機器學習實戰(視頻教學版)（簡體書）

《機器學習實戰：視頻教學版》基於Python語言詳細講解機器學習算法及其應用，用於讀者快速入門機器學習。本書配套示例源代碼、PPT課件、教學視頻、教學大綱、習題與答案、作者微信答疑。
《機器學習實戰：視頻教學版》共分12章，內容包括機器學習概述、Python數據處理基礎、Python常用機器學習庫、線性回歸及應用、分類算法及應用、數據降維及應用、聚類算法及應用、關聯規則挖掘算法及應用、協同過濾算法及應用，最後通過3個綜合實戰項目（包括新聞內容分類實戰、泰坦尼克號獲救預測實戰、中藥數據分析項目實戰），幫助讀者對所學技能進行鞏固和提升。本書主要章節都給出了對應的示例及其詳細的分析步驟，方便讀者從編程中掌握機器學習基礎算法及應用。
《機器學習實戰：視頻教學版》適合機器學習初學者、大數據分析人員和機器學習算法開發工程師閱讀；也適合作為高等院校或高職高專人工智能、計算機、軟件工程、數據科學與大數據技術、智能科學與技術等專業機器學習課程的教材。

遲殿委，計算機軟件與理論專業碩士，系統架構設計師。有十多年JavaEE、大數據全棧應用開發經驗和培訓經驗，擅長JavaEE架構設計、大數據分析與挖掘。著有圖書：《Spark入門與大數據分析實戰》《Hive入門與大數據分析實戰》《Hadoop大數據分析技術》《Hadoop Spark大數據分析實戰》《Spring Boot企業級開發實戰（視頻教學版）》《深入淺出Java編程》《Spring Boot Spring Cloud微服務開發》。

掌握線性回歸、分類、數據降維、聚類、關聯規則、協同過濾算法及應用。
實戰新聞內容分類、泰坦尼克獲救預測、中藥數據分析項目。
配套示例源碼、PPT課件、教學視頻、教學大綱、習題與答案、作者微信答疑。

隨著技術的不斷發展，人工智能和機器學習已經成為計算機領域中的重要分支，並且被廣泛應用於工業、農業、商業、醫學、藝術等各個領域。為了滿足社會對相關人才的需求，急需提高IT技術人員對機器學習原理和算法的理解及應用能力。機器學習是一門多領域交叉學科，可以通過計算機模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構來改善自身性能。機器學習的應用是以大數據采集與處理為前提條件的。
本書內容
本書內容邏輯上分為編程基礎、算法應用、項目實戰三大部分。編程基礎部分主要講解Python編程基礎、數據處理基礎、機器學習常用庫等內容，並講解了機器學習分類、典型過程及常見應用。算法應用部分講解如何建立大數據環境下的機器學習工程化思維，在不必深究算法細節的前提下，實現大數據分類、聚類、回歸、協同過濾、關聯規則、降維等算法及其應用。最後通過3個綜合實戰項目（新聞內容分類實戰、泰坦尼克號獲救預測實戰、中藥數據分析項目實戰），幫助讀者對所學技能進行鞏固和提升。
本書特點
（1）本書針對每個經典算法基於機器學習典型開發流程展開，每個算法的講解都採用先理論後應用實戰的方法，方便讀者從編程中學會機器學習算法及其應用。
（2）本書基於Python語言實現機器學習經典算法，步驟清晰簡明，易於上手，重點放在機器學習算法理解和應用上。同時，本書配套了較為豐富的實戰案例，並為案例提供了詳細的步驟說明。
（3）本書尤其重視實踐操作，包括框架搭建和開發環境安裝、各種算法經典案例引入、算法原理講解、綜合項目實戰提升等，並將實戰與理論知識相結合，從而加深對機器學習算法的理解。
（4）本書作者是具有多年大數據分析和處理實戰經驗的高級工程師，算法講解通俗易懂，方便讀者提高學習效率，快速掌握機器學習技術。
配套資源下載
本書配套示例源代碼、PPT課件、教學視頻、教學大綱、習題與答案、作者微信答疑，讀者需要用微信掃描下面的二維碼獲取。如果閱讀中發現問題或有疑問，請聯繫booksaga@163.com，郵件主題寫“機器學習實戰（視頻教學版）”。

