Python 3數據分析與機器學習實戰

第0章 本書的技術體系
0.1 Python的發展趨勢
0.2 人工智慧時代學習Python的重要性
0.3 本書的技術體系
0.4 學習本書需要注意的事項

第1章 Python基礎知識
1.1 Python簡介
1.1.1 瞭解Python的起源與發展歷史
1.1.2 Python的特色
1.1.3 學習Python的原因
1.2 Python的當前版本
1.3 Python的優缺點
1.4 Python與其他語言的區別
1.5 Python的應用領域

第2章 Python的安裝、配置與卸載
2.1 Python的安裝
2.1.1 Python的下載
2.1.2 Python的安裝
2.2 Python的配置
2.2.1 Python環境變數的設置
2.2.2 Python的啟動
2.3 Python的卸載

第3章 Python 3 基礎語法
3.1 個Python程式
3.2 Python的輸入和輸出
3.2.1 Python的輸出語句
3.2.2 Python的輸入語句
3.3 Python的基底資料型別
3.3.1 數字
3.3.2 字串
3.3.3 列表
3.3.4 元組
3.3.5 集合
3.3.6 字典
3.4 Python庫的導入
3.5 Python的整合式開發環境
3.6 自測練習

第4章 Python 3的程式設計
4.1 條件陳述式
4.2 迴圈語句
4.2.1 while迴圈
4.2.2 for迴圈
4.3 函數
4.4 模組
4.5 自測練習

第5章 機器學習基礎
5.1 機器學習概述
5.2 監督學習簡介
5.3 非監督學習簡介
5.4 增強學習簡介
5.5 深度學習簡介
5.6 機器學習常用術語

第6章 Python 機器學習及分析工具
6.1 矩陣操作函式程式庫（NumPy）
6.1.1 NumPy的安裝
6.1.2 NumPy的基本使用
6.2 科學計算的核心包（SciPy）
6.2.1 科學計算的核心包的安裝
6.2.2 科學計算的核心包的基本使用
6.3 Python 的繪圖庫（Matplotlib）
6.3.1 Matplotlib簡介及安裝
6.3.2 Matplotlib的基本使用
6.4 資料分析包（Pandas）
6.4.1 Pandas簡介和安裝
6.4.2 Pandas的基本使用方法
6.5 機器學習函式程式庫（Scikit-learn）
6.6 統計建模工具包（StatsModels）
6.7 深度學習框架（TensorFlow）

第7章 數據預處理
7.1 數據預處理概述
7.2 資料清理
7.2.1 異常資料處理
7.2.2 缺失值處理
7.2.3 雜訊資料處理
7.3 資料集成
7.4 數據變換
7.5 數據歸約
7.6 Python的主要資料預處理函數
7.6.1 Python的資料結構
7.6.2 資料缺失處理函數

第8章 分類問題
8.1 分類概述
8.2 常用方法
8.2.1 k-近鄰演算法
8.2.2 樸素貝葉斯
8.2.3 支持向量機
8.2.4 AdaBoost演算法
8.2.5 決策樹
8.2.6 Multi-layer Perceptron 多層感知機
8.3 專案實戰
8.3.1 實例1：使用k-近鄰演算法實現約會網站的配對效果
8.3.2 實例2：使用樸素貝葉斯過濾垃圾郵件
8.3.3 實例3：SVM實現手寫辨識系統
8.3.4 實例4：基於單層決策樹構建分類演算法
8.3.5 實例5：使用決策樹對iris資料集分類
8.3.6 實例6：使用決策樹對身高體重資料進行分類
8.3.7 實例7：使用k-近鄰演算法對鳶尾花資料進行交叉驗證
8.3.8 使用多層感知器分析，根據葡萄酒的各項化學特徵來判斷葡萄酒的優劣
8.4 自測練習

第9章 預測分析
9.1 預測概述
9.2 常用方法
9.2.1 時間序列分析預測法
9.2.2 BP神經網路模型
9.3 專案實戰
9.3.1 實例1：根據一年的歷史資料預測後十年的資料趨勢
9.3.2 實例2：使用神經網路預測公路運量
9.4 自測練習

第10章 關聯分析
10.1 關聯分析概述
10.2 基本方法
10.2.1 Apriori演算法
10.2.2 FP-Growth演算法
10.3 專案實戰（解決目前流行的實際問題）
10.3.1 用Apriori進行關聯分析的實例
10.3.2 使用FP-Growth演算法提取頻繁項集
10.4 自測練習

第11章 網路爬蟲
11.1 網路爬蟲概述
11.1.1 網路爬蟲原理
11.1.2 爬蟲分類
11.2 網頁抓取策略和方法
11.2.1 網頁抓取策略
11.2.2 網頁抓取的方法
11.3 專案實戰
11.3.1 用Python抓取指定的網頁
11.3.2 用Python抓取包含關鍵字的網頁
11.3.3 下載貼吧中的圖片
11.3.4 股票資料抓取
11.4 自測練習

第12章 集成學習
12.1 集成學習概述
12.2 常用方法
12.2.1 Bagging和森林
12.2.2 Boosting和AdaBoost
12.3 專案實戰
12.3.1 使用森林方法預測乘員的存活概率
12.3.2 使用AdaBoost方法進行二元分類
12.4 自測練習

第13章 深度學習
13.1 深度學習概述
13.2 常用方法
13.2.1 監督學習的深度學習網路結構
13.2.2 非監督學習的深度學習網路結構
13.3 專案實戰
13.3.1 使用TensorFlow框架進行MNIST資料集生成
13.3.2 使用Theano框架進行MNIST數位識別
13.4 自測練習

第14章 資料降維及壓縮
14.1 資料降維及壓縮概述
14.1.1 數據降維
14.1.2 圖像壓縮
14.2 基本方法
14.2.1 主成分分析
14.2.2 奇異值分解
14.3 專案實戰
14.3.1 主成分分析PCA實例
14.3.2 使用奇異值分解進行圖像壓縮
14.4 自測練習

第15章 聚類分析
15.1 聚類分析概述
15.2 K-means演算法
15.2.1 K-means演算法與步驟
15.2.2 K-means演算法涉及的問題
15.2.3 實際聚類問題的處理流程
15.3 專案實戰
15.3.1 K-means演算法實現二維資料聚類
15.3.2 使用Scikit-learn中的方法進行聚類分析
15.4 自測練習

第16章 回歸分析問題
16.1 回歸分析概述
16.2 基本方法
16.2.1 一元回歸分析
16.2.2 多元線性回歸
16.2.3 回歸的計算方法
16.2.4 邏輯回歸分析
16.3 專案實戰
16.3.1 身高與體重的回歸分析
16.3.2 房價預測
16.3.3 產品與廣告的多元回歸分析
16.3.4 鳶尾花資料的邏輯回歸分析
16.4 自測練習