扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
C Primer Plus 第6版 中文版
-
>
深度学习
-
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码
机器学习实践 基于Python进行数据分析 版权信息
- ISBN：9787111698180
- 条形码：9787111698180 ; 978-7-111-69818-0
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器学习实践 基于Python进行数据分析 本书特色
内容丰富，结合实践，以大量生物医学信号、医疗保健数据和金融数据的处理为示例
机器学习实践 基于Python进行数据分析 内容简介
本书共七章。章主要介绍基于机器学习的数据分析。第2章概述一些数据预处理的技术，例如特征提取、转换、特征选择以及降维。第3章概述一些常见的用于预报、预测和分类的机器学习技术，例如，朴素贝叶斯、k近邻、人工神经网络、支持向量机、决策树、随机森林、装袋、提升、堆叠、投票、深度神经网络、循环神经网络和卷积神经网络。第4章主要呈现一些医疗保健领域中的分类案例，包括常用于分析和识别生物医学信号的技术，例如心电图、脑电图和肌电图信号处理，以及人体行为识别和基于微阵列基因表达的癌症、糖尿病和心脏病检测等。第5章主要介绍一些实际应用，包括入侵检测、钓鱼网站检测、垃圾邮件检测、信用评分、信用卡欺诈检测、手写数字识别、图像分类和文本分类。第6章主要介绍一些回归技术的案例，例如股市分析、经济变量预测、电力负载预测、风速预测、旅游需求预测以及房价预测。第7章包括一些无监督学习技术的案例（聚类）。本书的目标读者包括IT专业人员、分析师、开发人员、数据科学家、工程师，以及相关专业的学生。此外，本书也适合需要进行医学、生物相关数据分析的读者参考。
机器学习实践 基于Python进行数据分析 目录
译者序
前言
致谢
第1章 简介 1
1.1 什么是机器学习 1
1.1.1 为什么需要使用机器学习 2
1.1.2 做出数据驱动决策 3
1.1.3 定义以及关键术语 4
1.1.4 机器学习的关键任务 6
1.1.5 机器学习技术 6
1.2 机器学习框架 6
1.2.1 数据收集 7
1.2.2 数据描述 7
1.2.3 探索性数据分析 7
1.2.4 数据质量分析 8
1.2.5 数据准备 8
1.2.6 数据集成 8
1.2.7 数据整理 8
1.2.8 特征缩放和特征提取 9
1.2.9 特征选择及降维 9
1.2.10 建模 9
1.2.11 选择建模技术 9
1.2.12 构建模型 10
1.2.13 模型评估及调优 10
1.2.14 实现以及检验已经创建的模型 10
1.2.15 监督学习框架 11
1.2.16 无监督学习框架 11
1.3 性能评估 12
1.3.1 混淆矩阵 13
1.3.2 F值分析 14
1.3.3 ROC分析 15
1.3.4 Kappa统计量 15
1.3.5 度量了什么 16
1.3.6 如何度量 17
1.3.7 如何解释估计 17
1.3.8 scikit-learn中的k折交叉验证 18
1.3.9 如何选择正确的算法 18
1.4 Python机器学习环境 18
1.4.1 缺陷 20
1.4.2 缺点 20
1.4.3 NumPy库 20
1.4.4 Pandas 20
1.5 本章小结 21
1.6 参考文献 22
第2章 数据预处理 23
2.1 简介 23
2.2 特征提取和转换 24
2.2.1 特征类型 24
2.2.2 统计特征 25
2.2.3 结构化特征 27
2.2.4 特征转换 28
2.2.5 阈值化和离散化 28
2.2.6 数据操作 28
2.2.7 标准化 29
2.2.8 归一化和校准 33
2.2.9 不完整的特征 34
2.2.10 特征提取的方法 36
2.2.11 使用小波变换进行特征提取 38
2.3 降维 45
2.3.1 特征构造和选择 47
2.3.2 单变量特征选择 48
2.3.3 递归式特征消除 51
2.3.4 从模型选择特征 52
2.3.5 主成分分析 53
2.3.6 增量PCA 57
2.3.7 核PCA 58
2.3.8 邻近成分分析 59
2.3.9 独立成分分析 61
