首页

内容简介

第一部分 准备篇：Python语言入门

• 第一章 Python语言基础
  • 1.1 机器学习与Python
  • 1.2 Python开发环境
  • 1.3 Python快速入门
• 第二章 Python语法基础
  • 2.1 数据类型
  • 2.2 变量与常量
  • 2.3 运算符与表达式
  • 2.4 函数
  • 2.5 程序流程控制
• 第三章 数组及矩阵运算库NumPy
  • 3.1 NumPy介绍及导入
  • 3.2 创建与存取
  • 3.3 切片与索引
  • 3.4 数组操作
  • 3.5 数组运算
  • 3.6 矩阵运算
  • 3.7 应用实例
• 第四章 科学计算库SciPy
  • 4.1 SciPy库介绍及导入
  • 4.2 线性代数linalg模块
  • 4.3 拟合与求解optimize模块
  • 4.4 插值interpolate模块
  • 4.5 统计stats模块
  • 4.6 应用实例
• 第五章 数据处理库Pandas
  • 5.1 Pandas库介绍及导入
  • 5.2 Series对象
  • 5.3 DataFrame对象
  • 5.4 数据操作
  • 5.5 数据预处理
  • 5.6 应用实例
• 第六章 数据可视化库Matplotlib
  • 6.1 Matplotlib库介绍及快速绘图
  • 6.2 折线图及绘制属性
  • 6.3 图形、子图和坐标
  • 6.4 条形图
  • 6.5 散点图
  • 6.6 直方图
  • 6.7 箱线图
  • 6.8 绘图实例与总结
• 第七章 机器学习库Scikit-Learn
  • 7.1 Scikit-learn库简介及快速入门
  • 7.2 数据加载与数据预处理
  • 7.3 创建模型
  • 7.4 模型拟合及预测
  • 7.5 分类模型评估
  • 7.6 回归模型评估与交叉验证
• 第八章 机器学习中的数学
  • 微积分
  • 线性代数
  • 概率统计

第二部分 核心篇：机器学习常用算法

监督学习

• K近邻
• 决策树
• 朴素贝叶斯
• 支持向量机
• 线性回归
• 逻辑回归
• 人工神经网络

无监督学习

• K均值
• 主成分分析
• 异常检测

强化学习

第三部分 实践篇：利用算法解决实际问题

• 自然语言处理
• 数据分析流程
• 泰坦尼克号数据分析
• 推荐系统