图书详情
¥69.0

数据挖掘与机器学习基础及应用

作者：许桂秋 吴丽镐 张文明

编辑：张晓芬

浏览：145

推荐：0

收藏：0

详情

内容介绍

这是一本全面介绍数据挖掘与机器学习的大数据专业类图书，阅读本书可以提升读者对大数据分析 与挖掘的认知及动手能力。本书共 10 章，由浅入深地讲解数据挖掘与机器学习的基本概念与流程、相关 算法与实现工具。全书理论与实践相结合，既有新技术的深度，也有行业应用的广度，使读者可以全面 了解数据挖掘与机器学习相关技术。 本书可以作为高等学校计算机、数据科学与大数据技术等相关专业“机器学习”或者“数据挖掘” 课程的教材，也可作为从事机器学习与数据挖掘、数据分析相关工作的技术人员的参考书。

相关信息

图书名称：数据挖掘与机器学习基础及应用
ISBN：978-7-115-64576-0
作者：许桂秋 吴丽镐 张文明
编辑：张晓芬
从书名：大数据技术与应用丛书
开本：16开
页数：240
印刷色数：单色
出版状态：已出版
出版日期：2024-09-01
作者简介：许桂秋 《大数据导论》《Python编程基础与应用》《NoSQL数据库原理与应用》《数据挖掘与机器学习》等9本系列教材，浙江科技出版社，2019年。

特别说明

数据挖掘与机器学习算法和应用

本书卖点

1.本书是《大数据》编委会针对校企合作的精心力作。
2.本书凝结了曙光瑞翼多年的教学经验，能够满足校企融合教学的需求。
3.本书旨在介绍数据挖掘的基础知识，以及人工智能算法，为即将学习大数据技术的读者奠定基础。
4.本书采用任务驱动的编写方式，读者可以直接进行实验效果体验，并进行自由调整。
5.本书采用大量的实践案例，结合行业典型应用，编写行业实践。
6.本书提供丰富的教学资源，包括电子课件、实验设计等。

