跟着迪哥学python epub_跟着迪哥学PYTHON数据分析与机器学习实战

章人工智能入学指南

1.1AI时代首选Python

1.1.1Python的特点

1.1.2Python该怎么学

1.2人工智能的核心——机器学习

1.2.1什么是机器学习

1.2.2机器学习的流程

1.2.3机器学习该怎么学

1.3环境配置

1.3.1Anaconda大礼包

1.3.2Jupyter Notebook

1.3.3上哪找资源

本章总结

第2章科学计算库(Numpy)

2.1Numpy的基本操作

2.1.1Array数组

2.1.2数组特性

2.1.3数组属性操作

2.2索引与切片

2.2.1数值索引

2.2.2bool索引

2.3数据类型与数值计算

2.3.1数据类型

2.3.2复制与赋值

2.3.3数值运算

2.3.4矩阵乘法

2.4常用功能模块

2.4.1排序操作

2.4.2数组形状操作

2.4.3数组的拼接

2.4.4创建数组函数

2.4.5随机模块

2.4.6文件读写

本章总结

第3章数据分析处理库(Pandas)

3.1数据预处理

3.1.1数据读取

3.1.2DataFrame结构

3.1.3数据索引

3.1.4创建DataFrame

3.1.5Series操作

3.2数据分析

3.2.1统计分析

3.2.2pivot数据透视表

3.2.3groupby操作

3.3常用函数操作

3.3.1Merge操作

3.3.2排序操作

3.3.3缺失值处理

3.3.4apply自定义函数

3.3.5时间操作

3.3.6绘图操作

3.4大数据处理技巧

3.4.1数值类型转换

3.4.2属性类型转换

本章总结

第4章数据可视化库(Matplotlib)

