Python数据分析与挖掘算法从入门到机器学习（微课视频版） 下载 pdf 百度网盘 epub 免费 2025 电子版 mobi 在线

本书主要内容包括：数据分析与挖掘简介、爬虫、Scrapy爬虫框架、Numpy、Pandas、Matplotlib、线性回归、Logistic回归、决策树与随机森林、KNN模型、朴素贝叶斯模型、SVM模型等。本书以案例为导向，循序渐进，适合初学者。本书从初学者的角度进行编写，在编写过程中，注重基础知识和案例应用相结合，主要内容包括：数据分析与挖掘简介、爬虫、Scrapy爬虫框架、Numpy、Pandas、Matplotlib、线性回归、Logistic回归、决策树与随机森林、KNN模型、朴素贝叶斯模型、SVM模型等常用算法，后总结了一些项目的综合实战案例。本书的代码全部使用Python语言实现，适合大数据、人工智能等相关专业选用。

第一部分数据分析与挖掘

第1章数据分析与挖掘简介

1.1Python数据分析和挖掘任务中重要的库与工具

1.1.1NumPy

1.1.2SciPy

1.1.3Pandas

1.1.4Matplotlib

1.1.5Jupyter Notebook

1.1.6Scikitlearn

1.2Anaconda 安装

1.3Jupyter Notebook

第2章爬虫

2.1爬虫的基本流程

2.2HTTP 

2.3安装PyCharm

2.4应用举例

习题

第3章Scrapy爬虫框架

3.1基本原理

3.2应用举例

习题

第4章NumPy基本用法

4.1NumPy创建数组

4.1.1使用np.array()由Python列表创建

4.1.2使用np的方法创建

4.2NumPy查看数组属性

4.3数组的基本操作

4.4NumPy运算

4.5排序

习题

第5章Pandas基本用法

5.1Series

5.2DataFrame

5.2.1创建DataFrame对象

5.2.2查看DataFrame对象

5.2.3DataFrame对象的索引与切片

5.3应用举例

5.3.1数据读取

5.3.2数据清洗

5.3.3数据规整

习题

第6章Matplotlib基本用法

6.1线型图

6.2散点图

6.3直方图

6.4条形图

6.5饼图

6.6Seaborn

6.6.1Seaborn基本操作

6.6.2Seaborn绘制的图

6.6.3Seaborn用法示例

6.7Pandas中的绘图函数 

习题

第7章线性回归、岭回归、Lasso回归

7.1原理

7.1.1普通线性回归

7.1.2岭回归

7.1.3Lasso回归

7.2应用举例

习题

第8章Logistic回归分类模型

8.1原理

8.1.1模型简介

8.1.2ROC曲线和AUC

8.1.3梯度下降法

8.1.4Scikitlearn中predict()与predict_proba()用法区别

8.2应用举例

习题

第9章决策树与随机森林

9.1原理

9.1.1决策树

9.1.2随机森林

9.2应用举例

习题

第10章KNN模型

10.1原理

10.2应用举例

习题

第11章朴素贝叶斯模型

11.1原理

11.1.1贝叶斯定理

11.1.2朴素贝叶斯

11.1.3Scikitlearn中三种不同类型的朴素贝叶斯模型

11.2应用举例

习题

第12章SVM模型

12.1原理

12.2应用举例

习题

第13章Kmeans聚类

13.1原理

13.2应用举例

习题

第14章关联规则——Apriori算法

14.1原理

14.2应用举例

习题

第15章数据分析与挖掘项目实战

15.1贷款预测问题

15.1.1数据导入及查看

15.1.2数据预处理

15.1.3建立预测模型

15.2客户流失率问题

15.2.1数据导入及查看

15.2.2数据预处理

15.2.3建立预测模型

习题

第二部分机 器 学 习

第16章主成分分析法

16.1原理

16.2应用举例

习题

第17章集成学习

17.1原理

17.2应用举例

习题

第18章模型评估

18.1分类评估

18.2回归评估

18.3聚类评估

18.4Scikitlearn中的评估函数

第19章初识深度学习框架Keras

19.1关于Keras

19.2神经网络简介

19.3Keras神经网络模型

19.4用Keras实现线性回归模型

19.5用Keras实现鸢尾花分类

19.6Keras目标函数、性能评估函数、激活函数说明

习题

参考文献

张坤，教授，大连理工大学城市学院计算机工程学院副院长，曾主编《操作系统》、《操作系统实验》、《汇编语言实验》3部教材，参编《Java EE 企业级应用开发实例教程》等8部著作。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python数据分析与挖掘算法从入门到机器学习（微课视频版）在线阅读

在线听书地址：Python数据分析与挖掘算法从入门到机器学习（微课视频版）在线收听

在线购买地址：Python数据分析与挖掘算法从入门到机器学习（微课视频版）在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

