前言

第1章 機(jī)器學(xué)習(xí)概述
1．1 機(jī)器學(xué)習(xí)的概念
1．2 機(jī)器學(xué)習(xí)的分類
1．2．1 實(shí)際問題的分類
1．2．2 根據(jù)訓(xùn)練方法進(jìn)行分類
1．3 機(jī)器學(xué)習(xí)的開發(fā)流程
1．4 機(jī)器學(xué)習(xí)的應(yīng)用
本章小結(jié)
習(xí)題

第2章 Python語言基礎(chǔ)
2．1 Python語言概述
2．1．1 Python簡介
2．1．2 Python優(yōu)勢(shì)
2．2 Python環(huán)境配置與使用
2．2．1 Anaconda的安裝方法
2．2．2 Spyder的環(huán)境介紹
2．2．3 第三方庫的安裝方法
2．3 數(shù)據(jù)分析相關(guān)庫的介紹
2．3．1 NumPy庫
2．3．2 Pandas庫
2．3．3 Skleam庫
本章小結(jié)
習(xí)題

第3章 網(wǎng)絡(luò)爬蟲
3．1 網(wǎng)絡(luò)爬蟲基本知識(shí)
3．1．1 網(wǎng)絡(luò)爬蟲簡介
3．1．2 HTTP協(xié)議
3．1．3 HTML語言
3．1．4 CSS樣式表
3．1．5 JavaScript腳本
3．2 網(wǎng)頁內(nèi)容獲取方法
3．2．1 requests主要方法
3．2．2 response對(duì)象
3．3 網(wǎng)頁內(nèi)容解析方法
3．3．1 BeautifuISoup
3．3．2 正則表達(dá)式
3．4 數(shù)據(jù)存儲(chǔ)
3．4．1 TXT格式存儲(chǔ)
3．4．2 JSON格式存儲(chǔ)
3．4．3 CSV格式存儲(chǔ)
3．4．4 圖片文件存儲(chǔ)
本章小結(jié)
習(xí)題

第4章 數(shù)據(jù)預(yù)處理與特征工程
4．1 數(shù)據(jù)預(yù)處理的主要方法
4．1．1 刪除數(shù)據(jù)
4．1．2 缺失值處理
4．1．3 重復(fù)值處理
4．1．4 異常值處理
4．1．5 數(shù)據(jù)類型的轉(zhuǎn)換
4．2 特征選擇的主要方法
4．2．1 過濾法
4．2．2 包裹法
4．2．3 嵌入法
4．3 數(shù)據(jù)預(yù)處理與特征工程綜合實(shí)例
Titanic生存分析
本章小結(jié)
習(xí)題

第5章 多元回歸分析
5．1 多元線性回歸
5．1．1 線性回歸的基本原理
5．1．2 多元線性回歸的實(shí)現(xiàn)
5．1．3 回歸模型的評(píng)估指標(biāo)
5．2 多重共線性問題
5．2．1 多重共線性的定義
5．2．2 嶺回歸
5．2．3 Lasso回歸
5．3 非線性回歸多項(xiàng)式回歸
5．3．1 多項(xiàng)式回歸的基本概念
5．3．2 多項(xiàng)式回歸的實(shí)現(xiàn)
5．4 Logistic回歸
5．4．1 Logistic回歸模型
5．4．2 Logistic回歸參數(shù)估計(jì)
5．4．3 Logistic回歸評(píng)估指標(biāo)
5．4．4 應(yīng)用實(shí)例
本章小結(jié)
習(xí)題

第6章 分類方法
6．1 分類方法概述
6．2 決策樹
6．2．1 決策樹方法的基本概念
6．2．2 決策樹方法的工作方式
6．2．3 屬性選擇的度量
6．2．4 決策樹算法ID3算法
6．2．5 Skleam中決策樹算法的實(shí)現(xiàn)
6．2．6 決策樹算法應(yīng)用實(shí)例
6．3 隨機(jī)森林
6．3．1 隨機(jī)森林概述
6．3．2 Skleam中隨機(jī)森林算法的實(shí)現(xiàn)
6．3．3 隨機(jī)森林算法應(yīng)用實(shí)例
6．4 分類算法評(píng)估
6．4．1 評(píng)估準(zhǔn)則
6．4．2 評(píng)估過程
6．4．3 評(píng)估方法
6．4．4 評(píng)估實(shí)例
本章小結(jié)
習(xí)題

第7章 支持向量機(jī)
7．1 支持向量機(jī)算法概述
7．2 SVM的分類實(shí)現(xiàn)方法及案例
7．2．1 SVC支持向量分類算法
7．2．2 NuSVC支持向量分類算法
7．2．3 LinearSVC線性支持向量分類算法
7．3 SVM的回歸實(shí)現(xiàn)方法及案例
7．3．1 SVR回歸實(shí)現(xiàn)方法
7．3．2 NuSVR回歸實(shí)現(xiàn)方法
7．3．3 LinearSVR回歸實(shí)現(xiàn)方法
7．4 SVM異常檢測(cè)的實(shí)現(xiàn)方法
7．5 SVM實(shí)戰(zhàn)人臉識(shí)別
7．5．1 導(dǎo)入并顯示數(shù)據(jù)集
7．5．2 SVM分類器模型選擇和優(yōu)化
本章小結(jié)
習(xí)題
……
第8章 樸素貝葉斯方法
第9章 聚類分析方法
第10章 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
第11章 數(shù)據(jù)可視化
第12章 基于Pyecharts的大數(shù)據(jù)可視化圖表
參考文獻(xiàn)