Python 機(jī)器學(xué)習(xí)教程

第1章　Python概述及使用 1 1.1　Python的特點(diǎn) 2 1.2　下載與安裝Python 4 1.2.1　下載Python 4 1.2.2　安裝Python 5 1.2.3　查看Python版本 6 1.3　Python程序運(yùn)行 7 1.3.1　在控制臺(tái)窗口中運(yùn)行 7 1.3.2　文件方式運(yùn)行 8 1.3.3　在終端窗口中運(yùn)行 9 1.4　CSV文件 10 1.4.1　CSV文件的建立 10 1.4.2　CSV文件的打開(kāi) 12 1.5　Python包與模塊 12 1.5.1　Python包與模塊簡(jiǎn)介 12 1.5.2　模塊的調(diào)用 13 1.5.3　Python包與模塊的建立 13 本章小結(jié) 14 習(xí)題 14 第2章　Python特色數(shù)據(jù)類(lèi)型與 常用函數(shù) 16 2.1　Python基礎(chǔ)語(yǔ)法 17 2.1.1　標(biāo)識(shí)符與保留字 17 2.1.2　注釋 18 2.2　元組數(shù)據(jù)類(lèi)型 19 2.3　列表、字典、集合數(shù)據(jù)類(lèi)型 20 2.3.1　列表 20 2.3.2　字典 22 2.3.3　集合 23 2.4　數(shù)字、字符串?dāng)?shù)據(jù)類(lèi)型 24 2.4.1　數(shù)字 24 2.4.2　字符串 25 2.5　Python的常用函數(shù) 27 2.5.1　range()函數(shù) 27 2.5.2　enumerate()函數(shù) 28 2.5.3　zip()函數(shù) 28 2.5.4　map()函數(shù) 29 2.5.5　sorted()函數(shù) 29 2.5.6　hash()函數(shù) 30 2.5.7　reversed()函數(shù) 30 本章小結(jié) 30 習(xí)題 31 第3章　Python語(yǔ)句控制及函數(shù)定義 33 3.1　Python分支結(jié)構(gòu) 34 3.1.1　單分支結(jié)構(gòu) 34 3.1.2　多分支結(jié)構(gòu) 35 3.1.3　多分支選擇結(jié)構(gòu) 36 3.2　Python循環(huán)結(jié)構(gòu) 38 3.2.1　for循環(huán)結(jié)構(gòu) 39 3.2.2　while循環(huán)結(jié)構(gòu) 40 3.2.3　break與continue 40 3.3　Python函數(shù) 43 3.3.1　自定義函數(shù) 43 3.3.2　函數(shù)的參數(shù) 44 3.3.3　遞歸函數(shù) 47 3.3.4　匿名函數(shù) 49 3.3.5　將函數(shù)存儲(chǔ)在模塊中 49 3.3.6　Python內(nèi)置函數(shù) 51 本章小結(jié) 54 習(xí)題 54 第4章　Python類(lèi)、異常處理、文件 57 4.1　Python類(lèi) 58 4.1.1　類(lèi) 58 4.1.2　類(lèi)私有屬性、公有屬性 61 4.1.3　類(lèi)方法 65 4.1.4　類(lèi)的繼承 66 4.1.5　多重繼承 67 4.1.6　Object類(lèi) 68 4.1.7　封裝、繼承、多態(tài) 69 4.1.8　類(lèi)的淺拷貝與深拷貝 71 4.2　Python異常 74 4.2.1　異常概念 74 4.2.2　異常處理函數(shù) 77 4.2.3　trackback模塊 79 4.3　Python文件操作 80 4.3.1　文件的概念 80 4.3.2　文件操作 80 本章小結(jié) 85 習(xí)題 85 第5章　Python數(shù)據(jù)處理與繪圖 89 5.1　numpy數(shù)組使用 90 5.1.1　numpy生成數(shù)組 91 5.1.2　numpy數(shù)組屬性 94 5.1.3　數(shù)組的索引和切片 96 5.1.4　numpy數(shù)組運(yùn)算 97 5.2　scipy包的使用 101 5.2.1　scipy包中的模塊 101 5.2.2　常數(shù)模塊的使用 102 5.2.3　特殊函數(shù)模塊的使用 102 5.2.4　信號(hào)處理模塊 103 5.2.5　空間結(jié)構(gòu)模塊 108 5.3　