我用夸克网盘分享了「跟着迪哥学 Python数据分析与机器学习实战.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。 全书共20章，大致分为4个部分。第一部分介绍了Python的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网络；第4部分是项目实战，基于真实数据集，将算法模型应用到实际业务中。 本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者

作者简介

唐宇迪，计算机专业博士，网易云课堂人工智能认证行家，51CTO学院讲师，CSDN博客专家、讲师。拥有多年人工智能领域培训经验，带领课程研发团队累计开发AI课程60余门，覆盖当下人工智能热门领域。丰富的教学讲解经验，通俗易懂的授课风格，用接地气的方式帮助同学们进军人工智能领域。

网友热评

五杀摇滚吉他手: 挺适合有一点基础后，作为速查手册的，迪哥的视频更赞。 Eliz: 听TYD的视频课来学习，应该早点买这本书的，主要是回看复习比较方便。个人觉得是很好的入门课。深入扩展还需要看其他书。 Hiteration: 书中有小错，代码估计也是别人的，不过对入门还是很友好的 ExeHardRockLAL: 评分有点不太真实，感觉逻辑就挺杂乱的，跳来跳去 Ruirui520: 迪哥的视频讲的非常好，书我大致看了看，不要期望太大，也不会失望很大

图书目录

第1章人工智能入学指南 1．1AI时代首选Python 1．1．1Python的特点 1．1．2Python该怎么学 1．2人工智能的核心——机器学习 1．2．1什么是机器学习 1．2．2机器学习的流程 1．2．3机器学习该怎么学 1．3环境配置 1．3．1Anaconda大礼包 1．3．2JupyterNotebook 1．3．3上哪找资源 本章总结 第2章科学计算库（Numpy） 2．1Numpy的基本操作 2．1．1Array数组 2．1．2数组特性 2．1．3数组属性操作 2．2索引与切片 2．2．1数值索引 2．2．2bool索引 2．3数据类型与数值计算 2．3．1数据类型 2．3．2复制与赋值 2．3．3数值运算 2．3．4矩阵乘法 2．4常用功能模块 2．4．1排序操作 2．4．2数组形状操作 2．4．3数组的拼接 2．4．4创建数组函数 2．4．5随机模块 2．4．6文件读写 本章总结 第3章数据分析处理库（Pandas） 3．1数据预处理 3．1．1数据读取 3．1．2DataFrame结构 3．1．3数据索引 3．1．4创建DataFrame 3．1．5Series操作 3．2数据分析 3．2．1统计分析 3．2．2pivot数据透视表 3．2．3groupby操作 3．3常用函数操作 3．3．1Merge操作 3．3．2排序操作 3．3．3缺失值处理 3．3．4apply自定义函数 3．3．5时间操作 3．3．6绘图操作 3．4大数据处理技巧 3．4．1数值类型转换 3．4．2属性类型转换 本章总结 第4章数据可视化库（Matplotlib） 4．1常规绘图方法 4．1．1细节设置 4．1．2子图与标注 4．1．3风格设置 4．2常用图表绘制 4．2．1条形图 4．2．2盒图 4．2．3直方图与散点图 4．2．43D图 4．2．5布局设置 本章总结 第5章回归算法 5．1线性回归算法 5．1．1线性回归方程 5．1．2误差项分析 5．1．3似然函数求解 5．1．4线性回归求解 5．2梯度下降算法 5．2．1下山方向选择 5．2．2梯度下降优化 5．2．3梯度下降策略对比 5．2．4学习率对结果的影响 5．3逻辑回归算法 5．3．1原理推导 5．3．2逻辑回归求解 本章总结 第6章逻辑回归项目实战——信用卡欺诈检测 6．1数据分析与预处理 6．1．1数据读取与分析 6．1．2样本不均衡解决方案 6．1．3特征标准化 6．2下采样方案 6．2．1交叉验证 6．2．2模型评估方法 6．2．3正则化惩罚 6．3逻辑回归模型 6．3．1参数对结果的影响 6．3．2混淆矩阵 6．3．3分类阈值对结果的影响 6．4过采样方案 6．4．1SMOTE数据生成策略 6．4．2过采样应用效果 项目总结 第7章决策树 7．1决策树原理 7．1．1决策树的基本概念 7．1．2衡量标准 7．1．3信息增益 7．1．4决策树构造实例 7．1．5连续值问题 7．1．6信息增益率 7．1．7回归问题求解 7．2决策树剪枝策略 7．2．1剪枝策略 7．2．2决策树算法涉及参数 本章总结 第8章集成算法 8．