2.3.10 线性判别分析 65
2.3.11 熵 67
2.4 基于聚类的特征提取和降维 68
2.5 参考文献 75
第3章 机器学习技术 77
3.1 简介 77
3.2 什么是机器学习 78
3.2.1 理解机器学习 78
3.2.2 如何让机器学习 78
3.2.3 多学科领域 79
3.2.4 机器学习问题 80
3.2.5 机器学习的目标 80
3.2.6 机器学习的挑战 81
3.3 Python库 81
3.3.1 scikit-learn 81
3.3.2 TensorFlow 83
3.3.3 Keras 84
3.3.4 使用Keras构建模型 84
3.3.5 自然语言工具包 85
3.4 学习场景 87
3.5 监督学习算法 88
3.5.1 分类 89
3.5.2 预报、预测和回归 90
3.5.3 线性模型 90
3.5.4 感知机 98
3.5.5 逻辑回归 100
3.5.6 线性判别分析 102
3.5.7 人工神经网络 105
3.5.8 k近邻 109
3.5.9 支持向量机 113
3.5.10 决策树分类器 118
3.5.11 朴素贝叶斯 123
3.5.12 集成学习 126
3.5.13 bagging算法 127
3.5.14 随机森林 131
3.5.15 boosting算法 136
3.5.16 其他集成方法 146
3.5.17 深度学习 151
3.5.18 深度神经网络 152
3.5.19 循环神经网络 155
3.5.20 自编码器 157
3.5.21 长短期记忆网络 157
3.5.22 卷积神经网络 160
3.6 无监督学习 162
3.6.1 k均值算法 163
3.6.2 轮廓系数 165
3.6.3 异常检测 167
3.6.4 关联规则挖掘 170
3.7 强化学习 170
3.8 基于实例的学习 171
3.9 本章小结 171
3.10 参考文献 172
第4章 医疗保健分类示例 174
4.1 简介 174
4.2 脑电图信号分析 175
4.2.1 癫痫症的预测和检测 176
4.2.2 情绪识别 194
4.2.3 局灶性和非局灶性癫痫EEG信号的分类 201
4.2.4 偏头痛检测 212
4.3 EMG信号分析 217
4.3.1 神经肌肉疾病的诊断 218
4.3.2 假体控制中的EMG信号 225
4.3.3 康复机器人中的EMG信号 232
4.4 心电图信号分析 238
4.5 人类活动识别 247
4.5.1 基于传感器的人类活动识别 248
4.5.2 基于智能手机的人类活动识别 250
4.6 用于癌症检测的微阵列基因表达数据分类 256
4.7 乳腺癌检测 257
4.8 预测胎儿风险的心电图数据分类 260
4.9 糖尿病检测 263
4.10 心脏病检测 267
4.11 慢性肾脏病的诊断 270
4.12 本章小结 273
4.13 参考文献 273
第5章 其他分类示例 277
5.1 入侵检测 277
5.2 钓鱼网站检测 280
5.3 垃圾邮件检测 283
5.4 信用评分 287
5.5 信用卡欺诈检测 290
5.6 使用CNN进行手写数字识别 297
5.7 使用CNN进行Fashion-MNIST图像分类 306
5.8 使用CNN进行CIFAR图像分类 313
5.9 文本分类 321
5.10 本章小结 334
5.11 参考文献 334
第6章 回归示例 337
6.1 简介 337
6.2 股票市场价格指数收益预测 338
6.3 通货膨胀预测 356
6.4 电力负荷预测 358
6.5 风速预测 365
6.6 旅游需求预测 370
6.7 房价预测 380
6.8 单车使用情况预测 395
6.9 本章小结 399
6.10 参考文献 400
第7章 聚类示例 402
7.1 简介 402
7.2 聚类 403
7.2.1 评估聚类输出 404
7.2.2 聚类分析的应用 404
7.2.3 可能的聚类数 405
7.2.4 聚类算法种类 405
7.3 k均值聚类算法 406
7.4 k中心点聚类算法 408
7.5 层次聚类 409
7.5.1 聚集聚类算法 409
7.5.2 分裂聚类算法 412
7.6 模糊c均值聚类算法 416
7.7 基于密度的聚类算法 418
7.7.1 DBSCAN算法 418
7.7.2 OPTICS聚类算法 420
