本書結合了機器學習、數據分析和Python語言，通過案例以通俗易懂的方式講解了如何將算法應用到實際任務。

全書共20章，大致分為4個部分。第一部分介紹了Python的工具包，包括科學計算庫Numpy、數據分析庫Pandas、可視化庫Matplotlib；第2部分講解了機器學習中的經典算法，例如回歸算法、決策樹、集成算法、支持向量機、聚類算法等；第3部分介紹了深度學習中的常用算法，包括神經網絡、卷積神經網絡、遞歸神經網絡；第4部分是項目實戰，基于真實數據集，將算法模型應用到實際業務中。

本書適合對人工智能、機器學習、數據分析等方向感興趣的初學者和愛好者。

·網易云課堂、51CTO、CSDN人氣培訓講師迪哥唐宇迪老師多年實戰經驗匯總

·30萬學員共同的選擇

·面向零基礎，沉浸式學習體驗，打通從算法原理、數學推導到實例操作的疑難點，快速入門人工智能領域。

1. 通俗易懂，快速入門

對機器學習經典算法結合數學推導進行形象解釋，實例演示。

2. Python主導，實用高效

使用數據領域主流語言Python及其分析與建模庫作為課程核心工具。

3. 案例為師，實戰護航

基于真實數據集，從零開始結合Python工具與機器學習算法完成整個案例實戰。

唐宇迪，計算機專業博士，網易云課堂人工智能認證行家，51CTO學院講師，CSDN博客專家、講師。擁有多年人工智能領域培訓經驗，帶領課程研發團隊累計開發AI課程60余門，覆蓋當下人工智能熱門領域。豐富的教學講解經驗，通俗易懂的授課風格，用接地氣的方式幫助同學們進軍人工智能領域。

第 1章 人工智能入學指南

1.1 AI時代首選Python

1.1.1 Python的特點

1.1.2 Python該怎么學

1.2 人工智能的核心——機器學習

1.2.1 什么是機器學習

1.2.2 機器學習的流程

1.2.3 機器學習該怎么學

1.3 環境配置

1.3.1 Anaconda大禮包

1.3.2 Jupyter Notebook

1.3.3 上哪找資源

本章總結

第 2章 科學計算庫(Numpy)

2.1 Numpy的基本操作

2.1.1 Array數組

2.1.2 數組特性

2.1.3 數組屬性操作

2.2 索引與切片

2.2.1 數值索引

2.2.2 bool索引

2.3 數據類型與數值計算

2.3.1 數據類型

2.3.2 復制與賦值

2.3.3 數值運算

2.3.4 矩陣乘法

2.4 常用功能模塊

2.4.1 排序操作

2.4.2 數組形狀操作

2.4.3 數組的拼接

2.4.4 創建數組函數

2.4.5 隨機模塊

2.4.6 文件讀寫

本章總結

第3章 數據分析處理庫(Pandas)

3.1 數據預處理

3.1.1 數據讀取

3.1.2 DataFrame結構

3.1.3 數據索引

3.1.4 創建DataFrame

3.1.5 Series操作

3.2 數據分析

3.2.1 統計分析

3.2.2 pivot數據透視表

3.2.3 groupby操作

3.3 常用函數操作

3.3.1 Merge操作

3.3.2 排序操作

3.3.3 缺失值處理

3.3.4 apply自定義函數

3.3.5 時間操作

3.3.6 繪圖操作

3.4 大數據處理技巧

3.4.1 數值類型轉換

3.4.2 屬性類型轉換

本章總結

第4章 數據可視化庫(Matplotlib)