1bagging算法 8．1．1并行的集成 8．1．2随机森林 8．2boosting算法 8．2．1串行的集成 8．2．2Adaboost算法 8．3stacking模型 本章总结 第9章随机森林项目实战——气温预测 9．1随机森林建模 9．1．1特征可视化与预处理 9．1．2随机森林回归模型 9．1．3树模型可视化方法 9．1．4特征重要性 9．2数据与特征对结果影响分析 9．2．1特征工程 9．2．2数据量对结果影响分析 9．2．2特征数量对结果影响分析 9．3模型调参 9．3．1随机参数选择 9．3．2网络参数搜索 项目总结 第10章特征工程 10．1数值特征 10．1．1字符串编码 10．1．2二值与多项式特征 10．1．3连续值离散化 10．1．4对数与时间变换 10．2文本特征 10．2．1词袋模型 10．2．2常用文本特征构造方法 10．3论文与benchmark 本章总结 第11章：贝叶斯算法项目实战——新闻分类 11．1贝叶斯算法 11．1．1贝叶斯公式 11．1．2拼写纠错实例 11．1．3垃圾邮件分类 11．2新闻分类任务 11．2．1数据清洗 11．2．1TF-IDF关键词提取 项目总结 第12章支持向量机 12．1支持向量机工作原理 12．1．1支持向量机要解决的问题 12．1．2距离与标签定义 12．1．3目标函数 12．1．4拉格朗日乘子法 12．2支持向量的作用 12．2．1支持向量机求解 12．2．2支持向量的作用 12．3支持向量机涉及参数 12．3．1软间隔参数选择 12．3．2核函数的作用 12．4案例：参数对结果的影响 12．4．1SVM基本模型 12．4．2核函数变换 12．4．3SVM参数选择 12．4．4SVM人脸识别实例 本章总结 第13章推荐系统 13．1推荐系统的应用 13．2协同过滤算法 13．2．1基于用户的协同过滤 13．2．1基于商品的协同过滤 13．3隐语义模型 13．3．1矩阵分解思想 13．3．2隐语义模型求解 13．3．3评估方法 本章总结 第14章推荐系统项目实战——打造音乐推荐系统 14．1数据集清洗 14．1．1统计分析 14．1．2数据集整合 14．2基于相似度的推荐 14．2．1排行榜推荐 14．2．2基于歌曲相似度的推荐 14．3基于矩阵分解的推荐 14．3．1奇异值分解 14．3．2使用SVD算法进行音乐推荐 项目总结 第15章降维算法 15．1线性判别分析 15．1．1降维原理概述 15．1．2优化的目标 15．1．3线性判别分析求解 15．1．4Python实现线性判别分析降维 15．2主成分分析 15．2．1PCA降维基本知识点 15．2．2PCA优化目标求解 15．2．3Python实现PCA降维 本章总结 第16章聚类算法 16．1K-means算法 16．1．1聚类的基本特性 16．1．2K-means算法原理 16．1．2K-means涉及参数 16．1．3K-means聚类效果与优缺点 16．2DBSCAN聚类算法 16．2．1DBSCAN算法概述 10．2．2DBSCAN工作流程 16．2．3半径对结果的影响 16．3聚类实例 本章总结 第17章神经网络 17．1神经网络必备基础 17．1．1神经网络概述 17．1．2计算机眼中的图像 17．1．3得分函数 17．1．4损失函数 17．1．5反向传播 17．2神经网络整体架构 11．2．1整体框架 17．2．2神经元的作用 17．2．3正则化 17．2．4激活函数 17．3网络调优细节 17．3．1数据预处理 17．3．2Drop-Out 17．3．3数据增强 17．3．4网络结构设计 本章总结 第18章TensorFlow实战 18．1TensorFlow基本操作 18．1．1Tensorflow特性 18．1．2Tensorflow基本操作 18．1．3Tensorflow实现回归任务 18．2搭建神经网络进行手写字体识别 本章总结 第19章卷积神经网络 19．1卷积操作原理 19．1．1卷积神经网络应用 19．1．2卷积操作流程 19．1．3卷积计算方法 19．1．4卷积涉及参数 19．1．5池化层 19．2经典网络架构 19．2．1卷积神经网络整体架构 19．2．2AlexNet网络 19．2．3VGG网络 19．2．4ResNet网络 19．3TensorFlow实战卷积神经网络 本章总结 第20章神经网络项目实战——影评情感分析 20．1递归神经网络 20．1．1RNN网络架构 20．1．2LSTM网络 20．2影评数据特征工程 20．2．1词向量 20．2．2数据特征制作 20．3构建RNN模型 项目总结