7.8 基于期望*大化的混合高斯模型聚类算法 423
7.9 贝叶斯聚类 426
7.10 轮廓分析 428
7.11 基于聚类的图像分割 430
7.12 基于聚类的特征提取 433
7.13 基于聚类的分类 439
7.14 本章小结 442
7.15 参考文献 442
前言
致谢
第1章 简介 1
1.1 什么是机器学习 1
1.1.1 为什么需要使用机器学习 2
1.1.2 做出数据驱动决策 3
1.1.3 定义以及关键术语 4
1.1.4 机器学习的关键任务 6
1.1.5 机器学习技术 6
1.2 机器学习框架 6
1.2.1 数据收集 7
1.2.2 数据描述 7
1.2.3 探索性数据分析 7
1.2.4 数据质量分析 8
1.2.5 数据准备 8
1.2.6 数据集成 8
1.2.7 数据整理 8
1.2.8 特征缩放和特征提取 9
1.2.9 特征选择及降维 9
1.2.10 建模 9
1.2.11 选择建模技术 9
1.2.12 构建模型 10
1.2.13 模型评估及调优 10
1.2.14 实现以及检验已经创建的模型 10
1.2.15 监督学习框架 11
1.2.16 无监督学习框架 11
1.3 性能评估 12
1.3.1 混淆矩阵 13
1.3.2 F值分析 14
1.3.3 ROC分析 15
1.3.4 Kappa统计量 15
1.3.5 度量了什么 16
1.3.6 如何度量 17
1.3.7 如何解释估计 17
1.3.8 scikit-learn中的k折交叉验证 18
1.3.9 如何选择正确的算法 18
1.4 Python机器学习环境 18
1.4.1 缺陷 20
1.4.2 缺点 20
1.4.3 NumPy库 20
1.4.4 Pandas 20
1.5 本章小结 21
1.6 参考文献 22
第2章 数据预处理 23
2.1 简介 23
2.2 特征提取和转换 24
2.2.1 特征类型 24
2.2.2 统计特征 25
2.2.3 结构化特征 27
2.2.4 特征转换 28
2.2.5 阈值化和离散化 28
2.2.6 数据操作 28
2.2.7 标准化 29
2.2.8 归一化和校准 33
2.2.9 不完整的特征 34
2.2.10 特征提取的方法 36
2.2.11 使用小波变换进行特征提取 38
2.3 降维 45
2.3.1 特征构造和选择 47
2.3.2 单变量特征选择 48
2.3.3 递归式特征消除 51
2.3.4 从模型选择特征 52
2.3.5 主成分分析 53
2.3.6 增量PCA 57
2.3.7 核PCA 58
2.3.8 邻近成分分析 59
2.3.9 独立成分分析 61
2.3.10 线性判别分析 65
2.3.11 熵 67
2.4 基于聚类的特征提取和降维 68
2.5 参考文献 75
第3章 机器学习技术 77
3.1 简介 77
3.2 什么是机器学习 78
3.2.1 理解机器学习 78
3.2.2 如何让机器学习 78
3.2.3 多学科领域 79
3.2.4 机器学习问题 80
3.2.5 机器学习的目标 80
3.2.6 机器学习的挑战 81
3.3 Python库 81
3.3.1 scikit-learn 81
3.3.2 TensorFlow 83
3.3.3 Keras 84
3.3.4 使用Keras构建模型 84
3.3.5 自然语言工具包 85
3.4 学习场景 87
3.5 监督学习算法 88
3.5.1 分类 89
3.5.2 预报、预测和回归 90
3.5.3 线性模型 90
3.5.4 感知机 98
3.5.5 逻辑回归 100
3.5.6 线性判别分析 102
3.5.7 人工神经网络 105
3.5.8 k近邻 109
3.5.9 支持向量机 113
3.5.10 决策树分类器 118
3.5.11 朴素贝叶斯 123
3.5.12 集成学习 126
3.5.13 bagging算法 127
3.5.14 随机森林 131
3.5.15 boosting算法 136
3.5.16 其他集成方法 146
3.5.17 深度学习 151
3.5.18 深度神经网络 152
3.5.19 循环神经网络 155
3.5.20 自编码器 157
3.5.21 长短期记忆网络 157
3.5.22 卷积神经网络 160
3.6 无监督学习 162
3.6.1 k均值算法 163
3.6.2 轮廓系数 165