4.1 常規繪圖方法

4.1.1 細節設置

4.1.2 子圖與標注

4.1.3 風格設置

4.2 常用圖表繪制

4.2.1條形圖

4.2.2 盒圖

4.2.3 直方圖與散點圖

4.2.4 3D圖

4.2.5 布局設置

本章總結

第5章 回歸算法

5.1 線性回歸算法

5.1.1 線性回歸方程

5.1.2 誤差項分析

5.1.3 似然函數求解

5.1.4 線性回歸求解

5.2 梯度下降算法

5.2.1 下山方向選擇

5.2.2 梯度下降優化

5.2.3 梯度下降策略對比

5.2.4 學習率對結果的影響

5.3 邏輯回歸算法

5.3.1 原理推導

5.3.2 邏輯回歸求解

本章總結

第6章 邏輯回歸項目實戰——信用卡欺詐檢測

6.1 數據分析與預處理

6.1.1 數據讀取與分析

6.1.2 樣本不均衡解決方案

6.1.3 特征標準化

6.2 下采樣方案

6.2.1 交叉驗證

6.2.2 模型評估方法

6.2.3 正則化懲罰

6.3 邏輯回歸模型

6.3.1 參數對結果的影響

6.3.2 混淆矩陣

6.3.3 分類閾值對結果的影響

6.4 過采樣方案

6.4.1 SMOTE數據生成策略

6.4.2 過采樣應用效果

項目總結

第7章 決策樹

7.1 決策樹原理

7.1.1 決策樹的基本概念

7.1.2 衡量標準

7.1.3 信息增益

7.1.4 決策樹構造實例

7.1.5 連續值問題

7.1.6 信息增益率

7.1.7 回歸問題求解

7.2 決策樹剪枝策略

7.2.1 剪枝策略

7.2.2 決策樹算法涉及參數

本章總結

第8章 集成算法

8.1 bagging算法

8.1.1 并行的集成

8.1.2 隨機森林

8.2 boosting算法

8.2.1 串行的集成

8.2.2 Adaboost算法

8.3 stacking模型

本章總結

第9章 隨機森林項目實戰——氣溫預測

9.1 隨機森林建模

9.1.1 特征可視化與預處理

9.1.2 隨機森林回歸模型

9.1.3 樹模型可視化方法

9.1.4 特征重要性

9.2 數據與特征對結果影響分析

9.2.1 特征工程

9.2.2 數據量對結果影響分析

9.2.2 特征數量對結果影響分析

9.3 模型調參

9.3.1 隨機參數選擇

9.3.2 網絡參數搜索

項目總結

第 10章 特征工程

10.1 數值特征

10.1.1 字符串編碼

10.1.2 二值與多項式特征

10.1.3 連續值離散化

10.1.4 對數與時間變換

10.2 文本特征

10.2.1 詞袋模型

10.2.2 常用文本特征構造方法

10.3 論文與benchmark

本章總結

第 11章: 貝葉斯算法項目實戰——新聞分類

11.1 貝葉斯算法

11.1.1 貝葉斯公式

11.1.2 拼寫糾錯實例

11.1.3 垃圾郵件分類

11.2 新聞分類任務

11.2.1 數據清洗

11.2.1 TF-IDF關鍵詞提取

項目總結

第 12章 支持向量機

12.1 支持向量機工作原理

12.1.1 支持向量機要解決的問題

12.1.2 距離與標簽定義

12.1.3 目標函數

12.1.4 拉格朗日乘子法

12.2 支持向量的作用

12.2.1 支持向量機求解

12.2.2 支持向量的作用

12.3 支持向量機涉及參數

12.3.1 軟間隔參數選擇

12.3.2 核函數的作用

12.4 案例：參數對結果的影響

12.4.1 SVM基本模型

12.4.2 核函數變換

12.4.3 SVM參數選擇

12.4.4 SVM人臉識別實例

本章總結

第 13章 推薦系統

13.1 推薦系統的應用

13.2 協同過濾算法

13.2.1 基于用戶的協同過濾

13.2.1 基于商品的協同過濾

13.3 隱語義模型

13.3.1 矩陣分解思想

13.3.2 隱語義模型求解

13.3.3 評估方法

本章總結

第 14章 推薦系統項目實戰——打造音樂推薦系統

14.1 數據集清洗

14.1.1 統計分析

14.1.2 數據集整合

14.2 基于相似度的推薦

14.2.1 排行榜推薦

14.2.2 基于歌曲相似度的推薦

14.3 基于矩陣分解的推薦

14.3.1 奇異值分解

14.3.2 使用SVD算法進行音樂推薦

項目總結

第 15章 降維算法

15.1 線性判別分析

15.1.1 降維原理概述

15.1.2 優化的目標

15.1.3 線性判別分析求解

15.1.4 Python實現線性判別分析降維

15.2 主成分分析

15.2.1 PCA降維基本知識點

15.2.2 PCA優化目標求解

15.2.3 Python實現PCA降維

本章總結

第 16章 聚類算法

16.1 K-means算法

16.1.1 聚類的基本特性

16.1.2 K-means算法原理

16.1.2 K-means涉及參數

16.1.3 K-means聚類效果與優缺點

16.2 DBSCAN聚類算法

16.2.1 DBSCAN算法概述

10.2.2 DBSCAN工作流程

16.2.3 半徑對結果的影響

16.3 聚類實例

本章總結

第 17章 神經網絡

17.1 神經網絡必備基礎

17.1.1 神經網絡概述

17.1.2 計算機眼中的圖像

17.1.3 得分函數

17.1.4 損失函數

17.1.5 反向傳播

17.2 神經網絡整體架構

11.2.1 整體框架

17.2.2 神經元的作用

17.2.3 正則化

17.2.4 激活函數

17.3 網絡調優細節

17.3.1 數據預處理

17.3.2 Drop-Out

17.3.3 數據增強

17.3.4 網絡結構設計

本章總結

第 18章 TensorFlow實戰

18.1 TensorFlow基本操作

18.1.1 Tensorflow特性

18.1.2 Tensorflow基本操作

18.1.3 Tensorflow實現回歸任務

18.2 搭建神經網絡進行手寫字體識別

本章總結

第 19章 卷積神經網絡

19.1 卷積操作原理

19.1.1 卷積神經網絡應用

19.1.2 卷積操作流程

19.1.3 卷積計算方法

19.1.4 卷積涉及參數

19.1.5 池化層

19.2 經典網絡架構

19.2.1 卷積神經網絡整體架構

19.2.2 AlexNet網絡

19.2.3 VGG網絡

19.2.4 ResNet網絡

19.3 TensorFlow實戰卷積神經網絡

本章總結

第 20章 神經網絡項目實戰——影評情感分析

20.1 遞歸神經網絡

20.1.1 RNN網絡架構

20.1.2 LSTM網絡

20.2 影評數據特征工程

20.2.1 詞向量

20.2.2 數據特征制作

20.3 構建RNN模型

項目總結

總結

以上是生活随笔為你收集整理的跟着迪哥学python 经管之家_跟着迪哥学Python数据分析与机器学习实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。