当前位置:首页 > >
《零起点Python机器学习快速入门》电子书封面

零起点Python机器学习快速入门

  • 发布时间:2019年04月12日 14:03:49
  • 作者:何海群
  • 大小:85.1 MB
  • 类别:机器学习电子书
  • 格式:PDF
  • 版本:原书超清版
  • 评分:7.8

    零起点Python机器学习快速入门 PDF 原书超清版

      给大家带来的一篇关于机器学习相关的电子书资源,介绍了关于零起点、Python机器学习方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小85.1 MB,何海群编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.6。

      内容介绍

      读者评价

      最近在学习相关,所以买来好好研究一下,大概看了一下,还不错,待后续研究

      这本书不要买了,个人意见就是看作者展示没有代码注释的ppt, 就是把作者的代码截图给你,每行代码什么意思自己去百度 ; 讲得走马观花,最垃圾的一本书,不知道作者怎么想的,还吹牛逼说只要会Excel就能看懂,是作者学霸吧; 我是之前看了python基础的,pandas会用了来买的。

      Python在科学计算领域,有两个重要的扩展模块:Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括: 一个强大的N维数组对象Array; 比较成熟的(广播)函数库; 用于整合C/C++和Fortran代码的工具包

      零起点python机器学习快速入门 这本书第5章5-4示例import zsys import ztools两个模块是什么,怎么导入不了,复制源代码过去了,也运行不得,有一起的朋友吗?

      编辑推荐

      适读人群 :计算机行业、金融行业,数据分析、大数据研究人员等。不需要任何编程、交易经验,也不需要具备超强的数据分析能力,只要会使用Excel就可以轻松学会本书讲解的知识点。

      作者简介

      何海群,网名:字王,CHRD前海智库CTO,《中华大字库》发明人,出版书籍20余部,在人工智能、数据分析等方面具有20年一线专业经验;zwPython开发平台、zwQuant量化软件设计师,中国“Python创客”项目和“Python产业联盟”发起人,国内**Python量化课程:《Python量化实盘·魔鬼训练营》创始人,极宽量化开源团队的创始人。1990年,发明国内**个VR数据手套并获得专利授权,被业界称为“中国VR之父”;1992年,论文《人工智能与中文字型设计》入选《广东青年科学家文集》,现已成为中文字库行业三大基础建模理论之一;1997年,出版国内首部网络经济专著《网络商战》;2008年,在北京联合创办国内**4A级网络公关公司,服务过200余家国际五百强企业,被公关协会誉为:中国网络公关事业的开创者与启蒙者;2012年,发布国内**自主研发的智能中文字库设计软件《x2ttf涂鸦造字》,全功能全免费公益软件;2016年,推出国内首套纯python开源量化软件:zwQuant,以及国内**Tick级别开源金融大数据项目:zwDat金融数据包。研究成果有:“小数据”理论,快数据模型,黑天鹅算法,GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等。

      内容简介

      本书采用独创的黑箱模式,MBA案例教学机制,结合一线实战案例,介绍Sklearn人工智能模块库和常用的机器学习算法。书中配备大量图表说明,没有枯燥的数学公式,普通读者,只要懂Word、Excel,就能够轻松阅读全书,并学习使用书中的知识,分析大数据。本书具有以下特色:独创的黑箱教学模式,全书无任何抽象理论和深奥的数学公式。首次系统化融合Sklearn人工智能软件和Pandas数据分析软件,不用再直接使用复杂的Numpy数学矩阵模块。系统化的Sklearn函数和API中文文档,可作为案头工具书随时查阅。基于Sklearn Pandas模式,无须任何理论基础,全程采用MBA案例模式,懂Excel就可看懂。

      内容节选

      set集合

      会保留下来唯一的那些元素

      #集合的创建方式:
      tang = [123,123,456,789]
      #方式1,通过set()创建
      tang = set(tang) 
      print (tang) #{123, 456, 789}
      tang = set()
      tang = set([123,123,456,456,789])
      print (tang) #{123, 456, 789}
      
