4 過採樣方案
6.4.1 SMOTE數據生成策略
6.4.2 過採樣應用效果
項目總結
第7章 決策樹
7.1 決策樹原理
7.1.1 決策樹的基本概念
7.1.2 衡量標準
7.1.3 信息增益
7.1.4 決策樹構造實例
7.1.5 連續值問題
7.1.6 信息增益率
7.1.7 回歸問題求解
7.2 決策樹剪枝策略
7.2.1 剪枝策略
7.2.2 決策樹算法涉及參數
本章總結
第8章 集成算法
8.1 bagging算法
8.1.1 並行的集成
8.1.2 隨機森林
8.2 boosting算法
8.2.1 串行的集成
8.2.2 Adaboost算法
8.3 stacking模型
本章總結
第9章 隨機森林項目實戰――氣溫預測
9.1 隨機森林建模
9.1.1 特徵可視化與預處理
9.1.2 隨機森林回歸模型
9.1.3 樹模型可視化方法
9.1.4 特徵重要性
9.2 數據與特徵對結果影響分析
9.2.1 特徵工程
9.2.2 數據量對結果影響分析
9.2.2 特徵數量對結果影響分析
9.3 模型調參
9.3.1 隨機參數選擇
9.3.2 網絡參數搜索
項目總結
第 10章 特徵工程
10.1 數值特徵
10.1.1 字符串編碼
10.1.2 二值與多項式特徵
10.1.3 連續值離散化
10.1.4 對數與時間變換
10.2 文本特徵
10.2.1 詞袋模型
10.2.2 常用文本特徵構造方法
10.3 論文與benchmark
本章總結
第 11章: 貝葉斯算法項目實戰――新聞分類
11.1 貝葉斯算法
11.1.1 貝葉斯公式
11.1.2 拼寫糾錯實例
11.1.3 垃圾郵件分類
11.2 新聞分類任務
11.2.1 數據清洗
11.2.1 TF-IDF關鍵詞提取
項目總結
第 12章 支持向量機
12.1 支持向量機工作原理
12.1.1 支持向量機要解決的問題
12.1.2 距離與標簽定義
12.1.3 目標函數
12.1.4 拉格朗日乘子法
12.2 支持向量的作用
12.2.1 支持向量機求解
12.2.2 支持向量的作用
12.3 支持向量機涉及參數
12.3.1 軟間隔參數選擇
12.3.2 核函數的作用
12.4 案例：參數對結果的影響
12.4.1 SVM基本模型
12.4.2 核函數變換
12.4.3 SVM參數選擇
12.4.4 SVM人臉識別實例
本章總結
第 13章 推薦系統
13.1 推薦系統的應用
13.2 協同過濾算法
13.2.1 基於用戶的協同過濾
13.2.1 基於商品的協同過濾
13.3 隱語義模型
13.3.1 矩陣分解思想
13.3.2 隱語義模型求解
13.3.3 評估方法
本章總結
第 14章 推薦系統項目實戰――打造音樂推薦系統
14.1 數據集清洗
14.1.1 統計分析
14.1.2 數據集整合
14.2 基於相似度的推薦
14.2.1 排行榜推薦
14.2.2 基於歌曲相似度的推薦
14.3 基於矩陣分解的推薦
14.3.1 奇異值分解
14.3.2 使用SVD算法進行音樂推薦
項目總結
第 15章 降維算法
15.1 線性判別分析
15.1.1 降維原理概述
15.1.2 優化的目標
15.1.3 線性判別分析求解
15.1.4 Python實現線性判別分析降維
15.2 主成分分析
15.2.1 PCA降維基本知識點
15.2.2 PCA優化目標求解
15.2.3 Python實現PCA降維
本章總結
第 16章 聚類算法
16.1 K-means算法
16.1.1 聚類的基本特性
16.1.2 K-means算法原理
16.1.2 K-means涉及參數
16.1.3 K-means聚類效果與優缺點
16.2 DBSCAN聚類算法
16.2.1 DBSCAN算法概述
10.2.2 DBSCAN工作流程
16.2.3 半徑對結果的影響
16.3 聚類實例
本章總結
第 17章 神經網絡
17.1 神經網絡必備基礎
17.1.1 神經網絡概述
17.1.2 計算機眼中的圖像
17.1.3 得分函數
17.1.4 損失函數
17.1.5 反向傳播
17.2 神經網絡整體架構
11.2.1 整體框架
17.2.2 神經元的作用
17.2.3 正則化
17.2.4 激活函數
17.3 網絡調優細節
17.3.1 數據預處理
17.3.2 Drop-Out
17.3.3 數據增強
17.3.4 網絡結構設計
本章總結
第 18章 TensorFlow實戰
18.1 TensorFlow基本操作
18.1.1 Tensorflow特性
18.1.2 Tensorflow基本操作
18.1.3 Tensorflow實現回歸任務
18.2 搭建神經網絡進行手寫字體識別
本章總結
第 19章 卷積神經網絡
19.1 卷積操作原理
19.1.1 卷積神經網絡應用
19.1.2 卷積操作流程
19.1.3 卷積計算方法
19.1.4 卷積涉及參數
19.1.5 池化層
19.2 經典網絡架構
19.2.1 卷積神經網絡整體架構
19.2.2 AlexNet網絡
19.2.3 VGG網絡
19.2.4 ResNet網絡
19.3 TensorFlow實戰卷積神經網絡
本章總結
第 20章 神經網絡項目實戰――影評情感分析
20.1 遞歸神經網絡
20.1.1 RNN網絡架構
20.1.2 LSTM網絡
20.2 影評數據特徵工程
20.2.1 詞向量
20.2.2 數據特徵製作
20.3 構建RNN模型
項目總結