Python 3 数据分析与机器学习实战

机器之所以能学习，来源于大量的数据分析。本书首先讲述数据分析的过程，然后详细介绍常用的机器学习理论、算法与案例（大型案例29个），最终以解决实际问题驱动成书。本书主要介绍的机器学习算法及数据分析方法，包括数据预处理、分类问题、预测问题、网络爬虫、数据降维、数据压缩、关联分析、集成学习和深度学习等。全书分三大部分共17章：第0~3章介绍Python的基础知识、安装和基本语法；第4~7章介绍Python的基本编程、机器学习基础及Python中常用的第三方库函数，并介绍数据预处理的基本方法；第8~16章分别介绍常用的机器学习分析算法及深度学习等。每章都采用多个经典案例图文并茂地介绍机器学习的原理和实现方法。本书通熟易懂，并免费赠送全程同步教学录像和Python3编程基础双录像，非常适合作为Python及机器学习和数据分析的入门与提高课程；对于不太熟悉Python、又想学习机器相关算法的初学者非常适合。

这是一本以Python 3编程语言为基础，全面介绍数据分析和机器学习的实用教程。全书共包含17章，涵盖了Python的基础知识、安装和基本语法、Python的基本编程、机器学习基础及Python中常用的第三方库函数，并详细介绍了数据预处理的基本方法。 全书内容深入浅出，以监督学习为例，首先介绍了监督学习的基本概念，包括分类问题、预测问题等，并通过多个经典案例图文并茂地介绍了机器学习的原理和实现方法。接着，详细介绍了Scikit-learn机器学习函数库，包括矩阵操作函数库(NumPy)、科学计算的核心包(SciPy)、Python的绘图库(Matplotlib)、数据分析包(Pandas)、机器学习函数库(Scikit-learn)、统计建模工具包(StatsModels)、深度学习框架(TensorFlow) 等。 此外，本书还详细介绍了数据预处理、分类问题、预测问题、网络爬虫、数据降维、数据压缩、关联分析、集成学习和深度学习等。例如，在数据预处理中，详细介绍了数据清洗、数据集成、数据变换和数据归约等步骤；在分类问题中，详细介绍了支持向量机(SVM)、K-近邻、逻辑回归、随机森林