Python机器学习：原理与实践（第2版）（数据科学与大数据技术丛书）

作者：薛薇

书号：321059

定价：￥69 元

字数：506 千字

印次：2-1

开本：16

出版时间：2023-10-31

ISBN：978-7-300-32105-9

包装：平

机器学习是数据科学不可或缺的重要组成部分，是数据科学人才培养的核心内容之一。本书以机器学习理论+Python编程+应用实践的“三位一体”讲解方式，引领读者进入Python机器学习领域。理论上，突出机器学习理论讲解的可读性并兼具知识的深度和广度，旨在指导Python编程调参和实践应用；Python编程上，突出以数据和问题为导向的Python学习路径，借助基于模拟数据的编程直观展示理论背后的朴素道理反刍理论理解，借助基于案例的编程完成机器学习的应用落地；应用实践上，突出案例选择的典型性、综合性和多样性，面向案例问题凸显机器学习理论的指导作用，面向案例实现提升Python编程能力。

本书提供配套数据集、Python源代码等学习资源，可作为高等院校数据科学、人工智能等相关专业的机器学习教学用书，也可作为Python 机器学习应用研究人员的参考用书。

薛薇，中国人民大学统计学院副教授，中国人民大学应用统计科学研究中心研究员。所著著作曾入选“十二五”普通高等教育本科国家级规划教材、北京市高等教育精品教材。主要开设课程包括机器学习、统计分析软件等。研究方向为机器学习与深度学习算法及应用研究。

第1章 机器学习概述

1.1  机器学习的发展：人工智能中的机器学习

1.2  机器学习中的数据

1.3  机器学习的任务

第2章 Python机器学习基础

2.1  Python：机器学习的首选工具

2.2  Python的集成开发环境：Anaconda

2.3  Python第三方程序包的引用

2.4  NumPy使用示例

2.5  Pandas使用示例

2.6  NumPy和Pandas的综合应用：空气质量监测数据的预处理

   和基本分析

2.7  Matplotlib的综合应用：空气质量监测数据的图形化展示

第3章 数据预测中的相关问题

3.1  线性回归预测模型

3.2  认识线性分类预测模型

3.3  从线性预测模型到非线性预测模型

3.4  预测模型的参数估计

3.5  预测模型的选择

第4章 数据预测建模：贝叶斯分类器

4.1  贝叶斯概率和贝叶斯法则

4.2  朴素贝叶斯分类器

4.3  朴素贝叶斯分类器在文本分类中的应用

第5章 数据预测建模：近邻分析

5.1  近邻分析：K- 近邻法

5.2  回归预测中的K- 近邻法

5.3  分类预测中的K- 近邻法

5.4  基于观测相似性的加权K- 近邻法

5.5  K- 近邻法的Python应用实践

第6章 数据预测建模：决策树

6.1  决策树的基本概念

6.2  回归预测中的决策树

6.3  分类预测中的决策树

6.4  决策树的生长和剪枝

6.5  经典决策树算法：分类回归树

6.6  决策树的Python 应用实践

第7章 数据预测建模：集成学习

7.1  集成学习概述

7.2  基于重抽样自举法的集成学习

7.3  从弱模型到强模型的构建：提升法

7.4  梯度提升树

7.5  XGBoost算法

第8章 数据预测建模：人工神经网络

8.1  人工神经网络的基本概念

8.2  感知机网络

8.3  多层感知机网络

8.4  B-P反向传播算法

8.5  人工神经网络的Python应用实践

第9章 数据预测建模：支持向量机

9.1  支持向量分类概述

9.2  完全线性可分时的支持向量分类

9.3  广义线性可分时的支持向量分类

9.4  线性不可分时的支持向量分类

9.5  支持向量机的Python应用实践：老年人危险体位预警

第10章 特征选择：过滤、包裹和嵌入策略

10.1  过滤式策略下的特征选择

10.2  包裹式策略下的特征选择

10.3  嵌入式策略下的特征选择

第11章 特征提取：空间变换策略

11.1  主成分分析

11.2  矩阵的奇异值分解

11.3  因子分析

第12章 揭示数据内在结构：聚类分析

12.1  聚类分析概述

12.2  基于质心的聚类模型：K-均值聚类

12.3  基于联通性的聚类模型：系统聚类

12.4  基于密度的聚类：DBSCAN聚类

12.5  聚类分析的Python应用实践：环境污染的区域特征分析

Python与机器学习几乎就是为数据科学而生的。Python是一款简明、高效且功能强大的开源工具，已成为数据科学最常用的计算机编程语言；机器学习是一套先进、深刻且内容丰富的算法集合，已成为数据科学最主流的分析方法。它们相得益彰，构成了当今大数据技术、人工智能等前沿领域的必备知识，是广大学子成长为数据科学人才的必由之路。

作者结合多年来在机器学习、数据挖掘、统计学、计算机语言和统计应用软件等课程的教学经验与科研实践，希望能为Python机器学习的任课教师以及大学生们，提供一本更加符合高校教学特点的实用优质教材。本书的特点如下：

1、对原理部分作清晰的讲解

机器学习是一门交叉性很强的学科，涉及统计学、数据科学、计算机学科等多个领域的知识。本书认为，学习者要掌握好每个模型或算法的精髓和实践，需要由浅入深地关注直观含义、方法原理、公式推导、算法实现和适用场景等多个递进层面。本书也正是基于这样的层面展开论述。论述过程中，对抽象原理，借助读者可自己再现的图形来做直观剖析。对重点概念，以不同字体突出说明。对难点问题，不吝笔墨反复强调。

2、对实践部分作全面的实现

机器学习又是一门实操性很强的学科。本书认为，学习者需要边学边做才能获得更加深刻的认知。这是如此，本书在每章均设置了Python实践课环节。一方面，通过Python程序代码和可再现的各种图形，帮助学习者理解抽象理论背后的直观含义和方法精髓。另一方面，通过Python代码，帮助学习者掌握和拓展机器学习的算法实现和应用实践。同时，对程序中的关键点进行适度说明，并结合方法原理对程序运行结果进行解读，对相关算法及其特点进行比较评述。全书所有模型和算法都有相应的Python程序，并提供全部代码下载。每章结尾也给出了本章的函数列表，方便读者查阅。

3、本书适合作为机器学习或相关课程的教科书

首先，内容上涵盖了众多主流和核心机器学习算法，以及相关重要知识点。其次，章节安排上，在第1章概述开篇和第2章Python基础介绍后，第3章集中对数据预测建模的各个方面进行了总览论述。旨在帮助学习者把握机器学习的整体知识框架。后续第4至第9章依知识难度，由浅入深展开数据预测建模的讨论，包括朴素贝叶斯分类器、近邻分析、决策树、集成学习、人工神经网络、支持向量机等。第10、11章讨论特征选择和特征提取，以作为数据预测建模的重要补充。第12章关注机器学习中的聚类算法。再有，每章的Python代码能够很好地帮助学习者进一步深刻理解原理，掌握和拓展Python机器学习的应用实践。