      #方式2
       tang = {1,1,1,3,4}
      
      #集合的操作:
      #No.1:
      a = {1,2,3,4}
      b = {2,3,4,5}
      #取并集方式1
      print (a.union(b)) #{1,2,3,4,5}
      #取并集方式2
      print (a|b) #{1,2,3,4,5}
      a.intersection(b) #取交集,{2,3,4}
      a&b #同样是取交集
      a.difference(b) #得到a与b之间的差异值,a和b相比1是b中没有的,所以返回1
      print (a - b) #{1}
      print (b - a) #{5}
      
      #No.2:
      a = {1,2,3,4,5,6}
      b = {2,3,4} 
      #b是否为a的子集
      b.issubset(a) #True
      b <= a #True
      b > a #False
      a <= a #True
      a = {1,2,3}
      a.add(4)
      print(a) #{1,2,3,4}
      #对a集合做修改
      a.update([4,5,6])
      print (a) #{1,2,3,4,5,6}
      #删除元素
      a.remove(1)
      print(a) #{2,3,4,5,6}
      a.pop() #弹出元素
      print (a) #{3,4,5,6}

      循环

      #while循环
      tangs = set(['tang','bo','hu'])
      while tangs: #while后跟集合,表示集合中一旦没有元素就会退出循环
          tang = tangs.pop()
          print (tang)
      
      #for循环
      tangs2 = set(['xiao','bai','long'])
      for name in tangs2:
          print (name)
      
      #根据列表长度来进行循环输出
      tang = [1,2,5,8,0]
      for i in range(len(tang)):
          print (tang[i])

      函数

      #定义函数
      def print_value():
          print('你好吗')
          print('我很好')
      #调用函数
      print_value()
      
      #定义带参数的函数
      def add_ab(a,b):
          return (a+b)
      tang = add_ab(3,5)
      print (tang) #8
      
      #定义带参数的函数,顺便给参数赋值
      def add_ab(a=1,b=2):
          return (a+b)
      tang = add_ab()
      print (tang) #3
      
      #接收不定个数的参数用*args
      def add_number(a,*args):
          for i in args:
              a += i
          return a
      print (add_number(1,2,3)) #1代表a,结果为6
      
      #接收不定个数的键值对参数用**kwargs
      def add_number2(a,**kwargs):
          for arg,value in kwargs.items():#kwargs相当于字典可以调用items方法
              print (arg,value)
      add_number2(1,x=2,y=3)

