Python机器学习与可视化分析实战

作品简介

使用机器学习进行数据可视化分析是近年来研究的热点内容之一。本书使用z新的Python作为机器学习的基本语言和工具，从搭建环境开始，逐步深入到理论、代码、应用实践中去，从而使初学者能够独立使用机器学习完成数据分析。本书配套示例代码、PPT课件和答疑服务。

本书分为10章，内容包括：机器学习与Python开发环境、用于数据处理及可视化展示的Python类库、NBA赛季数据可视化分析、聚类算法与可视化实战、线性回归与可视化实战、逻辑回归与可视化实战、决策树算法与可视化实战、基于深度学习的酒店评论情感分类实战、基于深度学习的手写体图像识别实战、TensorFlow Datasets和TensorBoard训练可视化。

本书内容详尽、示例丰富，是机器学习初学者的入门书和必备的参考书，也可作为高等院校计算机及大数据相关专业的教材使用。

王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项国家专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV TensorFlow深度学习与计算机视觉实战》《TensorFlow2.0卷积神经网络实战》《TensorFlow Keras自然语言处理实战》等图书。

作品目录

• 内容简介
• 前言
• 第1章　机器学习与Python开发环境
• 1.1　机器学习概述
• 1.1.1　机器学习的前世今生
• 1.1.2　机器学习的研究现状与方向
• 1.1.3　机器学习之美——数据的可视化
• 1.2　Python的基本安装和用法
• 1.2.1　Anaconda的下载与安装
• 注意
• 1.2.2　Python编译器PyCharm的安装
• 1.2.3　使用Python实现softmax函数计算
• 1.3　Python常用类库中的threading
• 1.3.1　threading模块中的Thread类
• 1.3.2　threading中Lock类
• 1.3.3　threading中Join类
• 1.4　本章小结
• 第2章　用于数据处理及可视化展示的Python类库
• 2.1　从小例子起步——NumPy的初步使用
• 2.1.1　数据的矩阵化
• 2.1.2　数据分析
• 2.1.3　基于统计分析的数据处理
• 2.2　图形化数据处理——Matplotlib包的使用
• 2.2.1　差异的可视化
• 2.2.2　坐标图的展示
• 2.2.3　大数据的可视化展示
• 2.3　常用的统计分析方法——相似度计算
• 2.3.1　欧几里得相似度计算
• 2.3.2　余弦相似度计算
• 2.3.3　欧几里得相似度与余弦相似度的比较
• 2.4　数据的统计学可视化展示
• 2.4.1　数据的四分位数
• 2.4.2　数据的四分位数示例
• 2.4.3　数据的标准化
• 2.4.4　数据的平行化处理
• 2.4.5　热力图——属性相关性检测
• 2.5　Python分析某地降雨量变化规律
• 2.5.1　不同年份的相同月份统计
• 2.5.2　不同月份之间的增减程度比较
• 2.5.3　每月降雨是否相关
• 2.6　本章小结
• 第3章　NBA赛季数据可视化分析
• 3.1　基于球员薪资的数据分析
• 3.1.1　关于球员薪资的一些基本分析
• 3.1.2　关于球员RPM相关性的分析
• 3.1.3　关于球员RPM数据的分析
• 3.2　Seaborn常用的数据可视化方法
• 3.2.1　关于RPM、薪资和年龄的一元可视化分析
• 3.2.2　关于RPM、薪资、年龄的二元可视化分析
• 3.2.3　关于衍生变量的可视化分析
• 3.2.4　NBA球队数据的分析结果
• 3.3　NBA赛季数据分析
• 3.3.1　关于赛季发展的一些基本分析
• 3.3.2　群星璀璨的NBA
• 3.3.3　关于球员高级数据的一些基本分析
• 3.4　 本章小结
• 第4章　聚类算法与可视化实战
• 4.1　聚类的定义
• 4.1.1　衡量距离的方法
• 4.1.2　聚类算法介绍
• 4.2　经典K-means聚类算法实战
• 4.2.1　经典K-means算法的Python实现
• 4.2.2　基于Iris数据集的可视化分析
• 4.2.3　投某音还是投某宝？基于K-means的广告效果聚类分析
• 4.3　基于密度的聚类算法DBSCAN
• 4.3.1　DBSCAN算法原理与Python实现
• 4.3.2　基于sklearn的DBSCAN实战
• 4.3.3　DBSCAN的优缺点比较
