隨著大數(shù)據(jù)時代的到來，對挖掘到的數(shù)據(jù)要求變得越來越嚴格。數(shù)據(jù)挖掘(Data Mining, DM)是一門新興的、匯聚多個學科的交叉性學科，也是從海量的數(shù)據(jù)中將未知、隱含及具備潛在價值的信息進行提取的過程。數(shù)據(jù)挖掘?qū)⒏咝阅苡嬎�、機器學習、人工智能、模式識別、統(tǒng)計學、數(shù)據(jù)可視化、數(shù)據(jù)庫技術和專家系統(tǒng)等多個范疇的理論和技術融合在一起。各行各業(yè)通過對海量數(shù)據(jù)的分析與挖掘，建立適當?shù)捏w系，不斷地優(yōu)化，提高了決策的準確性，從而更利于掌握并順應市場的變化。
本書系統(tǒng)地介紹了數(shù)據(jù)分析和數(shù)據(jù)挖掘的基礎知識、典型的機器學習模型及利用Python實現(xiàn)數(shù)據(jù)挖掘與機器學習的過程。本書將基礎理論、模型應用以及項目實踐充分結(jié)合，有利于讀者充分掌握與應用所學內(nèi)容。
本書主要內(nèi)容
全書共分為兩大部分，共有19章。
第一部分數(shù)據(jù)分析與挖掘，包括第1~15章。第1章數(shù)據(jù)分析與挖掘簡介，包括Python數(shù)據(jù)分析和挖掘任務中重要的庫與工具、Anaconda安裝、Jupyter Notebook。第2章爬蟲，包括爬蟲的基本流程、HTTP、安裝PyCharm、應用舉例。第3章Scrapy爬蟲框架，包括基本原理、應用舉例。第4章NumPy基本用法，包括NumPy創(chuàng)建數(shù)組、NumPy查看數(shù)組屬性、數(shù)組的基本操作、NumPy運算、排序。第5章Pandas基本用法，包括Series、DataFrame、應用舉例。第6章Matplotlib基本用法，包括線型圖、散點圖、直方圖、條形圖、餅圖、Seaborn、Pandas中的繪圖函數(shù)。第7章線性回歸、嶺回歸、Lasso回歸，包括原理、應用舉例。第8章Logistic回歸分類模型，包括原理、應用舉例。第9章決策樹與隨機森林，包括原理、應用舉例。第10章KNN模型，包括原理、應用舉例。第11章樸素貝葉斯模型，包括原理、應用舉例。第12章SVM模型，包括原理、應用舉例。第13章K�瞞eans聚類，包括原理、應用舉例。第14章關聯(lián)規(guī)則Apriori算法，包括原理、應用舉例。第15章數(shù)據(jù)分析與挖掘項目實戰(zhàn)，包括貸款預測問題、客戶流失率問題。
第二部分機器學習，包括第16~19章。第16章主成分分析法，包括原理、應用舉例。第17章集成學習，包括原理、應用舉例。第18章模型評估，包括分類評估、回歸評估、聚類評估、Scikit�瞝earn中的評估函數(shù)。第19章初識深度學習框架Keras，包括關于Keras、神經(jīng)網(wǎng)絡簡介、Keras神經(jīng)網(wǎng)絡模型、用Keras實現(xiàn)線性回歸模型、用Keras實現(xiàn)鳶尾花分類、Keras目標函數(shù)、性能評估函數(shù)、激活函數(shù)說明。
本書特色
(1) 本書目標明確，是為初學者量身定做的入門教程，內(nèi)容系統(tǒng)全面，各章節(jié)相互獨立，讀者可以根據(jù)自己的需求選擇使用。
(2) 本書面向應用型人才培養(yǎng)編寫，將原理的敘述進行精簡，易于理解，輔以Python代碼進行實踐與應用，使讀者通過實例更好地理解和掌握知識點。
配套資源
為便于教與學，本書配有150分鐘微課視頻、源代碼、數(shù)據(jù)集、教學課件、教學大綱、教學日歷。
(1) 獲取微課視頻方式： 讀者可以先掃描本書封底的文泉云盤防盜碼，再掃描書中相應的視頻二維碼，觀看教學視頻。

(2) 獲取源代碼、數(shù)據(jù)集、全書網(wǎng)址和需要彩色展示的圖片
方式： 先掃描本書封底的文泉云盤防盜碼，再掃描下方二維碼，即可獲取。

源代碼、數(shù)據(jù)集

全書網(wǎng)址

彩色圖片

(3) 其他配套資源可以掃描本書封底的書圈二維碼，關注后輸入書號，即可下載。
讀者對象
本書是一本針對愛好數(shù)據(jù)分析與挖掘、機器學習等相關知識的讀者而編寫的基礎教程，尤其適用于全國高等學校的教師、在讀學生及相關領域的愛好者。
本書的編寫參考了同類書籍和相關資料，在此向有關作者表示衷心的感謝。
由于編者水平有限，書中難免存在疏漏之處，懇請廣大讀者予以批評指正。
編者
2022年2月