Минималистская лекция Python, анализ данных входных данных и машинное обучение Zhang Yuhong Электронная промышленная пресса Компьютерная сеть Основная введение Теоретическая система обучения [Синьхуа книжный магазин подлинной]
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Эта книга представляет базовое содержание Python графическим образом и простым способом вводит соответствующие знания о записи в области анализа данных и машинного обучения.D1 -D5 объясняет общий синтаксис и используйте методы Python в простом квадрате J, включая типы данных и структуры управления программой, самоэтапные модули Python и D Трипартийные модули, функции Python и дизайн программирования объекта.ГЛАВА D6 TO D8 представляет анализ данных BB навыки, такие как Numpy, Pandas и Matplotlib.Глава D9 и D10 в основном представили основные концепции машинного обучения и основное использование Sklearn of Machine Learning Framework.Для читателей в области искусственного интеллекта и науки о данных, эта книга представляет собой книгу упрощенного входа J.Для технического и технического персонала, занимающегося продуктами искусственного интеллекта, эта книга также имеет определенную справочную ценность.
Глава D1 Python и Jupyter 1
1.1 Резюме Python 2
1.1.1 Зачем изучать Python 2
1.1.2 Библиотека 2 в Python 2
1.2 СПОРТА ВЕРСИИ ПИТОНА 4
1.3 Установите Anaconda 5
1.3.1 Установка Anaconda в среде Linux 5
1.3.2 Использование команды Conda 6
1.3.3 Установка Anaconda 7 в среде Windows 7
1.4 запустить Python 11
1.4.1 Проверьте Python 11
1.4.2 Версия Python Hello World 12
1.4.3 Файл сценария Python 13
1.4.4 Усадка кода 15
1.4.5 Кодовая аннотация 17
1.5 Встроенная -в функции в Python 17
1.6 Литературное программирование - Юпитер 20
1.6.1 Происхождение Юпитера 20
1.6.2 Установка Юпитера 21
1.6.3 Использование Юпитера 23
1.6.4 Редактор Marckdown 26
1.7 Волшебная функция в Юпитере 31
1,7,1 %LSMAGIC FUNCTION 31
1,7,2 %Matplotlib Inline Function 32
1,7,3 %функция времени 32
1,7,4 %% функция записи 33
1.7.5 Другие обычно используемые магические функции 34
1.7.6 выполнить команду Shell 35 в Юпитере
1.8 Резюме этой главы 35
1.9 Подумайте и улучшайте 36
Глава D2 Тип данных и структура управления программой 40
2.1 Зачем вам разные типы данных 41
2.2 Основные типы данных в Python 42
2.2.1 Номер (номер) 42
2.2.2 Логин 45
2.2.3 Тип строки (строка) 45
2.2.4 Список (список) 49
2.2.5 Yuan Group (Tuple) 59
2.2.6 Словарь (словарь) 62
2.2.7 Раннее (набор) 65
2.3 Структура управления программой 67
2.3.1 Оглядываясь назад на эту незабываемую историю 67
2.3.2 Структура последовательности 69
2.3.3 Выберите структуру 70
2.3.4 Структура циркуляции 74
2.4 Эффективный вывод 80
2.4.1 Список производной 80
2.4.2 Декционное производное 83
2.4.3 Эпизод битва точка 83
2.5 Сводка этой главы 84
2.6 Подумайте и улучшайте 84
ГЛАВА D3 Самостоятельно модуль Python и D Три -партийный модуль 90
3.1 Import Python Standard Library 91
3.2 Напишите свой собственный модуль 93
3.3 Путь поиска модуля 97
3.4 Создать модульный пакет 100
3,5 Общий встроенный модуль 103
3.5.1 Модуль сбора 103
3.5.2 DateTime Module 110
3.5.3 json module 115
3.5.4 Случайный модуль 118
3.6 Сводка этой главы 121
3.7 Подумайте и улучшайте 122
Глава D4 Функция Python 124
4.1 Функция в Python 125
4.1.1 Определение функции 125
4.1.2 Функция возвращает несколько значений 127
4.1.3 Строительство функционального документа 128
