Python大数据分析与机器学习商业案例实战

大数据分析与机器学习技术已成为各行各业实现数字化变革的关键驱动力。本书以功能强大且较易上手的Python语言为编程环境,全面讲解了大数据分析与机器学习技术的商业应用实战。 全书共16章,讲解了线性回归模型、逻辑回归模型、决策树模型、朴素贝叶斯模型、K近邻算法模型、随机森林模型、AdaBoost与GBDT模型、XGBoost与LightGBM模型、PCA(主成分分析)模型、聚类与分群模型(KMeans与DBSCAN算法)、协同过滤算法模型、Apriori关联分析模型、神经网络模型等十余种机器学习模型的原理和代码实现,每种模型都配有一到两个典型案例,涵盖金融、营销、医疗、社会科学、企业办公与管理等多个领域。 本书适合具备一定数学知识和编程基础、希望快速在工作中应用大数据分析与机器学习技术的读者阅读,也适合Python编程爱好者或对大数据分析与机器学习技术感兴趣的读者参考。 前言 如何获取学习资源 第1章 Python与数据科学 1.1 大数据分析与机器学习概述 1.2 Python编程环境部署与基本操作 1.3 Python基础知识概要 第2章 数据分析利器:NumPy、pandas与Matplotlib库 2.1 NumPy库基础 2.2 pandas库基础 2.3 Matplotlib库基础 2.4 案例实战:股票数据读取与K线图绘制 第3章 线性回归模型 3.1 一元线性回归 3.2 线性回归模型评估 3.3 多元线性回归 第4章 逻辑回归模型 4.1 逻辑回归模型的算法原理 4.2 案例实战:客户流失预警模型 4.3 模型评估方法:ROC曲线与KS曲线 第5章 决策树模型 5.1 决策树模型的基本原理 5.2 案例实战:员工离职预测模型 5.3 参数调优:K折交叉验证与GridSearch网格搜索 第6章 朴素贝叶斯模型 6.1 朴素贝叶斯模型的算法原理 6.2 案例实战:肿瘤预测模型 第7章 K近邻算法 7.1 K近邻算法的原理和代码实现 7.2 案例实战:手写数字识别模型 7.3 图像识别原理详解 第8章 随机森林模型 8.1 随机森林模型的原理和代码实现 8.2 案例实战:股票涨跌预测模型 第9章 AdaBoost与GBDT模型 9.1 AdaBoost算法原理 9.2 AdaBoost算法案例实战:信用卡精准营销模型 9.3 GBDT算法原理 9.4 GBDT算法案例实战:产品定价模型 第10章 机器学习神器:XGBoost与Light-GBM算法 10.1 XGBoost算法原理 10.2 XGBoost算法案例实战1:金融反欺诈模型 10.3 XGBoost算法案例实战2:信用评分卡模型 10.4 LightGBM算法原理 10.5 LightGBM算法案例实战1:客户违约预测模型 10.6 LightGBM算法案例实战2:广告收益回归预测模型 第11章 特征工程之数据预处理 11.1 非数值类型数据处理 11.2 重复值、缺失值及异常值处理 11.3 数据标准化 11.4 数据分箱 11.5 特征筛选:WOE值与IV值 11.6 多重共线性的分析与处理 11.7 过采样和欠采样 第12章 数据降维之PCA 12.1 数据降维 12.2 案例实战:人脸识别模型 12.3 人脸识别外部接口调用 第13章 数据聚类与分群分析 13.1 KMeans算法 13.2 DBSCAN算法 13.3 案例实战:新闻聚类分群模型 第14章 智能推荐系统 14.1 智能推荐系统的基本原理 14.2 计算相似度的常用方法 14.3 案例实战:电影智能推荐系统 第15章 关联分析:Apriori算法 15.1 关联分析的基本概念和Apriori算法 15.2 案例实战:病症关联规则分析 第16章 深度学习初窥之神经网络模型 16.1 深度学习基础:神经网络模型 16.2 案例实战:用户评论情感分析模型 本书以Python语言为编程环境,讲解了大数据分析与机器学习技术的商业应用实战.全书共16章,讲解了线性回归模型,逻辑回归模型,决策树模型,朴素贝叶斯模型,K近邻算法模型,随机森林模型,AdaBoost与GBDT模型,XGBoost与LightGBM模型,PCA(主成分分析)模型,聚类与分群模型(KMeans与DBSCAN算法),协同过滤算法模型,Apriori关联分析模型,神经网络模型等十余种机器学习模型的原理和代码实现,每种模型都配有一到两个典型案例,涵盖金融,营销,医疗,社会科学,企业办公与管理等多个领域.isbn 978-7-111-65471-1duxiu 14810538