Python数据科学与机器学习：从入门到实践 - (EPUB全文下载)

文件大小：6.89 mb。
文件格式：epub 格式。
书籍内容：

版权信息
书名：Python数据科学与机器学习：从入门到实践
作者：[美] 弗兰克 • 凯恩
译者：陈光欣
ISBN：978-7-115-51241-3
本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必究。
您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
图灵社区会员 乐乐大仙xx（484491598@qq.com） 专享 尊重版权
版权声明
前言
目标读者
排版约定
读者反馈
客户支持
下载示例代码
下载本书彩色图片
勘误
举报盗版
问题
电子书
第 1 章　入门
1.1　安装Enthought Canopy
程序运行测试
1.2　使用并理解IPython/Jupyter Notebook
1.3　Python基础——第一部分
1.4　理解Python代码
1.5　导入模块
1.5.1　数据结构
1.5.2　使用列表
1.5.3　元组
1.5.4　字典
1.6　Python基础——第二部分
1.6.1　Python中的函数
1.6.2　循环
1.6.3　探索活动
1.7　运行Python脚本
1.7.1　运行Python代码的其他方式
1.7.2　在命令行中运行Python脚本
1.7.3　使用Canopy IDE
1.8　小结
第 2 章　统计与概率复习以及Python实现
2.1　数据类型
2.1.1　数值型数据
2.1.2　分类数据
2.1.3　定序数据
2.2　均值、中位数和众数
2.2.1　均值
2.2.2　中位数
2.2.3　众数
2.3　在Python中使用均值、中位数和众数
2.3.1　使用NumPy包计算均值
2.3.2　使用NumPy包计算中位数
2.3.3　使用SciPy包计算众数
2.4　标准差和方差
2.4.1　方差
2.4.2　标准差
2.4.3　总体方差与样本方差
2.4.4　在直方图上分析标准差和方差
2.4.5　使用Python计算标准差和方差
2.4.6　自己动手
2.5　概率密度函数和概率质量函数
2.5.1　概率密度函数
2.5.2　概率质量函数
2.6　各种类型的数据分布
2.6.1　均匀分布
2.6.2　正态分布或高斯分布
2.6.3　指数概率分布与指数定律
2.6.4　二项式概率质量函数
2.6.5　泊松概率质量函数
2.7　百分位数和矩
2.7.1　百分位数
2.7.2　矩
2.8　小结
第 3 章　Matplotlib与概率高级概念
3.1　Matplotlib快速学习
3.1.1　在一张图形上进行多次绘图
3.1.2　将图形保存为文件
3.1.3　调整坐标轴
3.1.4　添加网格
3.1.5　修改线型和颜色
3.1.6　标记坐标轴并添加图例
3.1.7　一个有趣的例子
3.1.8　生成饼图
3.1.9　生成条形图
3.1.10　生成散点图
3.1.11　生成直方图
3.1.12　生成箱线图
3.1.13　自己动手
3.2　协方差与相关系数
3.2.1　概念定义
3.2.2　相关系数
3.2.3　在Python中计算协方差和相关系数
3.2.4　相关系数练习
3.3　条件概率
3.3.1　Python中的条件概率练习
3.3.2　条件概率作业
3.3.3　作业答案
3.4　贝叶斯定理
3.5　小结
第 4 章　预测模型
4.1　线性回归
4.1.1　普通最小二乘法
4.1.2　梯度下降法
4.1.3　判定系数或方
4.1.4　使用Python进行线性回归并计算方
4.1.5　线性回归练习
4.2　多项式回归
4.2.1　使用NumPy实现多项式回归
4.2.2　计算方误差
4.2.3　多项式回归练习
4.3　多元回归和汽车价格预测
4.3.1　使用Python进行多元回归
4.3.2　多元回归练习
4.4　多水平模型
4.5　小结
第 5 章　使用Python进行机器学习
5.1　机器学习及训练/测试法
5.1.1　非监督式学习
5.1.2　监督式学习
5.2　使用训练/测试法防止多项式回归中的过拟合
练习
5.3　贝叶斯方法——概念
5.4　使用朴素贝叶斯实现垃圾邮件分类器
练习
5.5　均值聚类
均值聚类注意事项
5.6　基于收入与年龄进行人群聚类
练习
5.7　熵的度量
5.8　决策树——概念
5.8.1　决策树实例
5.8.2　生成决策树
5.8.3　随机森林
5.9　决策树——使用Python预测录用决策
5.9.1　集成学习——使用随机森林
5.9.2　练习
5.10　集成学习
5.11　支持向量机简介
5.12　使用scikit-learn通过SVM进行人员聚集
练习
5.13　小结
第 6 章　推荐系统
6.1　什么是推荐系统
基于用户的协同过滤
6.2　基于项目的协同过滤
理解基于项目的协同过滤
6.3　基于项目的协同过滤是如何工作的
使用Python实现协同过滤
6.4　找出电影相似度
理解代码
6.5　改善电影相似度结果
6.6　向人们推荐电影
通过一个例子理解电影推荐
6.7　改善推荐结果
6.8　小结
第 7 章　更多数据挖掘和机器学习技术
7.1　最近邻的概念
7.2　使用KNN预测电影评分
练习
7.3　数据降维与主成分分析
7.3.1　数据降维
7.3.2　主成分分析
7.4　对鸢尾花数据集的PCA示例
练习
7.5　数据仓库简介
ETL与ELT
7.6　强化学习
7.6.1　Q-learning
7.6.2　探索问题
7.6.3　时髦名词
7.7　小结
第 8 章　处理真实数据
8.1　偏差－方差权衡
8.2　使用折交叉验证避免过拟合
使用scikit-learn进行折交叉验证
8.3　数据清理和标准化
8.4　清理Web日志数据
8.4.1　对Web日志应用正则表达式
8.4.2　修改1——筛选请求字段
8.4.3　修改 ............

书籍插图：

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。