4.2 «Причудливая» передача функциональных параметров 132
4.2.1 Параметры ключевого слова 132
4.2.2 Переменные параметры 133
4.2.3 Параметр по умолчанию 136
4.2.4 Пакет и увольнение последовательности параметров 138
4.2.5 Значение значения все еще упоминается 142
4.3 Рекурсивная функция 146
4.3.1 Старший когнитивный рекурсив 146
4.3.2 Мышление и рекурсивное мышление 148
4.3.3 Функция рекурсивного вызова 149
4.4 Функция высокого уровня функционального программирования 151
4.4.1 Lambda выражение 152
4.4.2 Filter () Функция 153
Map () Функция 155
4.4.4 Уменьшите () функцию 157
4.4.5 Сортированная () Функция 158
4.5 Сводка этой главы 159
4.6 Подумайте и улучшайте 160
Глава D5 Pythongj имеет 165
5.1 объект -ориентированное программирование 166
5.1.1 Доступные и объектные дебаты 166
5.1.2 Определение и использование 169
5.1.3 Категория наследование 173
5.2 Генератор и итератор 176
5.2.1 Генератор 176
5.2.2 Итератор 183
5.3 Операция файла 187
5.3.1 Откройте файл 187
5.3.2 Прочитайте линию и прочитайте всю строку 191
5.3.3 Запись файл 193
5.4 Аномальное лечение 193
5.4.1 Опыт когнитивной программы: 194
5.4.2 Три этапа аномального лечения 195
5.5 Ошибка отладки 197
5.5.1 Используйте переменную выходного наблюдения Print () 197
5.5.2 Assert Apport 198
5.6 Резюме этой главы 201
5.7 Подумайте и улучшайте 202
Глава D6 Numpy Vector Расчет 204
6.1 Зачем вам Numpy 205
6.2 Как импортировать Numpy 205
6.3 Сгенерировать Numpy Array 206
6.3.1 Используйте последовательность для генерации 206
6.3.2 Используйте конкретную функцию для генерации 207
6.3.3 Другие распространенные функции Numpy Array 209
6.4 N -Dimensional Attrubutes 212
6.5 Вычисление в Numpy Array 215
6.5.1 Vision Operations 216
6.5.2 Арифметические операции 216
6.5.3
6.6 Запрос Эйнштейна и согласился 222
6.6.1 Различные маркеры 222
6.6.2 Метод Einsum () в Numpy 224
6.7 «Слажного» направления в Numpy 231
6.8 Элементы массива операции 234
6.8.1 Доступ с элементами массива через индекс 234
6.8.2 Срезы в Numpy Access 236
6.8.3 Два -мерные массивы двухмерного массива 238
6.9 трансляция 239 в Numpy
6.10 GJ Индекс Numpy Array 242
6.10.1 «Причудливый» индекс 242
6.10.2 Логический индекс 247
6.11 Операция по фэйкции массива 249
6.11.1 Высоко -запасывающий hStack () 250
6.11.2 Стек вертикального направления vstack () 251
6.11.3 В стеке -depth направления HSTACK () 252
6.11.4 Стек и стек линейки 255
6.11.5 Операция сегментации массива 257
6.12 Модуль случайного числа в Numpy 264
6.13 Эта глава является резюме 266
6.14 Подумайте и улучшается 267
Глава D7 Анализ данных Pandas 271
7.1 Панды Введение 272
7.2 Установка Pandas 272
7.3 тип серии 273
7.3.1 Создание серии 273
7.3.2 Данные в серийном доступе 277
7.3.3 Операция водификации в серии и индексе Burl 280
7.3.4 Операция скольжения в серии 283
7.3.5 Потерянная стоимость в серии 284
7.3.6 Удалить и добавить операцию в серии 286
7.3.7 Атрибуты имени в серии 288
7.4 Данные типа данных 289
7.4.1 Стройте DataFrame 289
7.4.2 Посетите столбцы и строки в DataFrame 293
7.4.3 Удалить операцию в DataFrame 298
7.4.4 Направление «Ось» в DataFrame 301
7.4.5 Добавить операцию в DataFrame 303
7.5 Чтение и анализ файлов на основе Pandas 310
7.5.1 Используйте панды для чтения файла 311
7.5.2 Общие свойства в DataFrame 312
7.5.3 Общие методы в DataFrame 314
7.5.4 Фильтр условий данных 318
7.5.5 Операция среза DataFrame 320
7.5.6 Операция сортировки DataFrame 323
7.5.7.
