【图书推荐】《机器学习实战（视频教学版）》

本书用处

快速入门Python机器学习基础算法。

最后3个综合实战项目（包括新闻内容分类实战、泰坦尼克号获救预测实战、中药数据分析项目实战）可以作为研究可以的素材。

内容简介

本书基于Python语言详细讲解机器学习算法及其应用，用于读者快速入门机器学习。本书配套示例源代码、PPT课件、教学视频、教学大纲、习题与答案、作者微信答疑。

本书共分12章，内容包括机器学习概述、Python数据处理基础、Python常用机器学习库、线性回归及应用、分类算法及应用、数据降维及应用、聚类算法及应用、关联规则挖掘算法及应用、协同过滤算法及应用，最后通过3个综合实战项目（包括新闻内容分类实战、泰坦尼克号获救预测实战、中药数据分析项目实战），帮助读者对所学技能进行巩固和提升。

本书主要章节都给出了对应的示例及其详细的分析步骤，方便读者从编程中掌握机器学习基础算法及应用。

适合读者

本书适合机器学习初学者，可以作为大数据分析和机器学习算法工程师的参考用书。

也可以作为高等院校或高职高专人工智能、大数据等专业的教材或教学参考书。

主要作者简介

迟殿委，计算机软件与理论专业硕士，系统架构设计师。有十多年JavaEE、大数据全栈应用开发经验和培训经验，擅长JavaEE架构设计、大数据分析与挖掘。著有图书：《Spark入门与大数据分析实战》《Hive入门与大数据分析实战》《Hadoop大数据分析技术》《Hadoop+Spark大数据分析实战》《Spring Boot企业级开发实战（视频教学版）》《深入浅出Java编程》《Spring Boot+Spring Cloud微服务开发》。

前言

随着技术的不断发展，人工智能和机器学习已经成为计算机领域中的重要分支，并且被广泛应用于工业、农业、商业、医学、艺术等各个领域。为了满足社会对相关人才的需求，急需提高IT技术人员对机器学习原理和算法的理解及应用能力。机器学习是一门多领域交叉学科，可以通过计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构来改善自身性能。机器学习的应用是以大数据采集与处理为前提条件的。

本书内容

本书内容逻辑上分为编程基础、算法应用、项目实战三大部分。编程基础部分主要讲解Python编程基础、数据处理基础、机器学习常用库等内容，并讲解了机器学习分类、典型过程及常见应用。算法应用部分讲解如何建立大数据环境下的机器学习工程化思维，在不必深究算法细节的前提下，实现大数据分类、聚类、回归、协同过滤、关联规则、降维等算法及其应用。最后通过3个综合实战项目（新闻内容分类实战、泰坦尼克号获救预测实战、中药数据分析项目实战），帮助读者对所学技能进行巩固和提升。

本书特点

（1）本书针对每个经典算法基于机器学习典型开发流程展开，每个算法的讲解都采用先理论后应用实战的方法，方便读者从编程中学会机器学习算法及其应用。

（2）本书基于Python语言实现机器学习经典算法，步骤清晰简明，易于上手，重点放在机器学习算法理解和应用上。同时，本书配套了较为丰富的实战案例，并为案例提供了详细的步骤说明。

（3）本书尤其重视实践操作，包括框架搭建和开发环境安装、各种算法经典案例引入、算法原理讲解、综合项目实战提升等，并将实战与理论知识相结合，从而加深对机器学习算法的理解。

