《跟着迪哥学python数据分析与机器学习实战》内容简介

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。
全书共20章，大致分为4个部分。第1部分介绍了Python必备的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网格、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。
本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
唐宇迪著。

作品目录

内容提要
前言
第1章：人工智能入门指南
1.1、AI时代首选Python
1.2、人工智能的核心——机器学习
1.3、环境配置
本章总结
第2章：科学计算库（Numpy）
2.1、Numpy的基本操作
2.2、索引与切片
2.3、数据类型与数值计算
2.4、常用功能模块
本章总结
第3章：数据分析处理库（Pandas）
3.1、数据预处理
3.2、数据分析
3.3、常用函数操作
3.4、大数据处理技巧
本章总结
第4章：数据可视化库（Matplotlib）
4.1、常规绘图方法
4.2、常用图表绘制
本章总结
第5章：回归算法
5.1、线性回归算法
5.2、梯度下降算法
5.3、逻辑回归算法
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
6.2、下采样方案
6.3、逻辑回归模型
6.4、过采样方案
项目总结
第7章：决策树
7.1、决策树原理
7.2、决策树剪枝策略
本章总结
第8章：集成算法
8.1、bagging算法
8.2、boosting算法
8.3、stacking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
9.2、数据与特征对结果影响分析
9.3、模型调参
项目总结
第10章：特征工程
10.1、数值特征
10.2、文本特征
10.3、论文与benchmark
本章总结
第11章：贝叶斯算法项目实战——新闻分类
11.1、贝叶斯算法
11.2、新闻分类任务
项目总结
第12章：支持向量机
12.1、支持向量机工作原理
12.2、支持向量的作用
12.3、支持向量机涉及参数
12.4、案例：参数对结果的影响
本章总结
第13章：推荐系统
13.1、推荐系统的应用
13.2、协同过滤算法
13.3、隐语义模型
本章总结
第14章：推荐系统项目实战——打造音乐推荐系统
14.1、数据集清洗
14.2、基于相似度的推荐
14.3、基于矩阵分解的推荐
项目总结
第15章：降维算法
15.1、线性判别分析
15.2、主成分分析
本章总结
第16章：聚类算法
16.1、K-means算法
16.2、DBSCAN聚类算法
16.3、聚类实例
本章总结
第17章：神经网络
17.1、神经网络必备基础
17.2、神经网络整体架构
17.3、网络调优细节
本章总结
第18章：TensorFlow实战
18.1、TensorFlow基本操作
18.2、搭建神经网络进行手写字体识别
本章总结
第19章：卷积神经网络
19.1、卷积操作原理
19.2、经典网络架构
19.3、TensorFlow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
20.2、影评数据特征工程
20.3、构建RNN模型
项目总结