本書讀者
本書適合機器學習初學者，可以作為大數據分析和機器學習算法工程師的參考用書，也可以作為高等院校或高職高專人工智能、大數據等專業的教材或教學參考書。

編 者
2024年1月

第1章 機器學習概述 1
1.1 機器學習簡介 1
1.1.1 什麼是機器學習 1
1.1.2 機器學習三要素和核心 2
1.1.3 機器學習開發流程 4
1.1.4 機器學習模型評價指標 7
1.1.5 機器學習項目開發步驟 10
1.2 機器學習的發展史和分類 11
1.2.1 機器學習的發展史 11
1.2.2 機器學習分類 16
1.3 機器學習常用術語 19
1.4 本章小結 27
第2章 Python數據處理基礎 28
2.1 Python開發環境搭建 28
2.1.1 安裝Python解釋器 28
2.1.2 Python運行方法 30
2.1.3 安裝PyCharm 31
2.1.4 Python包管理工具 35
2.1.5 安裝Jupyter Notebook 36
2.2 Python基本數據類型 37
2.2.1 數值型 37
2.2.2 字符串（String） 39
2.2.3 列表（List） 41
2.2.4 元組（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 文件讀寫基本操作 65
2.3.2 NumPy庫存取文件 69
2.3.3 Pandas存取文件 73
2.4 本章小結 74
第3章 Python常用機器學習庫 75
3.1 Python數值計算庫NumPy 75
3.1.1 NumPy簡介與安裝 75
3.1.2 NumPy數組的基本操作 76
3.2 Python數據處理庫Pandas 77
3.2.1 Pandas庫簡介與安裝 77
3.2.2 數據讀取與寫入 77
3.2.3 數據清洗與轉換 78
3.2.4 數據分析與可視化 79
3.3 Python數據可視化庫Matplotlib 80
3.3.1 Matplotlib安裝與基本使用 80
3.3.2 繪製折線圖 82
3.3.3 繪製柱狀圖 84
3.3.4 繪製餅圖 86
3.3.5 繪製子圖 87
3.4 Python機器學習庫scikit-learn 89
3.4.1 sklearn簡介與安裝 89
3.4.2 sklearn通用學習模式 89
3.4.3 sklearn數據集 90
3.4.4 sklearn模型的屬性和功能 91
3.4.5 sklearn數據預處理 92
3.4.6 交叉驗證 94
3.4.7 保存模型 96
3.5 本章小結 97
第4章 線性回歸及應用 98
4.1 線性回歸算法理論 98
4.2 回歸算法的評價指標 100
4.3 梯度下降算法 101
4.3.1 算法理解 101
4.3.2 SGD算法理論 102
4.4 過擬合 103
4.4.1 過擬合產生的原因 103
4.4.2 常見線性回歸正則化方法 104
4.5 線性回歸實戰 105
4.5.1 波士頓房價預測 105
4.5.2 加入正則化項 107
4.6 本章小結 108
第5章 分類算法及應用 109
5.1 邏輯回歸理論與應用 109
5.1.1 算法理論知識 109
5.1.2 邏輯回歸算法實戰 110
5.2 SVM理論及應用 118
5.2.1 算法理論知識 119
5.2.2 SVM算法實戰 120
5.3 樸素貝葉斯分類及應用 129
5.3.1 算法理論 129
5.3.2 樸素貝葉斯實戰應用 130
5.4 決策樹分類及應用 132
5.4.1 算法理論 132
5.4.2 ID3算法基礎 133
5.4.3 決策樹算法實戰 136
5.5 隨機森林算法實戰 140
5.6 本章小結 141
第6章 數據降維及應用 142
6.1 數據降維概述 142
6.2 PCA算法 143
6.2.1 PCA算法理論 143
6.2.2 PCA算法實戰 145
6.3 SVD算法 147
6.3.1 SVD理論 147
6.3.2 SVD實戰應用 149
6.4 本章小結 152
第7章 聚類算法及應用 153
7.1 聚類理論基礎 153
7.2 K-Means聚類 154
7.2.1 K-Means算法理論 154
7.2.2 K-Means算法實戰 155
7.3 高斯混合聚類 163
7.3.1 高斯聚類理論 163
7.3.2 高斯混合聚類應用 165
7.4 譜聚類 166
7.4.1 譜聚類理論基礎 167
7.4.2 譜聚類應用實戰 168
7.5 本章小結 171
第8章 關聯規則挖掘算法及應用 172
8.1 關聯規則挖掘算法理論 172
8.1.1 大數據關聯規則挖掘常識 172
8.1.2 經典的Apriori算法 173
8.1.3 FP樹算法 174
8.2 關聯規則挖掘算法實戰 177
8.2.1 FP樹實戰 177
8.2.2 Apriori算法實戰 182
8.3 本章小結 186
第9章 協同過濾算法及應用 187
9.1 協同過濾算法理論 187
9.1.1 協同過濾概述 187
9.1.2 物品相似度計算 189
9.1.3 關於ALS算法中的最小二乘法 190
9.2 協同過濾算法電影推薦實戰 191
9.3 本章小結 196
第10章 新聞內容分類實戰 197
10.1 數據準備 197
10.2 分詞與清洗工作 199
10.3 模型建立 202
10.4 分類任務 203
10.5 本章小結 205
第11章 泰坦尼克號獲救預測實戰 206
11.1 數據處理 206
11.2 建立模型 209
11.3 算法概率計算 210
11.4 集成算法，構建多棵分類樹 210
11.5 特徵提取 211
11.6 集成多種算法 214
11.7 本章小結 215
第12章 中藥數據分析項目實戰 216
12.1 項目背景及目標 216
12.2 數據處理與分析實戰 217
12.2.1 數據讀取 217
12.2.2 中藥材數據集的數據處理與分析 218
12.2.3 提取藥方成分 221
12.2.4 挖掘常用藥物組合 223
12.3 本章小結 227