3.6.3 异常检测 167
3.6.4 关联规则挖掘 170
3.7 强化学习 170
3.8 基于实例的学习 171
3.9 本章小结 171
3.10 参考文献 172
第4章 医疗保健分类示例 174
4.1 简介 174
4.2 脑电图信号分析 175
4.2.1 癫痫症的预测和检测 176
4.2.2 情绪识别 194
4.2.3 局灶性和非局灶性癫痫EEG信号的分类 201
4.2.4 偏头痛检测 212
4.3 EMG信号分析 217
4.3.1 神经肌肉疾病的诊断 218
4.3.2 假体控制中的EMG信号 225
4.3.3 康复机器人中的EMG信号 232
4.4 心电图信号分析 238
4.5 人类活动识别 247
4.5.1 基于传感器的人类活动识别 248
4.5.2 基于智能手机的人类活动识别 250
4.6 用于癌症检测的微阵列基因表达数据分类 256
4.7 乳腺癌检测 257
4.8 预测胎儿风险的心电图数据分类 260
4.9 糖尿病检测 263
4.10 心脏病检测 267
4.11 慢性肾脏病的诊断 270
4.12 本章小结 273
4.13 参考文献 273
第5章 其他分类示例 277
5.1 入侵检测 277
5.2 钓鱼网站检测 280
5.3 垃圾邮件检测 283
5.4 信用评分 287
5.5 信用卡欺诈检测 290
5.6 使用CNN进行手写数字识别 297
5.7 使用CNN进行Fashion-MNIST图像分类 306
5.8 使用CNN进行CIFAR图像分类 313
5.9 文本分类 321
5.10 本章小结 334
5.11 参考文献 334
第6章 回归示例 337
6.1 简介 337
6.2 股票市场价格指数收益预测 338
6.3 通货膨胀预测 356
6.4 电力负荷预测 358
6.5 风速预测 365
6.6 旅游需求预测 370
6.7 房价预测 380
6.8 单车使用情况预测 395
6.9 本章小结 399
6.10 参考文献 400
第7章 聚类示例 402
7.1 简介 402
7.2 聚类 403
7.2.1 评估聚类输出 404
7.2.2 聚类分析的应用 404
7.2.3 可能的聚类数 405
7.2.4 聚类算法种类 405
7.3 k均值聚类算法 406
7.4 k中心点聚类算法 408
7.5 层次聚类 409
7.5.1 聚集聚类算法 409
7.5.2 分裂聚类算法 412
7.6 模糊c均值聚类算法 416
7.7 基于密度的聚类算法 418
7.7.1 DBSCAN算法 418
7.7.2 OPTICS聚类算法 420
7.8 基于期望*大化的混合高斯模型聚类算法 423
7.9 贝叶斯聚类 426
7.10 轮廓分析 428
7.11 基于聚类的图像分割 430
7.12 基于聚类的特征提取 433
7.13 基于聚类的分类 439
7.14 本章小结 442
7.15 参考文献 442
展开全部
机器学习实践 基于Python进行数据分析 作者简介
阿卜杜勒哈密特·苏巴西(Abdulhamit Subasi)教授是机器学习、数据挖掘和生物医学信号处理方面的专家，发表了150多篇期刊和会议论文。他在许多机构工作过，并在佐治亚理工学院担任过研究员。2018年5月，他被授予女王埃法特杰出研究奖。自2015年以来，他一直在沙特阿拉伯埃法特大学担任信息系统教授。他目前的研究项目与生物医学信号处理和数据分析相关。
书友推荐
- >
月亮虎
月亮虎
¥17.8¥48.0 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0 - >
巴金－再思录
巴金－再思录
¥33.1¥46.0 - >
伊索寓言-世界文学名著典藏-全译本
伊索寓言-世界文学名著典藏-全译本
¥6.1¥19.0 - >
随园食单
随园食单
¥20.6¥48.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥13.8¥32.0 - >
朝闻道
朝闻道
¥10.2¥23.8 - >
月亮与六便士
月亮与六便士
¥13.4¥42.0
本类畅销
-
深度学习自然语言处理实战
¥25.8¥59.9 -
过程控制
¥11.9¥35 -
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6
