Python機(jī)器學(xué)習(xí)及實踐：從零開始通往Kaggle競賽之路（2022年度版）

第1部分  入門篇
第1章  全書指南3
1.1Python編程3
1.2數(shù)據(jù)分析5
1.3機(jī)器學(xué)習(xí)6
1.3.1任務(wù)9
1.3.2經(jīng)驗10
1.3.3性能11
1.4Kaggle競賽13
1.5Git代碼管理14
1.6章  末小結(jié)15
第2章  基本環(huán)境搭建與配置16
2.1Windows操作系統(tǒng)下基本環(huán)境的搭建與配置16
2.1.1查看Windows的版本與原始配置16
2.1.2下載并安裝Anaconda3（Windows）17
2.1.3使用Anaconda Navigator創(chuàng)建虛擬環(huán)境python_env（Windows）19
2.1.4在虛擬環(huán)境python_env下使用Anaconda Navigator安裝
Jupyter Notebook與PyCharm Professional（Windows）20
2.2macOS操作系統(tǒng)下基本環(huán)境的搭建與配置21
2.2.1查看macOS的版本與原始配置21
2.2.2下載并安裝Anaconda3（macOS）23
2.2.3使用Anaconda Navigator創(chuàng)建虛擬環(huán)境python_env（macOS）24
2.2.4在虛擬環(huán)境python_env下使用Anaconda Navigator安裝
Jupyter Notebook與PyCharm Professional（macOS）24〖1〗Python機(jī)器學(xué)習(xí)及實踐——從零開始通往Kaggle競賽之路（2022年度版）〖1〗目錄2.3Ubuntu操作系統(tǒng)下基本環(huán)境的搭建與配置26
2.3.1查看Ubuntu的版本與原始配置26
2.3.2下載并安裝Anaconda3（Ubuntu）27
2.3.3在終端中創(chuàng)建虛擬環(huán)境python_env（Ubuntu）28
2.3.4在虛擬環(huán)境python_env下使用conda命令安裝Jupyter 
Notebook（Ubuntu）29
2.4Jupyter Notebook使用簡介31
2.4.1在虛擬環(huán)境python_env下啟動Jupyter Notebook31
2.4.2創(chuàng)建一個.ipynb文件32
2.4.3試運(yùn)行.ipynb文件內(nèi)的Python 3程序33
2.5PyCharm使用簡介34
2.5.1在虛擬環(huán)境python_env下啟動PyCharm34
2.5.2基于虛擬環(huán)境python_env的Python 3.8解釋器創(chuàng)建一個
.py文件35
2.5.3試運(yùn)行.py文件內(nèi)的Python 3程序35
2.6章  末小結(jié)37
第2部分  基礎(chǔ)篇
第3章  Python編程基礎(chǔ)41
3.1Python編程環(huán)境配置41
3.1.1基于命令行/終端的交互式編程環(huán)境41
3.1.2基于Web的交互式開發(fā)環(huán)境42
3.1.3集成式開發(fā)環(huán)境43
3.2Python基本語法44
3.2.1賦值44
3.2.2注釋45
3.2.3縮進(jìn)46
3.3Python數(shù)據(jù)類型46
3.4Python數(shù)據(jù)運(yùn)算49
3.5Python流程控制53
3.5.1分支語句53
3.5.2循環(huán)控制55
3.6Python函數(shù)設(shè)計56
3.7Python面向?qū)ο缶幊?7
3.8Python編程庫（包）導(dǎo)入60
3.9Python編程綜合實踐62
3.10章  末小結(jié)63
第4章  pandas數(shù)據(jù)分析64
4.1pandas環(huán)境配置65
4.1.1使用Anaconda Navigator搭建和配置環(huán)境66
4.1.2使用conda命令搭建和配置環(huán)境66
4.2pandas核心數(shù)據(jù)結(jié)構(gòu)67
4.2.1Series68
4.2.2DataFrame69
4.3pandas讀取/寫入文件數(shù)據(jù)70
4.3.1讀取/寫入CSV文件數(shù)據(jù)70
4.3.2讀取/寫入JSON文件數(shù)據(jù)73
4.3.3讀取/寫入Excel文件數(shù)據(jù)76
