《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。
《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩固读者对知识点的掌握。
《Python机器学习》适合作为高等院校计算机类、软件工程类和大数据相关专业本科生Python机器学习相关课程的教材，也可作为数据科学相关领域工程技术人员的参考书，还可供不具备Python语言基础的机器学习爱好者从零开始学习。
前言
第1章Python概述
11Python简介
111Python的产生与发展
112Python的特点
113Python的应用领域
12Python开发环境搭建
121Python安装与配置
122Jupyter NoteBook
123PyCharm
13Python程序基本编写方法
131Python程序编写与执行
132Python错误与调试
133Python编码规范
14本章小结
15习题
第2章Python语言基础
21变量和简单数据类型
211标识符和变量
212基本数据类型
213运算符和表达式
22顺序结构
221赋值语句
222标准输入和输出
223顺序结构程序举例
23分支结构
231分支语句
232分支结构程序举例
24循环结构
241可迭代对象
242循环语句
243循环控制语句
244循环结构程序举例
25案例——人机对话猜数字
26本章小结
27习题
第3章基础数据结构
31列表
311列表的基本操作
312列表相关函数
313列表选取
32元组
321元组的基本操作
322元组与列表的异同与转换
33字典
331字典的基本操作
332遍历字典
333字典与列表的嵌套
34案例——约瑟夫环
35本章小结
36习题
第4章函数与模块
41函数的定义与调用
411函数的定义
412函数的调用
42函数的参数与返回值
421函数参数
422函数返回值
43两类特殊函数
431匿名函数
432递归函数
44常用函数
441字符串处理函数
442高级函数
45模块和包
451模块与包的导入
452常用模块
46案例——拼单词游戏
47本章小结
48习题
第5章面向对象程序设计
51类与对象
511类的定义
512对象的创建与使用
513数据成员与成员方法
52继承与重写
521继承
522重写
53异常处理
531内置的异常类
532异常的捕获与处理
533自定义异常类
54案例——超市销售管理系统
55本章小结
56习题
第6章NumPy数据分析
61安装NumPy库
62数据的获取
621使用Python读写文件
622使用NumPy读写文件
63数组创建与使用
631数组创建和基本属性
632数组选取
633数组操作
64数据运算
641算术运算
642比较运算
65案例——鸢尾花数据分析
66本章小结
67习题
第7章数据可视化
71安装Matplotlib库
72数据可视化基本流程
73设置绘图属性
74绘制常用图表
741折线图
742条形图
743散点图
744饼图
75绘制高级图表
751组合图
752三维图
76案例——随机漫步可视化
77本章小结
78习题
第8章机器学习概述
81机器学习简介
811机器学习的定义
812机器学习的发展
813机器学习的应用领域
82机器学习的基本理论
821基本术语
822机器学习算法
823机器学习的一般流程
83安装scikit-learn库
84scikit-learn基本框架
841数据的加载
842模型训练和预测
843模型的评估
844模型的保存与使用
85本章小结
86习题
第9章回归分析
91回归分析原理
92多元线性回归
921算法原理
922实现及参数
93正则化回归分析
931岭回归
932Lasso回归
933ElasticNet回归
94案例——不同回归算法的
分析对比
95本章小结
96习题
第10章分类算法
101k近邻算法
1011算法原理
1012实现及参数
1013k近邻回归
102朴素贝叶斯算法
1021相关概念
1022算法原理
1023实现及参数
103决策树
1031算法原理
1032最优特征选择函数
1033实现及参数
104分类与回归树
1041算法原理
1042实现及参数
105支持向量机
1051算法原理
1052核函数
1053实现及参数
106案例——多分类器分类数据
107本章小结
108习题
第11章聚类算法
111聚类的不同思想
112k均值算法
1121算法原理
1122实现及参数
113DBSCAN算法
1131算法原理
1132实现及参数
114Agglomerative聚类
1141算法原理
1142实现及参数
115案例——聚类不同分布
形状数据
116本章小结
117习题
第12章集成学习
121集成学习理论
122随机森林
1221算法原理
1222实现及参数
123投票法
124提升法
125本章小结
126习题
第13章算法评估与验证
131数据集划分
132距离度量方法
133分类有效性指标
134回归有效性指标
135聚类有效性指标
136参数调优
137本章小结
138习题
参考文献
书单推荐