（4）本书作者是具有多年大数据分析和处理实战经验的高级工程师，算法讲解通俗易懂，方便读者提高学习效率，快速掌握机器学习技术。

配套资源下载

本书配套示例源代码、PPT课件、教学视频、教学大纲、习题与答案、作者微信答疑，读者需要用微信扫描下面的二维码获取。

本书读者

本书适合机器学习初学者，可以作为大数据分析和机器学习算法工程师的参考用书，也可以作为高等院校或高职高专人工智能、大数据等专业的教材或教学参考书。

编者

2024年1月

目    录
第1章  机器学习概述 1
1.1  机器学习简介 1
1.1.1  什么是机器学习 1
1.1.2  机器学习三要素和核心 2
1.1.3  机器学习开发流程 4
1.1.4  机器学习模型评价指标 7
1.1.5  机器学习项目开发步骤 10
1.2  机器学习的发展史和分类 11
1.2.1  机器学习的发展史 11
1.2.2  机器学习分类 16
1.3  机器学习常用术语 19
1.4  本章小结 27
第2章  Python数据处理基础 28
2.1  Python开发环境搭建 28
2.1.1  安装Python解释器 28
2.1.2  Python运行方法 30
2.1.3  安装PyCharm 31
2.1.4  Python包管理工具 35
2.1.5  安装Jupyter Notebook 36
2.2  Python基本数据类型 37
2.2.1  数值型 37
2.2.2  字符串（String） 39
2.2.3  列表（List） 41
2.2.4  元组（Tuple） 50
2.2.5  集合（Set） 54
2.2.6  字典（Dict） 60
2.3  Python文件的基本操作 65
2.3.1  文件读写基本操作 65
2.3.2  NumPy库存取文件 69
2.3.3  Pandas存取文件 73
2.4  本章小结 74
第3章  Python常用机器学习库 75
3.1  Python数值计算库NumPy 75
3.1.1  NumPy简介与安装 75
3.1.2  NumPy数组的基本操作 76
3.2  Python数据处理库Pandas 77
3.2.1  Pandas库简介与安装 77
3.2.2  数据读取与写入 77
3.2.3  数据清洗与转换 78
3.2.4  数据分析与可视化 79
3.3  Python数据可视化库Matplotlib 80
3.3.1  Matplotlib安装与基本使用 80
3.3.2  绘制折线图 82
3.3.3  绘制柱状图 84
3.3.4  绘制饼图 86
3.3.5  绘制子图 87
3.4  Python机器学习库scikit-learn 89
3.4.1  sklearn简介与安装 89
3.4.2  sklearn通用学习模式 89
3.4.3  sklearn数据集 90
3.4.4  sklearn模型的属性和功能 91
3.4.5  sklearn数据预处理 92
3.4.6  交叉验证 94
3.4.7  保存模型 96
3.5  本章小结 97
第4章  线性回归及应用 98
4.1  线性回归算法理论 98
4.2  回归算法的评价指标 100
4.3  梯度下降算法 101
4.3.1  算法理解 101
4.3.2  SGD算法理论 102
4.4  过拟合 103
4.4.1  过拟合产生的原因 103
4.4.2  常见线性回归正则化方法 104
4.5  线性回归实战 105
4.5.1  波士顿房价预测 105
4.5.2  加入正则化项 107
4.6  本章小结 108
第5章  分类算法及应用 109
5.1  逻辑回归理论与应用 109
5.1.1  算法理论知识 109
5.1.2  逻辑回归算法实战 110
5.2  SVM理论及应用 118
5.2.1  算法理论知识 119
5.2.2  SVM算法实战 120
5.3  朴素贝叶斯分类及应用 129
5.3.1  算法理论 129
5.3.2  朴素贝叶斯实战应用 130
5.4  决策树分类及应用 132
5.4.1  算法理论 132
5.4.2  ID3算法基础 133
5.4.3  决策树算法实战 136
5.5  随机森林算法实战 140
5.6  本章小结 141
第6章  数据降维及应用 142
6.1  数据降维概述 142
6.2  PCA算法 143
6.2.1  PCA算法理论 143
6.2.2  PCA算法实战 145
6.3  SVD算法 147
6.3.1  SVD理论 147
6.3.2  SVD实战应用 149
6.4  本章小结 152
第7章  聚类算法及应用 153
7.1  聚类理论基础 153
7.2  K-Means聚类 154
7.2.1  K-Means算法理论 154
7.2.2  K-Means算法实战 155
7.3  高斯混合聚类 163
7.3.1  高斯聚类理论 163
7.3.2  高斯混合聚类应用 165
7.4  谱聚类 166
7.4.1  谱聚类理论基础 167
7.4.2  谱聚类应用实战 168
7.5  本章小结 171
第8章  关联规则挖掘算法及应用 172
8.1  关联规则挖掘算法理论 172
8.1.1  大数据关联规则挖掘常识 172
8.1.2  经典的Apriori算法 173
8.1.3  FP树算法 174
8.2  关联规则挖掘算法实战 177
8.2.1  FP树实战 177
8.2.2  Apriori算法实战 182
8.3  本章小结 186
第9章  协同过滤算法及应用 187
9.1  协同过滤算法理论 187
9.1.1  协同过滤概述 187
9.1.2  物品相似度计算 189
9.1.3  关于ALS算法中的最小二乘法 190
9.2  协同过滤算法电影推荐实战 191
9.3  本章小结 196
第10章  新闻内容分类实战 197
10.1  数据准备 197
10.2  分词与清洗工作 199
10.3  模型建立 202
10.4  分类任务 203
10.5  本章小结 205
第11章  泰坦尼克号获救预测实战 206
11.1  数据处理 206
11.2  建立模型 209
11.3  算法概率计算 210
11.4  集成算法，构建多棵分类树 210
11.5  特征提取 211
11.6  集成多种算法 214
11.7  本章小结 215
第12章  中药数据分析项目实战 216
12.1  项目背景及目标 216
12.2  数据处理与分析实战 217
12.2.1  数据读取 217
12.2.2  中药材数据集的数据处理与分析 218
12.2.3  提取药方成分 221
12.2.4  挖掘常用药物组合 223
12.3  本章小结 227