你好!我是陪你一起进阶人生的普大帝!愿你成才!祝你成长! | 来自Edouard Duchesnay, Tommy Löfstedt, Feki Younes撰写的手把手使用Python进行统计学与机器学习实战,涵盖Python安装使用、统计分析、机器学习与深度学习,实操代码,值得关注!
全文271页,建议英语不太好的,配合知云文献翻译软件阅读,这是一个免费软件
用于数据科学的 Python 生态系统
数据科学中的机器学习
机器学习涵盖两种主要类型的数据分析: - 探索性分析:无监督学习。发现数据中的结构。例如:经验(在公司工作的年限)和薪水是相关的。
- 预测分析:监督学习。这有时被描述为“从过去中学习以预测未来”。场景:一家公司希望在潜在客户群中发现潜在的未来客户。回顾性数据分析:我们通过以前的潜在公司构成的数据,以及它们的特征(规模、领域、本地化等)。其中一些公司成为客户,另一些则没有。问题是,我们能否根据先前观察的特征预测哪些新公司更有可能成为客户?在此示例中,训练数据由一组n 个训练样本组成。
-
- 本书主要内容
用于数据科学的 Python 生态系统
机器学习简介
Python语言 - 导入库
- 基本操作
- 数据类型
- 执行控制语句
- 列表推导、迭代器等
- 函数
- 正则表达式
- 系统编程
- 脚本和参数解析
- 网络
- 模块和包
- 面向对象编程 (OOP)
- Python 编程风格指南
Numpy:数组和矩阵
Pandas:数据操作
数据可视化:matplotlib & seaborn
单变量统计
多元变量统计
python中的时间序列
线性降维和特征提取
聚类
回归问题的线性模型
分类问题的线性模型
非线性模型
重采样方法
集成学习:bagging、boosting 和 stacking
梯度下降
反向传播
多层感知器(MLP)
卷积神经网络
迁移学习
|