4.1常规绘图方法

4.1.1细节设置

4.1.2子图与标注

4.1.3风格设置

4.2常用图表绘制

4.2.1条形图

4.2.2盒图

4.2.3直方图与散点图

4.2.43D图

4.2.5布局设置

本章总结

第5章回归算法

5.1线性回归算法

5.1.1线性回归方程

5.1.2误差项分析

5.1.3似然函数求解

5.1.4线性回归求解

5.2梯度下降算法

5.2.1下山方向选择

5.2.2梯度下降优化

5.2.3梯度下降策略对比

5.2.4学习率对结果的影响

5.3逻辑回归算法

5.3.1原理推导

5.3.2逻辑回归求解

本章总结

第6章逻辑回归项目实战——信用卡欺诈检测

6.1数据分析与预处理

6.1.1数据读取与分析

6.1.2样本不均衡解决方案

6.1.3特征标准化

6.2下采样方案

6.2.1交叉验证

6.2.2模型评估方法

6.2.3正则化惩罚

6.3逻辑回归模型

6.3.1参数对结果的影响

6.3.2混淆矩阵

6.3.3分类阈值对结果的影响

6.4过采样方案

6.4.1SMOTE数据生成策略

6.4.2过采样应用效果

项目总结

第7章决策树

7.1决策树原理

7.1.1决策树的基本概念

7.1.2衡量标准

7.1.3信息增益

7.1.4决策树构造实例

7.1.5连续值问题

7.1.6信息增益率

7.1.7回归问题求解

7.2决策树剪枝策略

7.2.1剪枝策略

7.2.2决策树算法涉及参数

本章总结

第8章集成算法

8.1bagging算法

8.1.1并行的集成

8.1.2随机森林

8.2boosting算法

8.2.1串行的集成

8.2.2Adaboost算法

8.3stacking模型

本章总结

第9章随机森林项目实战——气温预测

9.1随机森林建模

9.1.1特征可视化与预处理

9.1.2随机森林回归模型

9.1.3树模型可视化方法

9.1.4特征重要性

9.2数据与特征对结果影响分析

9.2.1特征工程

9.2.2数据量对结果影响分析

9.2.2特征数量对结果影响分析

9.3模型调参

9.3.1随机参数选择

9.3.2网络参数搜索

项目总结

0章特征工程

10.1数值特征

10.1.1字符串编码

10.1.2二值与多项式特征

10.1.3连续值离散化

10.1.4对数与时间变换

10.2文本特征

10.2.1词袋模型

10.2.2常用文本特征构造方法

10.3论文与benchmark

本章总结

1章:贝叶斯算法项目实战——新闻分类

11.1贝叶斯算法

11.1.1贝叶斯公式

11.1.2拼写纠错实例

11.1.3垃圾邮件分类

11.2新闻分类任务

11.2.1数据清洗

11.2.1TF-IDF关键词提取

项目总结

2章支持向量机

12.1支持向量机工作原理

12.1.1支持向量机要解决的问题

12.1.2距离与标签定义

12.1.3目标函数

12.1.4拉格朗日乘子法

12.2支持向量的作用

12.2.1支持向量机求解

12.2.2支持向量的作用

12.3支持向量机涉及参数

12.3.1软间隔参数选择

12.3.2核函数的作用

12.4案例：参数对结果的影响

12.4.1SVM基本模型

12.4.2核函数变换

12.4.3SVM参数选择

12.4.4SVM人脸识别实例

本章总结

3章推荐系统

13.1推荐系统的应用

13.2协同过滤算法

13.2.1基于用户的协同过滤

13.2.1基于商品的协同过滤

13.3隐语义模型

13.3.1矩阵分解思想

13.3.2隐语义模型求解

13.3.3评估方法

本章总结

4章推荐系统项目实战——打造音乐推荐系统

14.1数据集清洗

14.1.1统计分析

14.1.2数据集整合

14.2基于相似度的推荐

14.2.1排行榜推荐

14.2.2基于歌曲相似度的推荐

14.3基于矩阵分解的推荐

14.3.1奇异值分解

14.3.2使用SVD算法进行音乐推荐

项目总结

5章降维算法

15.1线性判别分析

15.1.1降维原理概述

15.1.2优化的目标

15.1.3线性判别分析求解

15.1.4Python实现线性判别分析降维

15.2主成分分析

15.2.1PCA降维基本知识点

15.2.2PCA优化目标求解

15.2.3Python实现PCA降维

本章总结

6章聚类算法

16.1K-means算法

16.1.1聚类的基本特性

16.1.2K-means算法原理

16.1.2K-means涉及参数

16.1.3K-means聚类效果与优缺点

16.2DBSCAN聚类算法

16.2.1DBSCAN算法概述

10.2.2DBSCAN工作流程

16.2.3半径对结果的影响

16.3聚类实例

本章总结

7章神经网络

17.1神经网络必备基础

17.1.1神经网络概述

17.1.2计算机眼中的图像

17.1.3得分函数

17.1.4损失函数

17.1.5反向传播

17.2神经网络整体架构

11.2.1整体框架

17.2.2神经元的作用

17.2.3正则化

17.2.4激活函数

17.3网络调优细节

17.3.1数据预处理

17.3.2Drop-Out

17.3.3数据增强

17.3.4网络结构设计

本章总结

8章TensorFlow实战

18.1TensorFlow基本操作

18.1.1Tensorflow特性

18.1.2Tensorflow基本操作

18.1.3Tensorflow实现回归任务

18.2搭建神经网络进行手写字体识别

本章总结

9章卷积神经网络

19.1卷积操作原理

19.1.1卷积神经网络应用

19.1.2卷积操作流程

19.1.3卷积计算方法

19.1.4卷积涉及参数

19.1.5池化层

19.2经典网络架构

19.2.1卷积神经网络整体架构

19.2.2AlexNet网络

19.2.3VGG网络

19.2.4ResNet网络

19.3TensorFlow实战卷积神经网络

本章总结

第20章神经网络项目实战——影评情感分析

20.1递归神经网络

20.1.1RNN网络架构

20.1.2LSTM网络

20.2影评数据特征工程

20.2.1词向量

20.2.2数据特征制作

20.3构建RNN模型

项目总结显示全部>>隐藏全部>>