大数据分析与机器学习技术已成为各行各业实现数字化变革的关键驱动力。本书以功能强大且较易上手的Python语言为编程环境，全面讲解了大数据分析与机器学习技术的商业应用实战。
全书共16章，讲解了线性回归模型、逻辑回归模型、决策树模型、朴素贝叶斯模型、K近邻算法模型、随机森林模型、AdaBoost与GBDT模型、XGBoost与LightGBM模型、PCA（主成分分析）模型、聚类与分群模型（KMeans与DBSCAN算法）、协同过滤算法模型、Apriori关联分析模型、神经网络模型等十余种机器学习模型的原理和代码实现，每种模型都配有一到两个典型案例，涵盖金融、营销、医疗、社会科学、企业办公与管理等多个领域。
本书适合具备一定数学知识和编程基础、希望快速在工作中应用大数据分析与机器学习技术的读者阅读，也适合Python编程爱好者或对大数据分析与机器学习技术感兴趣的读者参考。
前言
如何获取学习资源
第1章 Python与数据科学
1.1 大数据分析与机器学习概述13
1.1.1 大数据分析与机器学习的应用领域13
1.1.2 机器学习的基本概念14
1.1.3 Python在数据科学中的作用16
1.2 Python编程环境部署与基本操作16
1.2.1 Python的安装16
1.2.2 Pycharm的安装与设置18
1.2.3 Jupyter Notebook的使用22
1.3 Python基础知识概要28
第2章 数据分析利器：NumPy、pandas与Matplotlib库
2.1 NumPy库基础29
2.1.1 NumPy库与数组29
2.1.2 数组与列表的区别30
2.1.3 创建数组的几种方式31
2.2 pandas库基础33
2.2.1 二维数据表格DataFrame的创建33
2.2.2 Excel工作簿等文件的读取和写入38
2.2.3 数据的选取与处理41
2.2.4 数据表拼接47
2.3 Matplotlib库基础51
2.3.1 基本图表绘制51
2.3.2 数据可视化常用技巧56
2.4 案例实战：股票数据读取与K线图绘制61
2.4.1 初步尝试：股票数据读取与可视化62
2.4.2 进阶实战：股票K线图绘制65
第3章 线性回归模型
3.1 一元线性回归73
3.1.1 一元线性回归的数学原理73
3.1.2 一元线性回归的代码实现75
3.1.3 案例实战：不同行业工龄与薪水的线性回归模型77
3.2 线性回归模型评估83
3.2.1 模型评估的编程实现83
3.2.2 模型评估的数学原理84
3.3 多元线性回归87
3.3.1 多元线性回归的数学原理和代码实现87
3.3.2 案例实战：客户价值预测模型88
第4章 逻辑回归模型
4.1 逻辑回归模型的算法原理92
4.1.1 逻辑回归模型的数学原理92
4.1.2 逻辑回归模型的代码实现94
4.1.3 逻辑回归模型的深入理解95
4.2 案例实战：客户流失预警模型98
4.2.1 案例背景98
4.2.2 数据读取与变量划分98
4.2.3 模型的搭建与使用99
4.3 模型评估方法：ROC曲线与KS曲线104
4.3.1 ROC曲线的基本原理105
4.3.2 案例实战：用ROC曲线评估客户流失预警模型108
4.3.3 KS曲线的基本原理111
4.3.4 案例实战：用KS曲线评估客户流失预警模型112
第5章 决策树模型
5.1 决策树模型的基本原理115
5.1.1 决策树模型简介115
5.1.2 决策树模型的建树依据116
5.1.3 决策树模型的代码实现119
5.2 案例实战：员工离职预测模型123
5.2.1 模型搭建123
5.2.2 模型预测及评估126
5.2.3 决策树模型可视化呈现及决策树要点理解131
5.3 参数调优：K折交叉验证与GridSearch网格搜索138
5.3.1 K折交叉验证138
5.3.2 GridSearch网格搜索139
第6章 朴素贝叶斯模型
6.1 朴素贝叶斯模型的算法原理145
6.1.1 一维特征变量下的贝叶斯模型145
6.1.2 二维特征变量下的贝叶斯模型146
6.1.3 n维特征变量下的贝叶斯模型147
6.1.4 朴素贝叶斯模型的简单代码实现147
6.2 案例实战：肿瘤预测模型148
6.2.1 案例背景148
6.2.2 数据读取与划分148
6.2.3 模型的搭建与使用149
第7章 K近邻算法
7.1 K近邻算法的原理和代码实现152
7.1.1 K近邻算法的基本原理152
7.1.2 K近邻算法的计算步骤153
7.1.3 K近邻算法的代码实现155
7.2 案例实战：手写数字识别模型157
7.2.1 案例背景157
7.2.2 手写数字识别的原理157
7.2.3 手写数字识别的代码实现159
7.3 图像识别原理详解162
第8章 随机森林模型
8.1 随机森林模型的原理和代码实现166
8.1.1 集成模型简介166
8.1.2 随机森林模型的基本原理167
8.1.3 随机森林模型的代码实现168
8.2 案例实战：股票涨跌预测模型170
8.2.1 股票基本数据获取170
8.2.2 股票衍生变量生成173
8.2.3 多因子模型搭建181
8.2.4 模型使用与评估184
8.2.5 参数调优186
8.2.6 收益回测曲线绘制188
第9章 AdaBoost与GBDT模型
9.1 AdaBoost算法原理190
9.1.1 AdaBoost算法的核心思想190
9.1.2 AdaBoost算法的数学原理概述191
9.1.3 AdaBoost算法的数学原理举例194
9.1.4 AdaBoost算法的简单代码实现200
9.2 AdaBoost算法案例实战：信用卡精准营销模型201