7.5.8 Перспектива DataFrame Таблица 334
7.5.9 Операция DataFrame SQL 339
7.5.10 Метод очистки данных в DataFrame 341
7.6 Данные выживших в Титанике предварительно обработайте 342
7.6.1 Набор данных Введение 342
7.6.2 Сшивание наборов данных 344
7.6.3 Потеря ценного лечения 350
7.7 Резюме этой главы 353
7.8 Подумайте и улучшайте 353
Глава D8 Matplotlib и Seaborn Visual Analysis 365
8.1 Matplotlib и графический рисунок 366
8.2 Нарисуйте простую графику 366
8.3 Функция GJ Pyplot 371
8.3.1 Добавить легенду и комментарий 371
8.3.2 Установите графический заголовок и координатный вал 374
8.3.3 Добавить линию сетки 378
8.3.4 Нарисуйте несколько подразделений 380
8.3.5 Разница между осями и подпуском 382
8.4 Sanda Point Рисунок 388
8.5 Рисунок и отдых Рисунок 392
8.5.1 Форма вертикальной полосы Рисунок 392
8.5.2 Horizontal Bar Chart 394
8.5.3.
8.5.4 Премьер Рисунок 400
8.5.5 Рисунок 402
8.6 торт Рисунок 407
8.7 Ящик 409
8.8 Вход ошибки 411
8.9 Нарисуйте трехмерную графику 413
8.10 Совместный рисунок с пандами - получение данных о тренде Google в качестве примера 416
8.10.1 Google Fluid Trend Описание данных 416
8.10.2 Импорт данных и данных предварительно обработки 417
8.10.3 Нарисуйте предисловие 421
8.10.4 Выберите «Визуальное выражение правого данных» 423
8.10.5 Рисунок графики на основе условного суждения 427
8.10.6 Нарисуйте несколько подфигур 430
8.11 Потрясающий Seaborn 431
8.11.1 Pairplot (Рисунок) 432
8.11.2 Тепловая карта (тепловая карта) 434
8.11.3 Boxplot (карта коробки) 436
8.11.4 Сюжет для скрипки (фигура скрипки) 442
8.11.5 График плотности (карта плотности) 446
8.12 Резюме этой главы 450
8.13 Подумайте и улучшайте 450
Глава D9 Предварительное обучение машинного обучения 459
9.1 Определение машинного обучения 460
9.1.1 Что такое машинное обучение 460
9.1.2 Три этапа машинного обучения 461
9.1.3 Разница между традиционным программированием и машинным обучением 464
9.1.4 Почему не просто для машинного обучения 465
9.2 Обучение надзору 467
9.2.1 Старший когнитивный надзор.
9.2.2 Формализованное описание надзора и обучения 468
9.2.3 Функция потери 470
9.3 НЕ -СУПЕРВИЗИЗА Обучение 471
9.4 Полу -супервизер обучение 473
9.5 Философская перспектива машинного обучения 474
9.6 Оценка производительности модели 476
9.6.1 Ошибка опыта и ошибка теста 476
9.6.2 переосмысление и заработка 477
9.6.3 Выбор модели и соответствие данных 479
9.7 Измеритель производительности 480
9.7.1 Матрица путаницы 480
9.7.2 Проверьте полную ставку, проверку и оценку F1 481
9.7.3 Кривая P-R 484
9.7.4 Кривая ROC 485
9.7.5 AUC 489
9.8 Эта глава - саммит 489
9.9 Подумайте и улучшайте 490
Глава D10 Sklearn и Classic Machine Learning Algorithm 492
10.1 Оружие машинного обучения -Sklearn 493
10.1.1 Sklearn Введение 494
10.1.3 Установка Sklearn 496
10.2 Линейный возврат 497
10.2.1 Концепция линейной регрессии 497
10.2.2 Используйте Sklearn для достижения прогноза цен на Бостон.
10.3 k-near соседний алгоритм 516
10.3.1 Введение в алгоритм 516
10.3.2 Выбор значения k 518
10.3.3 Задняя характерные данные 519
10.3.4 Merture of соседнего расстояния 521
10.3.5 Формулирование принципов классификации 522
10.3.6 Алгоритм K-Neightoring на основе Sklearn 522
10.4 Логистическое возвращение 527
10.4.1 Зачем вам логистический возврат 527
10.4.2 Логистический источник 529
10.4.3
10.5 Алгоритм обучения нейронной сети 536
10.5.1 Определение искусственной нейронной сети 537
10.5.2 «Обучение» в нейронной сети 537
10.5.3 Дизайн структуры нейронной сети 540
10.5.4 Используйте Sklearn для создания многослойной нейронной сети 541
10.6 Представитель НЕ -СУПЕРВИЗИРА ОБУЧЕНИЯ -K Среднее Полирование 550
10.6.1 Основная концепция кластеризации 551
10.6.2 Отдел кластеров 552
10,6,3 К среднего кластера Алгоритм Core 552
10,6,4 K Средние преимущества и недостатки среднего кластера 554
10.6,5 К фактическое борьбу с A среднего кластерного алгоритма K на основе Sklearn 555
10.7 Резюме этой главы 561