Python机器学习实战【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

Python机器学习实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分Python开发实战3

第一章 开发环境选择与比较3

1.1 PyCharm介绍3

1.2 Jupyter Notebook介绍8

1.3 Sublime Text介绍11

1.4 Visual Studio Code介绍15

第二章Anaconda使用介绍19

2.1 Anaconda介绍19

2.2使用conda管理Python虚拟环境21

第三章 开发规范与方法30

3.1 PEP 8规范30

3.2 Git介绍和使用33

3.3敏捷思想与方法39

第四章 单元测试与代码覆盖率54

4.1测试驱动开发54

4.2单元测试的概念和原则55

4.3单元测试实例56

第二部分Python编程技巧67

第五章 列表生成式67

5.1使用列表生成式代替循环语句67

5.2列表生成式的概念68

5.3字典和集合的生成式70

5.4列表生成式实际例子72

5.5速度比拼74

第六章Collections库77

6.1 namedtuple77

6.2 deque78

6.3 defaultdict79

6.4 OrderedDict80

6.5 Counter81

第七章 迭代器82

7.1可迭代对象Iterable82

7.2迭代器Iterator83

7.3Itertools模块86

第八章 Python多线程与多进程浅析95

8.1多线程引言95

8.2线程95

8.3 Python是解释性语言95

8.4 Python线程切换机制96

8.5 Python线程安全97

8.6 Python多线程StepbyStep99

8.7多进程方式104

8.8基于I/O的多线程106

8.9小结111

第九章 Python程序性能分析初步112

9.1编程语言和性能112

9.2 Node.js和V8编译引擎113

9.3为web服务而生的Go语言122

9.4服务端性能指标122

9.5用装饰器记录执行时间123

9.6函数执行时间分析和cProfile126

9.7分析每一行代码的执行时间128

9.8内存占用分析128

9.9图示化分析多线程的执行时间131

9.10 CPU等性能测试132

第三部分Python机器学习基础137

第十章 机器学习基础137

10.1什么是机器学习137

10.2机器学习的五大流派140

10.3 6种类型的机器学习算法141

10.4机器学习项目基本流程145

10.5机器学习语言149

第十一章 主要算法概览152

第十二章K近邻算法154

12.1K近邻算法概述154

12.2距离度量154

12.3算法过程157

12.4 KNN算法3个要素157

12.5算法的优缺点160

12.6示例Demo：使用K近邻分类160

12.7小结161

12.8扩展阅读162

第十三章 主成分分析164

13.1降维技术164

13.2主成分分析概述164

13.3算法过程167

13.4算法的优缺点168

13.5示例Demo：利用PCA进行图像压缩168

13.6小结171

13.7扩展阅读171

第十四章 逻辑回归172

14.1逻辑回归算法概述172

14.2 Sigmoid函数、可能性比率与逻辑回归公式172

14.3算法过程174

14.4算法的优缺点175

14.5示例Demo：使用逻辑回归进行二分类175

14.6小结176

14.7扩展阅读176

第十五章 朴素贝叶斯分类器177

15.1贝叶斯定理概述177

15.2朴素贝叶斯分类器179

15.3拉普拉斯修正与数值型特征的处理180

15.4算法的优缺点182

15.5示例Demo：使用朴素贝叶斯进行二分类182

15.6小结183

15.7扩展阅读183

第十六章 决策树算法185

16.1决策树算法概述185

16.2 CART算法与基尼指数186

16.3算法过程189

16.4算法的优缺点189

16.5示例Demo：使用CART分类190

16.6小结191

16.7扩展阅读192

第十七章 支持向量机193

17.1支持向量机概述193

17.2从简单的二分类说起193

17.3算法过程195

17.4使用核函数解决线性不可分问题195

17.5算法的优缺点196

17.6示例Demo：使用支持向量机分类图片197

17.7小结199

17.8扩展阅读199

第十八章 K -Means聚类201

18.1聚类分析简介201

18.2聚类算法的类型201

18.3样本相似性的度量203

18.4 K-Means聚类204

18.5算法过程204

18.6算法的优缺点205

18.7示例Demo：使用K-Mean s聚类分析205

18.8小结207

18.9扩展阅读208

第十九章 人工神经网络209

19.1神经网络概述209

19.2神经网络关键概念209

19.3单层感知器和多层感知器213

19.4算法过程214

19.5算法的优缺点216

19.6小结216

19.7扩展阅读216

19.8示例Demo：卷积神经网络识别手写数字图片221

第二十章 如何选择合适的算法227

20.1根据业务目标227

20.2根据数据特点227

20.3其他考虑因素228

第二十一章Python机器学习工具230

21.1NumPy231

21.2 Pandas233

21.3 Scikit-Learn237

21.4 TensorFlow238

21.5 Keras241

21.6 PyTorch243

第四部分Python机器学习实例247

第二十二章 基于RFM的P2 P用户聚类模型247

22.1背景与目标247

22.2算法简介248

22.3实现过程248

22.4 实施与结果254

22.5小结258

第二十三章 文本的主题分类259

23.1背景与目标259

23.2算法简介259

23.3实现过程263

23.4小结268

第二十四章 利用机器翻译实现自然语言查询269

24.1背景与目标269

24.2流程简介269

24.3 TensorFlow框架下实现Seq2 Seq建模273

24.4小结279

第二十五章 身份证汉字和数字识别280

25.1背景与目标280

25.2身份证OCR识别流程280

25.3文本行定位281

25.4字符切割285

25.5字符识别285

25.6小结290

第二十六章 人脸识别291

26.1背景与目标291

26.2基本概念291

26.3人脸识别系统简介292

26.4算法实现293

26.5模型准确性评估300

26.6 CentoS7下GPU的安装配置301

26.7小结306

索引307