目录

第1 章 13
数据挖掘与机器学习概述 13
1.1 数据挖掘与机器学习的发展史 13
1.1.1 数据时代 13
1.1.2 数据挖掘的技术发展 14
1.1.3 机器学习的技术发展 17
1.1.4 人工智能、数据挖掘与机器学习的关系 20
1.2 数据挖掘与机器学习的相关概念 21
1.2.1 数据挖掘的定义 21
1.2.2 机器学习的定义 21
1.2.3 数据库与数据仓库 22
1.3 数据挖掘与机器学习的算法分类 24
1.3.1 类/概念描述：特征和区分 25
1.3.2 回归（regression） 26
1.3.3 分类（classification） 27
1.3.4 预测（forecasting） 28
1.3.5 关联分析（association） 28
1.3.6 聚类分析（cluster） 29
1.3.7 异常检测（anomalydetection） 30
1.3.8 迁移学习 31
1.3.9 强化学习 31
1.3.10 小结 32
1.4 数据挖掘与机器学习的一般流程 33
1.4.1 确定分析目标 33
1.4.2 收集数据 33
1.4.3 整理预处理 33
1.4.4 数据建模 34
1.4.5 模型训练 35
1.4.6 模型评估 35
1.4.7 模型应用 35
1.5 数据挖掘与机器学习的应用领域 35
1.5.1 电子商务 36
1.5.2 金融领域 36
1.5.3 医疗领域 37
1.5.2 通信领域 37
1.5.3 自然语言处理 37
1.5.4 工业领域 40
1.5.5 艺术创作 41
1.5.6 数据挖掘与机器学习应用的问题 41
第2章 43
数据科学分析入门 43
2.1 数据科学分析库 43
2.2 数据科学分析库的基本使用 59
2.2.1 numpy基本使用 59
2.2.2 pandas基本使用 63
2.2.3 matplotlib基本使用 70
2.2.4 Scikit-Learn基本使用 80
2.2.5综合案例 84
第3章 100
回归算法与应用 100
3.1 回归预测问题 100
3.1.1 介绍 100
3.1.2 常见回归数据集 101
3.2 线性回归 104
3.2.1 原理与应用场景 104
3.2.2 一元线性回归的python实现 105
3.2.3 Python实现多元线性回归算法 107
3.2.4 多元线性回归算法优缺点 108
3.3 Logistic回归 108
3.3.1 原理与应用场景 109
3.3.2 Logistic回归的python实现 109
第4章 112
4.1 数据挖掘分类 112
4.1.1 数据挖掘分类 112
4.1.2 常见的分类数据集 113
4.2 KNN算法 118
4.2.1 K最近邻算法概述 118
4.2.2 K最近邻算法实现电影分类 120
4.2.3 使用Python实现KNN算法 128
4.3 向量空间模型 129
4.3.1 原理与应用场景 129
4.3.2 空间向量模型应用 130
4.4 支持向量机 133
4.4.1 支持向量机 133
4.4.2 支持向量机实现分类 135
4.4.3 支持向量机实现回归 136
4.4.4 支持向量机异常检测 136
4.4.5 线性可分与线性不可分 139
4.4.6 SVM鸢尾花分类 143
4.4.7 软间隔 145
4.4.8 GridSearchCV确定超参数 148
4.4.9 过拟合问题 150
4.5 决策树 154
4.5.1 决策树 154
4.5.2 ID3算法 156
4.5.3 决策树实现分类 159
4.5.4 决策树实现回归 166
4.6 集成学习 170
4.6.1 集成学习 170
4.6.2 随机森林 177
4.7 模型的评判和保存 181
第5章 186
聚类算法与应用 186
5.1 无监督学习问题 186
5.1.1 无监督学习 186
5.1.2 聚类分析的基本概念与原理 187
5.1.3 常见聚类数据集 187
5.2 划分聚类 189
5.2.1 划分聚类 189
5.2.2 K-Means算法 190
5.2.4 K-Means算法在鸢尾花应用 195
5.2.4 使用聚类进行图像压缩 197
5.2.5 Numpy实现K_Means聚类 199
5.3 层次聚类 200
5.3.1 层次聚类算法 200
5.3.2 使用层次聚类算法聚类 202
5.3.3 基于运营商基站信息挖掘商圈 204
5.4 聚类效果评测 207
第6章 209
关联规则与协同过滤 209
6.1 推荐算法简介 209
6.1.1 推荐算法的概念 209
6.2 关联规则 210
6.2.1 什么是关联规则？ 210
6.2.2 关联规则的挖掘过程 211
6.2.3 Apriori算法 212
6.3 协同过滤 224
6.3.1 协同过滤算法的概念 224
6.3.2 基于用户的协同过滤 224
6.3.3 基于物品协同过滤 227
6.3.4 实验实现协同过滤算法 229
6.3.5 推荐算法库Surprise介绍与案例 234
第7章 239
特征工程、降维与超参数调优 239
7.1 特征工程 239
7.1.1 数据总体分析 240
7.1.2 数据预处理 241
7.1.3 数据预处理案例分析—美国高中生的社交数据案例分析 253
7.2 降维与超参数调优 257
7.2.1 降维方法 257
7.2.2 实验实现降维 257
7.2.3 超参数调优 259
7.2.4 交叉验证案例分析 261
第8章 263
图像数据处理分析 263
8.1 图像数据结构介绍 264
8.1.1图像数据 264
8.1.2 图像结构介绍 265
8.2 图像数据分析方法 266
8.3 图像数据分析案例 271
8.3.1 PIL：Python图像处理类库应用示例 271
8.3.2 Numpy图像数据分析示例 277
8.3.3 Scipy图像数据分析示例 279
8.3.4 scikit-image 283
8.3.5 OpenCV 288
8.3.6 综合练习——猫狗图片识别案例 300
8.4 计算机视觉的应用 302
8.4.1 图像分类(Image Classification) 302
8.4.2 目标检测(Object Detection) 303
8.4.3 图像分割(Object Segmentation) 305
8.4.4 风格迁移(Style Transfer) 307
8.4.5 图像重构(Image Reconstruction) 308
8.4.6 超分辨率(Super-Resolution) 309
8.4.7 图像生成(Image Synthesis) 309
8.4.8 人脸图像的应用 310
8.4.9 其他 310
第 9 章 321
文本数据处理分析 321
9.1 文本数据处理的相关概念 321
9.1.1 常用的文本数据处理技术 321
9.1.2 中英文的文本数据处理方法对比 322
9.2 文本数据处理关键技术应用 325
9.2.1 文本分词技术 325
9.2.2 文本向量化技术 328
9.2.3 关键词提取 331
9.3 文本数据处理分析案例 332
9.3.1 Python的第三方模块NLTK 332
9.3.2 Python的第三方模块jieba 346
9.4 自然语言处理的应用 353
9.4.1 NLP的应用场景及数据集 353
9.4.2 LLM的发展与研究方向 356
第10章 358
深度学习入门 358
10.1 深度学习概述 358
10.2 神经网络介绍 359
10.2.1 单个神经元 & 逻辑回归（LR） 359
10.2.2 人工神经网络概念 360
10.2.3 多层神经网络简介 360
10.2.4 BP神经网络简介 361
10.3 卷积神经网络 361
10.3.1 卷积神经网络简介 361
10.3.2 卷积神经网络的整体结构 362
10.3.3 常见卷积神经网络 365
10.4 循环神经网络 376
10.4.1 RNN基本原理 376
10.4.2 长短期记忆网络 379
10.4.3 门限循环单元 385
10.5 深度学习流行框架 386
10.6 建立一个卷积神经网络对图片分类 388
立即购买
1 2