本书作为数据挖掘入门读物，基于真实数据集进行案例实战，使用Python数据科学库，从数据预处理开始一步步介绍数据建模和数据挖掘的过程。主要介绍了数据挖掘的基础知识、基本工具和实践方法，通过循序渐进地讲解算法，带领读者轻松踏上数据挖掘之旅。本书采用理论与实践相结合的方式，呈现了如何使用逻辑回归进行环境数据检测，如何使用HMM进行中文分词，如何利用卷积神经网络识别雷达剖面图，如何使用循环神经网络构建聊天机器人，如何使用朴素贝叶斯算法进行破产预测，如何使用DCGAN网络进行人脸生成等。本书也涉及神经网络、在线学习、强化学习、深度学习、大数据处理等内容。   本书适合对传统数据挖掘和机器学习算法开发感兴趣的读者阅读，也适合需要系统掌握深度学习的开发人员阅读。 方巍  博士，博士后，副教授，高级工程师，硕士生导师。美国佛罗里达大学访问学者，中国计算机学会高级会员，ACM会员，中国系统分析师协会（CSAI）顾问团专业顾问，江苏省计算机学会会员，江苏省人工智能学会委员，江苏省政府采购招标评审专家，江苏省高新技术企业认定评审专家。负责和参与国家级、省部级科研项目12项。在国内外学术期刊上发表论文20余篇，其中被SCI和EI检索15篇。获国家发明专利授权8项、软件著作权9项。出版科技图书2部。 前言第1章  机器学习基础11.1  机器学习概述21.2  机器学习的发展历程21.3  机器学习分类31.3.1  监督学习31.3.2  无监督学习31.3.3  强化学习41.3.4  深度学习41.4  机器学习的应用41.5  开发机器学习的步骤71.6  Python语言的优势81.6.1  可执行伪代码81.6.2  Python语言使用广泛81.6.3  Python语言特色81.6.4  Python语言的缺点91.7  Python开发工具介绍91.7.1  IDLE简介101.7.2  IPython简介111.7.3  PyCharm简介111.7.4  Jupyter Notebook简介121.7.5  Anaconda和Spyder简介131.8  本章小结15第2章  Python语言简介162.1  搭建Python开发环境162.1.1  安装Anaconda162.1.2  安装Spyder182.1.3  运行和保存Python程序192.2  Python计算与变量192.2.1  用Python做简单的计算202.2.2  Python的运算符202.2.3  Python的变量212.3  Python的字符串222.4  Python的列表232.5  Python的元组252.6  Python的字典272.7  网络爬虫的发展历史和分类282.7.1  网络爬虫的发展历史282.7.2  网络爬虫的分类302.8  网络爬虫的原理302.8.1  理论概述302.8.2  爬虫的工作流程312.9  爬虫框架介绍362.9.1  Scrapy介绍362.9.2  XPath介绍392.10  网络爬虫的设计与实现402.10.1  网络爬虫的总体设计402.10.2  具体实现过程402.10.3  爬虫结果与分析452.11  本章小结49第3章  回归分析503.1  回归分析概述503.1.1  基本概念503.1.2  可以解决的问题513.1.3  回归分析的步骤513.2  线性回归513.2.1  简单线性回归分析513.2.2  多元线性回归分析523.2.3  非线性回归数据分析523.3  用Python实现一元线性回归533.4  用Python实现多元线性回归563.4.1  使用pandas读取数据563.4.2  分析数据573.4.3  线性回归模型583.5  基于线性回归的股票预测623.5.1  数据获取623.5.2  数据预处理633.5.3  编码实现643.5.4  结果分析653.6  逻辑回归663.6.1  构造预测函数673.6.2  构造损失函数J683.6.3  梯度下降法求解最小值693.7  基于逻辑回归的环境数据检测713.7.1  数据来源713.7.2  数据处理723.7.3  异常数据分析723.7.4  数据预测743.8  本章小结76第4章  决策树与随机森林774.1  决策树774.1.1  决策树的基本原理774.1.2  决策树的分类784.1.3 决策树的优缺点814.2  使用决策树对鸢尾花分类824.2.1  Iris数据集简介824.2.2  读取数据834.2.3  鸢尾花类别834.2.4  数据可视化844.2.5  训练和分类854.2.6  数据集多类分类864.2.7  实验结果864.3  随机森林874.3.1  随机森林的基本原理874.3.2  随机森林的收敛性884.3.3  随机森林的OOB估计894.3.4  随机森林的随机特征选取894.3.5  随机森林的优缺点904.4  葡萄酒数据集的随机森林分类914.4.1  数据收集914.4.2  相关库函数简介924.4.3  数据基本分析934.4.4  使用随机森林构建模型974.4.5  实验结果984.5  本章小结99第5章  支持向量机1005.1  SVM的工作原理及分类1005.1.1  支持向量机的原理1005.1.2  线性可分的支持向量机1015.1.3  非线性可分的支持向量机1025.2  核函数1035.2.1  核函数简介1035.2.2  几种常见的核函数1045.2.3  核函数如何处理非线性数据1045.2.4  如何选择合适的核函数1055.3  SVR简介1065.3.1  SVR原理1065.3.2  SVR模型1065.4  时间序列曲线预测1075.4.1  生成训练数据集1075.4.2  运用不同的核函数进行支持向量回归1085.4.3  生成测试数据集1095.4.4  预测并生成图表1105.4.5  获取预测误差1115.4.6  创建数据集1125.4.7  选取最优参数1125.4.8  预测并生成图表1125.4.9  获取预测误差1135.5  本章小结114第6章  隐马尔可夫模型1156.1  隐马尔可夫模型简介1156.1.1  隐马尔可夫模型的概念1156.1.2  详例描述1166.1.3  HMM流程1176.2  Viterbi算法1176.3  HMM模型用于中文分词1196.3.1  UI界面1196.3.2  数据及其编码1196.3.3  HMM模型1216.3.4  实验结果1226.4  本章小结124第7章  BP神经网络模型1257.1  背景介绍1257.2  结构特点1267.3  网络模型1267.4  人工神经网络简介1277.4.1  神经元1277.4.2  单层神经网络1287.4.3  双层神经网络1297.4.4  多层神经网络1307.5  BP