• 4.4　基于层次的聚类算法
• 4.4.1　基于层次算法的原理
• 4.4.2　Agglomerative算法与示例
• 4.5　本章小结
• 第5章　线性回归与可视化实战
• 5.1　线性回归的基本内容与Python实现
• 5.1.1　什么是线性回归
• 5.1.2　最小二乘法详解
• 5.1.3　道士下山的故事——随机梯度下降算法
• 5.1.4　基于一元线性回归的比萨饼价格计算
• 5.1.5　线性回归的评价指标
• 5.1.6　线性回归应用
• 5.2　多元线性回归实战
• 5.2.1　多元线性回归的基本内容
• 5.2.2　多元线性回归的Python实现
• 5.2.3　基于多元线性回归的房价预测实战
• 5.3　本章小结
• 第6章　逻辑回归与可视化实战
• 6.1　逻辑回归的基本内容与Python实现
• 6.1.1　逻辑回归是一个分类任务
• 6.1.2　逻辑回归的基本内容
• 6.1.3　链式求导法则
• 6.1.4　逻辑回归中的Sigmoid函数
• 6.2　基于逻辑回归的鸢尾花（Iris）分类
• 6.2.1　鸢尾花数据集简介与基础可视化分析
• 6.2.2　鸢尾花数据集进阶可视化分析
• 6.2.3　基于鸢尾花数据集的数据挖掘
• 6.2.4　基于线性回归与K-means的鸢尾花数据集分类
• 6.2.5　基于逻辑回归的鸢尾花数据集分类
• 6.3　本章小结
• 第7章　决策树算法与可视化实战
• 7.1　水晶球的秘密
• 7.1.1　决策树
• 7.1.2　决策树的算法基础——信息熵
• 7.1.3　决策树的算法基础——ID3算法
• 7.2　决策树背后的信息——信息熵与交叉熵
• 7.2.1　交叉熵基本原理详解
• 7.2.2　交叉熵的表述
• 7.3　决策树实战——分类与回归树
• 7.3.1　分类树与回归树的区别
• 7.3.2　基于分类树的鸢尾花分类实战
• 7.3.2　基于回归树的波士顿房价预测
• 7.4　基于随机森林的信用卡违约实战
• 7.4.1　随机森林的基本内容
• 7.4.2　随机森林与决策树的可视化比较
• 7.4.3　基于随机森林的信用卡违约检测
• 7.5　本章小结
• 第8章　基于深度学习的酒店评论情感分类实战
• 8.1　深度学习
• 8.1.1　何为深度学习
• 8.1.2　与传统的“浅层学习”的区别
• 8.2　酒店评论情感分类——深度学习入门
• 说明
• 8.3　深度学习的流程、应用场景和模型分类
• 8.3.1　深度学习的流程与应用场景
• 8.3.2　深度学习的模型分类
• 8.3　本章小结
• 第9章　基于深度学习的手写体图像识别实战
• 9.1　卷积运算的基本概念
• 9.1.1　卷积运算
• 9.1.2　TensorFlow中卷积函数的实现
• 9.1.3　池化运算
• 9.1.4　softmax激活函数
• 9.1.5　卷积神经网络原理
• 9.2　MNIST手写体识别
• 9.2.1　MNIST数据集
• 9.2.2　MNIST数据集特征和标签
• 9.2.3　卷积神经网络编程实战：MNIST数据集
• 9.3　基于多层感知机的手写体识别
• 9.3.1　多层感知机的原理与实现
• 9.3.2　多层感知机的激活函数
• 9.4　消除过拟合——正则化与dropout
• 9.4.1　正则化与dropout概述
• 9.4.2　使用防过拟合处理的多层感知机
• 9.4.3　Keras创建多层感知机的细节问题
• 9.5　本章小结
• 第10章　TensorFlow Datasets和TensorBoard训练可视化
• 10.1　TensorFlow Datasets简介
• 10.1.1　TensorFlow Datasets的安装
• 10.1.2　TensorFlow Datasets的使用
• 10.2　TensorFlow Datasets数据集的使用——FashionMNIST
• 10.2.1　FashionMNIST数据集的下载与展示
• 10.2.2　模型的建立与训练
• 10.3　使用Keras对FashionMNIST数据集进行处理
• 10.3.1　获取数据集
• 10.3.2　数据集的调整
• 10.3.3　使用Python类函数建立模型
• 10.3.4　Model的查看和参数打印
• 10.3.5　模型的训练和评估
• 10.4　使用TensorBoard可视化训练过程
• 10.4.1　TensorBoard的文件夹的设置
• 10.4.2　TensorBoard的显式调用
• 10.4.3　TensorBoard的使用
• 10.5　本章小结