前言

第1章 機器學習概述
1．1 機器學習的概念
1．2 機器學習的分類
1．2．1 實際問題的分類
1．2．2 根據(jù)訓練方法進行分類
1．3 機器學習的開發(fā)流程
1．4 機器學習的應用
本章小結(jié)
習題

第2章 Python語言基礎
2．1 Python語言概述
2．1．1 Python簡介
2．1．2 Python優(yōu)勢
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)
習題

第3章 網(wǎng)絡爬蟲
3．1 網(wǎng)絡爬蟲基本知識
3．1．1 網(wǎng)絡爬蟲簡介
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對象
3．3 網(wǎng)頁內(nèi)容解析方法
3．3．1 BeautifuISoup
3．3．2 正則表達式
3．4 數(shù)據(jù)存儲
3．4．1 TXT格式存儲
3．4．2 JSON格式存儲
3．4．3 CSV格式存儲
3．4．4 圖片文件存儲
本章小結(jié)
習題

第4章 數(shù)據(jù)預處理與特征工程
4．1 數(shù)據(jù)預處理的主要方法
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)預處理與特征工程綜合實例
Titanic生存分析
本章小結(jié)
習題

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 多元線性回歸的實現(xiàn)
5．1．3 回歸模型的評估指標
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 非線性回歸多項式回歸
5．3．1 多項式回歸的基本概念
5．3．2 多項式回歸的實現(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
5．4．3 Logistic回歸評估指標
5．4．4 應用實例
本章小結(jié)
習題

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中決策樹算法的實現(xiàn)
6．2．6 決策樹算法應用實例
6．3 隨機森林
6．3．1 隨機森林概述
6．3．2 Skleam中隨機森林算法的實現(xiàn)
6．3．3 隨機森林算法應用實例
6．4 分類算法評估
6．4．1 評估準則
6．4．2 評估過程
6．4．3 評估方法
6．4．4 評估實例
本章小結(jié)
習題

第7章 支持向量機
7．1 支持向量機算法概述
7．2 SVM的分類實現(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的回歸實現(xiàn)方法及案例
7．3．1 SVR回歸實現(xiàn)方法
7．3．2 NuSVR回歸實現(xiàn)方法
7．3．3 LinearSVR回歸實現(xiàn)方法
7．4 SVM異常檢測的實現(xiàn)方法
7．5 SVM實戰(zhàn)人臉識別
7．5．1 導入并顯示數(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)絡與深度學習
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