Python机器学习开发实战全套教学课件.pptx

Python机器学习开发实战;第1章 环境配置与学前知识;1.1 环境的安装;;1.2 机器学习相关概念;1.2.1 机器学习中的数据;;数据的预处理包含了以下几个步骤。 （1）数据清洗 在我们所得到的数据，有时会很脏，比如有缺失值，有异常值，如表1.2所示。 我们看到学号100001学号的同学，体重是空值。学号100003同学的身高异常的高。当我们遇到这样的样本的时候，最简单的方法就是将这些样本点去掉，但是这样会浪费了该样本点其他已有的信息，特别是在只有少量的样本的情况下。;;;;1.2.2 训练集和测试集;1.2.3 欠拟合与过度拟合;1.2.4 人工智能、机器学习、深度学习;第2章 Python基础知识;2.1 hello world！;2.2 变量;2.3 操作符;2.3.1 基本运算符;2.3.2 比较运算符;2.3.3 逻辑运算符;2.4 字符串;2.4.1 基础;2.4.2 转义字符;2.4.3 索引和切片;2.4.4 字符串方法;2.5 列表;元组可以看成列表的特殊形式，它和列表的差别主要是他不能改变，比如不能使用append，insert等方法。其他则和列表一样。元组的创建有两种方法，如下： a=tuple() a=();2.6 集合;2.7 字典;字典在编程中的使用频次和列表是一样的高。特别是在与其他的语言交互过程中，比如在网络通讯中我们经常使用到json格式的数据，json的数据结合和字典就是一样的。 1.查看所有键 2.查看所有值 3.查看所有键值，列表嵌套元组的形式返回 4.查看字典某个元素 5.删除字典所有元素 6.删除指定元素 7.弹出指定键 8.弹出任意键值 9.拷贝字典 10.更新值;2.8 循环语句;2.8.1 for语句;2.8.2 while语句;2.8.3 break语句;2.8.4 continue;2.9 判断语句;2.10 函数;2.11 面向对象编程;第3章 Numpy;3.1 创建数组;3.1.1 创建元素为0或1的数组;3.1.2 将列表转换为数组;3.1.3 生成一串数字;3.1.4 生成特殊数组;3.2 数组索引;3.3 排序与查询;3.5.1 三角函数;3.5.2 指数与对数;3.5.3 约数;3.5.4 数组自身加乘;3.5.5 算术运算;3.6 统计函数;3.7 线性代数;第4章 Pandas;4.1 序列对象Series;4.1.1 创建Series对象;4.1.2 Series索引;4.1.3 查看Series相关属性;4.1.4 二元运算;4.1.5 统计方法;4.1.6 缺失值处理;4.1.7 排序;4.1.8 计数与重复;4.1.9 其他;4.2 DataFrame;4.2.1 创建数据框;4.2.2 行操作;4.2.3 列操作;4.3 GroupBy;4.3.1 基本函数;4.3.2 统计函数;第5章 Matplotlib;5.1 作图类命令;5.1.1 线图;5.1.2 柱状图和条形图;条形图和柱状图属于同一类型，不过是一个是垂直方向的，一个是水平方向的，在Matplotlib中使用barh来绘制条形图。 结果如图5.5所示。 ;5.1.3 散点图;5.1.4 饼图;5.1.5 面积图;5.2 坐标轴控制;5.2.1 axis;5.2.2 xlim与ylim;5.2.3 xticks与yticks;5.2.4 xlabel与ylabel;5.3 其他设置;第6章 scikit-learn;我们可以看到官网的宣传中主要提到到了四点： 一个简单高效的数据挖掘和数据分析工具。 对于所有人都是易用的，而且可以在各个环境中使用。 它是基于Numpy，Scipy和Matplotlib库。 开源的，可以商用。 这个库另一个最大的优点是库的设计是十分有条理的。我们可以看到scikit-learn主要分为六个板块，他们分别是： 分类（classification） 回归（regression） 聚类（clustering） 降维（dimensionality reduction） 模型选择（model selection） 预处理（preprocessing）;其中分类和回归问题又被称为有监督学习，而聚类问题被称为无监督学习。而我们在实际进行机器学习过程的先后次序是1）预处理，2）降维，3）有监督和无监督学习，4）模型选择，如图6.2所示。 ;6.1 预处理（preprocessing）;6.1.1 标准化;;6.1.2 非线性转换;6.1.3 归一化;6.1.4 二值化;6.1.5 分类特征编码;;;;6