9.2.1 案例背景201
9.2.2 模型搭建201
9.2.3 模型预测及评估202
9.2.4 模型参数介绍205
9.3 GBDT算法原理206
9.3.1 GBDT算法的核心思想206
9.3.2 GBDT算法的数学原理概述208
9.3.3 GBDT算法的数学原理举例208
9.3.4 GBDT算法的简单代码实现213
9.4 GBDT算法案例实战：产品定价模型214
9.4.1 案例背景214
9.4.2 模型搭建214
9.4.3 模型预测及评估217
9.4.4 模型参数介绍219
第10章 机器学习神器：XGBoost与LightGBM算法
10.1 XGBoost算法原理223
10.1.1 XGBoost算法的核心思想224
10.1.2 XGBoost算法的数学原理概述224
10.1.3 XGBoost算法的简单代码实现225
10.2 XGBoost算法案例实战1：金融反欺诈模型226
10.2.1 案例背景226
10.2.2 模型搭建226
10.2.3 模型预测及评估228
10.2.4 模型参数调优230
10.3 XGBoost算法案例实战2：信用评分卡模型233
10.3.1 案例背景233
10.3.2 多元线性回归模型234
10.3.3 GBDT回归模型235
10.3.4 XGBoost回归模型237
10.4 LightGBM算法原理241
10.4.1 LightGBM算法的核心思想241
10.4.2 LightGBM算法的数学原理概述241
10.4.3 LightGBM算法的简单代码实现244
10.5 LightGBM算法案例实战1：客户违约预测模型245
10.5.1 案例背景245
10.5.2 模型搭建245
10.5.3 模型预测及评估247
10.5.4 模型参数调优249
10.6 LightGBM算法案例实战2：广告收益回归预测模型251
10.6.1 案例背景251
10.6.2 模型搭建251
10.6.3 模型预测及评估253
10.6.4 模型参数调优254
第11章 特征工程之数据预处理
11.1 非数值类型数据处理256
11.1.1 Get_dummies哑变量处理256
11.1.2 Label Encoding编号处理259
11.2 重复值、缺失值及异常值处理261
11.2.1 重复值处理261
11.2.2 缺失值处理262
11.2.3 异常值处理265
11.3 数据标准化268
11.3.1 min-max标准化268
11.3.2 Z-score标准化269
11.4 数据分箱270
11.5 特征筛选：WOE值与IV值272
11.5.1 WOE值的定义与计算272
11.5.2 IV值的定义与计算275
11.5.3 WOE值与IV值的代码实现276
11.5.4 案例实战：客户流失预警模型的IV值计算281
11.6 多重共线性的分析与处理283
11.6.1 多重共线性的定义283
11.6.2 多重共线性的分析与检验284
11.7 过采样和欠采样287
11.7.1 过采样287
11.7.2 欠采样290
第12章 数据降维之PCA
12.1 数据降维292
12.1.1 PCA的基本原理292
12.1.2 PCA的代码实现295
12.2 案例实战：人脸识别模型299
12.2.1 案例背景299
12.2.2 人脸数据读取、处理与变量提取299
12.2.3 数据划分与降维304
12.2.4 模型的搭建与使用306
12.3 人脸识别外部接口调用308
12.3.1 baidu-aip库安装308
12.3.2 调用接口进行人脸识别和打分308
第13章 数据聚类与分群分析
13.1 KMeans算法314
13.1.1 KMeans算法的基本原理314
13.1.2 KMeans算法的代码实现315
13.1.3 案例实战：银行客户分群模型318
13.2 DBSCAN算法321
13.2.1 DBSCAN算法的基本原理322
13.2.2 DBSCAN算法的代码实现323
13.2.3 KMeans算法与DBSCAN算法的对比326
13.3 案例实战：新闻聚类分群模型327
13.3.1 案例背景327
13.3.2 文本数据的读取与处理327
13.3.3 模型的搭建与使用335
13.3.4 模型优化337
第14章 智能推荐系统
14.1 智能推荐系统的基本原理348
14.1.1 智能推荐系统的应用场景348
14.1.2 智能推荐系统的基础：协同过滤算法348
14.2 计算相似度的常用方法349
14.2.1 欧氏距离350
14.2.2 余弦相似度351
14.2.3 皮尔逊相关系数352
14.3 案例实战：电影智能推荐系统354
14.3.1 案例背景354
14.3.2 数据读取与处理354
14.3.3 系统搭建358
第15章 关联分析：Apriori算法
15.1 关联分析的基本概念和Apriori算法363
15.1.1 关联分析的基本概念363
15.1.2 Apriori算法的数学演示364
15.1.3 Apriori算法的代码实现368
15.2 案例实战：病症关联规则分析374
15.2.1 案例背景374
15.2.2 数据读取与处理374
15.2.3 关联规则分析376
第16章 深度学习初窥之神经网络模型
16.1 深度学习基础：神经网络模型380
16.1.1 神经网络模型的基本原理380
16.1.2 神经网络模型的简单代码实现383
16.2 案例实战：用户评论情感分析模型385
16.2.1 案例背景385
16.2.2 数据读取、中文分词、文本向量化385
16.2.3 神经网络模型的搭建与使用389
书单推荐