      目录

      • 第 1 章 从阿尔法狗开始说起1
      • 1.1 阿尔法狗的前世今生.......1
      • 1.2 机器学习是什么.....2
      • 1.3 机器学习大史记.....3
      • 1.4 机器学习经典案例......... 11
      • 第 2 章 开发环境......13
      • 2.1 数据分析首选 Python.....13
      • 2.2 用户运行平台.......18
      • 2.3 程序目录结构.......19
      • 2.4 Spyder 编辑器界面设置.20
      • 2.5 Python 命令行模式.........26
      • 2.6 Notebook 模式......27
      • 2.7 模块库控制面板...29
      • 2.8 使用 pip 更新模块库......33
      • 第 3 章 Python 入门案例....39
      • 3.1 案例 3-1:第一次编程“hello,ziwang” ....39
      • 3.2 案例 3-2:增强版“hello,ziwang” ..42
      • 3.3 案例 3-3:列举系统模块库清单.......44
      • 3.4 案例 3-4:常用绘图风格.........45
      • 3.5 案例 3-5:Pandas 常用绘图风格.......47
      • 3.6 案例 3-6:常用颜色表 cors.....49
      • 3.7 案例源码.....50
      • 第 4 章 Python 基本语法....58
      • 4.1 数据类型.....58
      • 案例 4-1:基本运算.......59
      • 4.2 字符串.........61
      • 案例 4-2:字符串入门...61
      • 案例 4-3:字符串常用方法.....63
      • 4.3 List 列表......64
      • 案例 4-4:列表操作.......65
      • 4.4 Tuple 元组...66
      • 案例 4-5:元组操作.......67
      • 4.5 Dictionary 字典.....68
      • 案例 4-6:字典操作.......68
      • 4.6 数据类型转换.......70
      • 案例 4-7:控制语句.......71
      • 案例 4-8:函数定义.......73
      • 4.7 案例源码.....75
      • 第 5 章 Python 人工智能入门与实践......85
      • 5.1 从忘却开始.85
      • 5.2 Iris 经典爱丽丝.....89
      • 案例 5-1:Iris 爱丽丝 ....90
      • 案例 5-2:爱丽丝进化与文本矢量化.........92
      • 5.3 AI 操作流程95
      • 5.4 数据切割函数.......98
      • 案例 5-3:Iris 爱丽丝分解 ......99
      • 案例 5-4:线性回归算法.......103
      • 5.5 案例源码...109
      • 第 6 章 机器学习经典算法案例(上) . 116
      • 6.1 线性回归... 116
      • 6.2 逻辑回归算法.....124
      • 案例 6-1:逻辑回归算法.......125
      • 6.3 朴素贝叶斯算法.127
      • 案例 6-2:贝叶斯算法.129
      • 6.4 KNN 近邻算法 ...130
      • 案例 6-3:KNN 近邻算法.....133
      • 6.5 随机森林算法.....135
      • 案例 6-4:随机森林算法.......139
      • 6.6 案例源码...140
      • 第 7 章 机器学习经典算法案例(下) .149
      • 7.1 决策树算法.........149
      • 案例 7-1:决策树算法.151
      • 7.2 GBDT 迭代决策树算法.........153
      • 案例 7-2:GBDT 迭代决策树算法.154
      • 7.3 SVM 向量机 .......156
      • 案例 7-3:SVM 向量机算法.157
      • 7.4 SVM-cross 向量机交叉算法..159
      • 案例 7-4:SVM-cross 向量机交叉算法....160
      • 7.5 神经网络算法.....161
      • 案例 7-5:MLP 神经网络算法........165
      • 案例 7-6:MLP_reg 神经网络回归算法...168
      • 7.6 案例源码...170
      • 第 8 章 机器学习组合算法 .........183
      • 8.1 CCPP 数据集......183
      • 案例 8-1:CCPP 数据集........184
      • 案例 8-2:CCPP 数据切割....186
      • 案例 8-3:读取 CCPP 数据集.........189
      • 8.2 机器学习统一接口函数.........192
      • 案例 8-4:机器学习统一接口.........193
      • 案例 8-5:批量调用机器学习算法.201
      • 案例 8-6:一体化调用.205
      • 8.3 模型预制与保存.208
      • 案例 8-7:储存算法模型.......210
      • 案例 8-8:批量储存算法模型.........213
      • 案例 8-9:批量加载算法模型.........215
      • 案例 8-10:机器学习组合算法.......219
      • 8.4 案例源码...224
      • 附录 A Sklearn 常用模块和函数.242
      • 附录 B 极宽量化系统模块图......266

      以上就是本次介绍的机器学习电子书的全部相关内容,希望我们整理的资源能够帮助到大家,感谢大家对码农之家的支持。

      上一篇:Keras快速上手:基于Python的深度学习实战

      下一篇:Python可以这样学

      展开 +

      收起 -

      下载地址:百度网盘下载
      机器学习相关电子书
      读者留言
      码农之家

      码农之家 提供上传

      资源
      39
      粉丝
      48
      喜欢
      831
      评论
      11

      Copyright 2018-2020 www.xz577.com 码农之家

      版权投诉 / 书籍推广 / 赞助:520161757@qq.com