本书系统介绍了数据分析和数据挖掘的基础知识、典型的机器学习模型及利用Python实现数据挖掘与机器学习的过程。本书将基础理论、模型应用以及项目实践充分结合，有利于加深读者对所学内容的掌握与应用。本书目标明确，就是为初学者量身定做的入门教程，内容系统全面，各章节相互独立，读者可以根据自己的需求选择使用。本书面向应用型人才培养编写，将原理的叙述进行精简，易于理解，辅以Python代码实践与应用，使读者通过实例更好地去理解和掌握知识点。

前言

随着大数据时代的到来，对“挖掘”到的数据要求变得越来越严格。数据挖掘(Data Mining, DM)是一门新兴的、汇聚多个学科的交叉性学科，也是从海量的数据中将未知、隐含及具备潜在价值的信息进行提取的过程。数据挖掘将高性能计算、机器学习、人工智能、模式识别、统计学、数据可视化、数据库技术和专家系统等多个范畴的理论和技术融合在一起。各行各业通过对海量数据的分析与挖掘，建立适当的体系，不断地优化，提高了决策的准确性，从而更利于掌握并顺应市场的变化。

本书系统地介绍了数据分析和数据挖掘的基础知识、典型的机器学习模型及利用Python实现数据挖掘与机器学习的过程。本书将基础理论、模型应用以及项目实践充分结合，有利于读者充分掌握与应用所学内容。

本书主要内容

全书共分为两大部分，共有19章。

第一部分数据分析与挖掘，包括第1~15章。第1章数据分析与挖掘简介，包括Python数据分析和挖掘任务中重要的库与工具、Anaconda安装、Jupyter Notebook。第2章爬虫，包括爬虫的基本流程、HTTP、安装PyCharm、应用举例。第3章Scrapy爬虫框架，包括基本原理、应用举例。第4章NumPy基本用法，包括NumPy创建数组、NumPy查看数组属性、数组的基本操作、NumPy运算、排序。第5章Pandas基本用法，包括Series、DataFrame、应用举例。第6章Matplotlib基本用法，包括线型图、散点图、直方图、条形图、饼图、Seaborn、Pandas中的绘图函数。第7章线性回归、岭回归、Lasso回归，包括原理、应用举例。第8章Logistic回归分类模型，包括原理、应用举例。第9章决策树与随机森林，包括原理、应用举例。第10章KNN模型，包括原理、应用举例。第11章朴素贝叶斯模型，包括原理、应用举例。第12章SVM模型，包括原理、应用举例。第13章Kmeans聚类，包括原理、应用举例。第14章关联规则——Apriori算法，包括原理、应用举例。第15章数据分析与挖掘项目实战，包括贷款预测问题、客户流失率问题。

第二部分机器学习，包括第16~19章。第16章主成分分析法，包括原理、应用举例。第17章集成学习，包括原理、应用举例。第18章模型评估，包括分类评估、回归评估、聚类评估、Scikitlearn中的评估函数。第19章初识深度学习框架Keras，包括关于Keras、神经网络简介、Keras神经网络模型、用Keras实现线性回归模型、用Keras实现鸢尾花分类、Keras目标函数、性能评估函数、激活函数说明。

本书特色

(1) 本书目标明确，是为初学者量身定做的入门教程，内容系统全面，各章节相互独立，读者可以根据自己的需求选择使用。

(2) 本书面向应用型人才培养编写，将原理的叙述进行精简，易于理解，辅以Python代码进行实践与应用，使读者通过实例更好地理解和掌握知识点。

配套资源

为便于教与学，本书配有150分钟微课视频、源代码、数据集、教学课件、教学大纲、教学日历。

(1) 获取微课视频方式： 读者可以先扫描本书封底的文泉云盘防盗码，再扫描书中相应的视频二维码，观看教学视频。

(2) 获取源代码、数据集、全书网址和需要彩色展示的图片

方式： 先扫描本书封底的文泉云盘防盗码，再扫描下方二维码，即可获取。

源代码、数据集

全书网址

彩色图片

(3) 其他配套资源可以扫描本书封底的“书圈”二维码，关注后输入书号，即可下载。

读者对象

本书是一本针对爱好数据分析与挖掘、机器学习等相关知识的读者而编写的基础教程，尤其适用于全国高等学校的教师、在读学生及相关领域的爱好者。

本书的编写参考了同类书籍和相关资料，在此向有关作者表示衷心的感谢。

由于编者水平有限，书中难免存在疏漏之处，恳请广大读者予以批评指正。

编者

2022年2月

书籍介绍

本书主要内容包括：数据分析与挖掘简介、爬虫、Scrapy爬虫框架、Numpy、Pandas、Matplotlib、线性回归、Logistic回归、决策树与随机森林、KNN模型、朴素贝叶斯模型、SVM模型等。本书以案例为导向，循序渐进，适合初学者。本书从初学者的角度进行编写，在编写过程中，注重基础知识和案例应用相结合，主要内容包括：数据分析与挖掘简介、爬虫、Scrapy爬虫框架、Numpy、Pandas、Matplotlib、线性回归、Logistic回归、决策树与随机森林、KNN模型、朴素贝叶斯模型、SVM模型等常用算法，最后总结了一些项目的综合实战案例。本书的代码全部使用Python语言实现，适合大数据、人工智能等相关专业选用。