4.4pandas數(shù)據(jù)分析的常用功能80
4.4.1添加數(shù)據(jù)80
4.4.2刪除數(shù)據(jù)83
4.4.3查詢/篩選數(shù)據(jù)84
4.4.4修改數(shù)據(jù)86
4.4.5數(shù)據(jù)統(tǒng)計87
4.4.6數(shù)據(jù)排序89
4.4.7函數(shù)應(yīng)用90
4.5pandas數(shù)據(jù)合并92
4.6pandas數(shù)據(jù)清洗93
4.7pandas數(shù)據(jù)分組與聚合95
4.8章  末小結(jié)97
第5章  Scikitlearn單機(jī)機(jī)器學(xué)習(xí)98
5.1Scikitlearn環(huán)境配置99
5.1.1使用Anaconda Navigator搭建和配置環(huán)境100
5.1.2使用conda命令搭建和配置環(huán)境100
5.2Scikitlearn無監(jiān)督學(xué)習(xí)102
5.2.1降維學(xué)習(xí)與可視化102
5.2.2聚類算法113
5.3Scikitlearn監(jiān)督學(xué)習(xí)模型121
5.3.1分類預(yù)測121
5.3.2數(shù)值回歸141
5.4Scikitlearn半監(jiān)督學(xué)習(xí)模型154
5.4.1自學(xué)習(xí)框架155
5.4.2標(biāo)簽傳播算法157
5.5單機(jī)機(jī)器學(xué)習(xí)模型的常用優(yōu)化技巧159
5.5.1交叉驗證160
5.5.2特征工程162
5.5.3參數(shù)正則化170
5.5.4超參數(shù)尋優(yōu)174
5.5.5并行加速訓(xùn)練176
5.6章  末小結(jié)179
第3部分  進(jìn)階篇
第6章  PyTorch/TensorFlow/PaddlePaddle深度學(xué)習(xí)185
6.1PyTorch/TensorFlow/PaddlePaddle環(huán)境配置187
6.2前饋神經(jīng)網(wǎng)絡(luò)191
6.2.1前饋神經(jīng)網(wǎng)絡(luò)的PyTorch實踐192
6.2.2前饋神經(jīng)網(wǎng)絡(luò)的TensorFlow實踐197
6.2.3前饋神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實踐199
6.3卷積神經(jīng)網(wǎng)絡(luò)202
6.3.1卷積神經(jīng)網(wǎng)絡(luò)的PyTorch實踐204
6.3.2卷積神經(jīng)網(wǎng)絡(luò)的TensorFlow實踐208
6.3.3卷積神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實踐211
6.4循環(huán)神經(jīng)網(wǎng)絡(luò)214
6.4.1循環(huán)神經(jīng)網(wǎng)絡(luò)的PyTorch實踐216
6.4.2循環(huán)神經(jīng)網(wǎng)絡(luò)的TensorFlow實踐220
6.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實踐222
6.5自動編碼器226
6.5.1自動編碼器的PyTorch實踐227
6.5.2自動編碼器的TensorFlow實踐231
6.5.3自動編碼器的PaddlePaddle實踐234
6.6神經(jīng)網(wǎng)絡(luò)模型的常用優(yōu)化技巧238
6.6.1隨機(jī)失活238
6.6.2批量標(biāo)準(zhǔn)化249
6.7章  末小結(jié)260
第7章  PySparkML分布式機(jī)器學(xué)習(xí)262
7.1PySpark環(huán)境配置264
7.1.1使用Anaconda Navigator搭建和配置環(huán)境264
7.1.2使用conda命令搭建和配置環(huán)境265
7.1.3安裝JRE267
7.2PySpark分布式數(shù)據(jù)結(jié)構(gòu)268
7.2.1RDD269
7.2.2DataFrame271
7.3PySpark分布式特征工程273
7.3.1特征抽取273
7.3.2特征轉(zhuǎn)換279
7.4PySparkML分布式機(jī)器學(xué)習(xí)模型284
7.5分布式機(jī)器學(xué)習(xí)模型的常用優(yōu)化技巧292
7.5.1留一驗證293