pandas包的使用 109 5.3.1　pandas數(shù)組 109 5.3.2　查看數(shù)據(jù) 112 5.3.3　pandas讀取文件 113 5.4　matplotlib包的使用 116 5.5　SQLite數(shù)據(jù)庫(kù)的使用 121 5.5.1　SQLite數(shù)據(jù)庫(kù) 121 5.5.2　SQLite數(shù)據(jù)庫(kù)操作方法 122 5.5.3　SQLite點(diǎn)命令 123 5.5.4　SQLite可視化維護(hù) 124 本章小結(jié) 126 習(xí)題 126 第6章　圖形用戶界面設(shè)計(jì)、二維碼與 程序打包 130 6.1　圖形用戶界面設(shè)計(jì) 131 6.1.1　wxPython應(yīng)用程序框架 132 6.1.2　wx.Frame的使用 134 6.1.3　文本編輯器 135 6.1.4　wxPython操作窗口 138 6.2　Python二維碼設(shè)計(jì) 145 6.2.1　二維碼概念 145 6.2.2　二維碼設(shè)計(jì) 146 6.3　程序打包 147 6.3.1　安裝打包工具 147 6.3.2　打包步驟 147 本章小結(jié) 150 習(xí)題 150 第7章　Anaconda使用、數(shù)據(jù)分割與 訓(xùn)練 155 7.1　Anaconda安裝與使用 156 7.1.1　安裝Anaconda 156 7.1.2　使用Anaconda 158 7.2　Jupyter Notebook 160 7.2.1　使用Jupyter Notebook 160 7.2.2　安裝mglearn包 163 7.3　數(shù)據(jù)構(gòu)建與分割 164 7.3.1　數(shù)據(jù)構(gòu)建 164 7.3.2　測(cè)試數(shù)據(jù)分割 167 7.4　k近鄰分類(lèi) 169 7.4.1　k近鄰分類(lèi)算法概述 169 7.4.2　數(shù)據(jù)模型優(yōu)良評(píng)判 170 7.5　sklearn自帶數(shù)據(jù)集 171 本章小結(jié) 174 習(xí)題 174 第8章　有監(jiān)督機(jī)器學(xué)習(xí) 177 8.1　分類(lèi)與回歸 178 8.1.1　分類(lèi)與回歸 178 8.1.2　兩個(gè)接地特征的線性回歸 分析 183 8.1.3　兩個(gè)接地特征的k近鄰分類(lèi)與 回歸 191 8.2　決策樹(shù)和隨機(jī)森林 194 8.2.1　決策樹(shù) 194 8.2.2　隨機(jī)森林 198 8.3　神經(jīng)網(wǎng)絡(luò)分類(lèi) 201 8.3.1　神經(jīng)網(wǎng)絡(luò)算法 201 8.3.2　多層前饋網(wǎng)絡(luò)結(jié)構(gòu) 201 8.3.3　BP學(xué)習(xí)算法 202 8.3.4　單相接地神經(jīng)網(wǎng)絡(luò)分類(lèi) 204 8.3.5　神經(jīng)網(wǎng)絡(luò)分類(lèi)器主要參數(shù) 206 8.4　集成學(xué)習(xí) 208 8.4.1　核—SVM算法 208 8.4.2　集成學(xué)習(xí)算法 209 8.4.3　弱學(xué)習(xí)機(jī)分類(lèi)器算法 212 8.4.4　分類(lèi)器不確定性估計(jì) 214 8.4.5　機(jī)器學(xué)習(xí)算法匯總 214 本章小結(jié) 223 習(xí)題 223 第9章　無(wú)監(jiān)督學(xué)習(xí)與模型泛化 226 9.1　無(wú)監(jiān)督學(xué)習(xí) 227 9.1.1　k-均值聚類(lèi)算法 227 9.1.2　新型傳染病聚類(lèi)分析 228 9.1.3　機(jī)器學(xué)習(xí)模型保存 230 9.1.4　高斯混合模型 232 9.1.5　層次聚類(lèi) 235 9.2　分類(lèi)模型泛化 236 9.2.1　數(shù)據(jù)劃分有效性 236 9.2.2　更有效數(shù)據(jù)劃分 238 9.2.3　模型參數(shù)優(yōu)化 239 9.2.4　主成分分析 242 9.2.5　流形學(xué)習(xí) 247 本章小結(jié) 248 習(xí)題 248 附錄A 251 附錄B 252 參考文獻(xiàn) 253