7.5.2K折交叉驗證295
7.6章  末小結(jié)297
第4部分  實踐篇
第8章  Kaggle競賽實踐301
8.1泰坦尼克號罹難乘客預(yù)測302
8.1.1數(shù)據(jù)分析303
8.1.2數(shù)據(jù)預(yù)處理305
8.1.3模型設(shè)計與尋優(yōu)306
8.1.4提交測試307
8.2Ames房產(chǎn)價值評估308
8.2.1數(shù)據(jù)分析309
8.2.2數(shù)據(jù)預(yù)處理315
8.2.3模型設(shè)計與尋優(yōu)316
8.2.4提交測試317
8.3推特短文本分類318
8.3.1數(shù)據(jù)分析320
8.3.2數(shù)據(jù)預(yù)處理321
8.3.3模型設(shè)計與尋優(yōu)322
8.3.4提交測試323
8.4CIFAR100圖像識別324
8.4.1數(shù)據(jù)分析326
8.4.2數(shù)據(jù)預(yù)處理327
8.4.3模型設(shè)計與尋優(yōu)328
8.4.4提交測試331
8.5章  末小結(jié)333
第9章  Git代碼管理334
9.1Git本地環(huán)境搭建335
9.1.1Windows下Git工具的安裝與配置335
9.1.2macOS下Git工具的安裝與配置336
9.1.3Ubuntu下Git工具的安裝與配置336
9.2Git遠(yuǎn)程倉庫配置337
9.2.1GitHub介紹337
9.2.2GitHub遠(yuǎn)程倉庫的創(chuàng)建與配置338
9.2.3Gitee介紹339
9.2.4Gitee遠(yuǎn)程倉庫的創(chuàng)建與配置339
9.3Git基本指令340
9.3.1克隆倉庫340
9.3.2提交修改341
9.3.3遠(yuǎn)程推送343
9.4Git分支管理343
9.4.1創(chuàng)建分支344
9.4.2分支合并345
9.4.3合并沖突346
9.4.4刪除分支347
9.5貢獻(xiàn)Git項目348
9.5.1Fork項目348
9.5.2本地克隆、修改與推送349
9.5.3發(fā)起拉取請求349
9.6章  末小結(jié)351
后記352
第1章  簡介篇1
1.1機(jī)器學(xué)習(xí)綜述1
1.1.1任務(wù)3
1.1.2經(jīng)驗5
1.1.3性能5
1.2Python編程庫8
1.2.1為什么使用Python8
1.2.2Python機(jī)器學(xué)習(xí)的優(yōu)勢9
1.2.3NumPy & SciPy10
1.2.4Matplotlib11
1.2.5Scikitlearn11
1.2.6Pandas11
1.2.7Anaconda12
1.3Python環(huán)境配置12
1.3.1Windows系統(tǒng)環(huán)境12
1.3.2Mac OS 系統(tǒng)環(huán)境17
1.4Python編程基礎(chǔ)18
1.4.1Python基本語法19
1.4.2Python 數(shù)據(jù)類型20
1.4.3Python 數(shù)據(jù)運(yùn)算22
1.4.4Python 流程控制26
1.4.5Python 函數(shù)（模塊）設(shè)計28
1.4.6Python 編程庫（包）的導(dǎo)入29
1.4.7Python 基礎(chǔ)綜合實踐30
1.5章  末小結(jié)33第2章  基礎(chǔ)篇34
2.1監(jiān)督學(xué)習(xí)經(jīng)典模型34
2.1.1分類學(xué)習(xí)35
2.1.2回歸預(yù)測64
2.2無監(jiān)督學(xué)習(xí)經(jīng)典模型81
2.2.1數(shù)據(jù)聚類81
2.2.2特征降維91
2.3章  末小結(jié)97
第3章  進(jìn)階篇98
3.1模型實用技巧98
3.1.1特征提升99
3.1.2模型正則化111
3.1.3模型檢驗121
3.1.4超參數(shù)搜索122
3.2流行庫/模型實踐129
3.2.1自然語言處理包（NLTK）131
3.2.2詞向量（Word2Vec）技術(shù)133
3.2.3XGBoost模型138
3.2.4Tensorflow框架140
3.3章  末小結(jié)152
第4章  實戰(zhàn)篇153
4.1Kaggle平臺簡介153
4.2Titanic罹難乘客預(yù)測157
4.3IMDB影評得分估計165
4.4MNIST手寫體數(shù)字圖片識別174
4.5章  末小結(jié)180
后記181
參考文獻(xiàn)182