电子工业出版社-网上书店

使用机器学习技术的产品或服务在我们的生活中不断普及，被应用于大数据分析、智能驾驶、计算机视觉等领域，并迅速改变着我们的生活。本书以掌握一定的Python基础为前提，从具体的10个精简仿真项目切入，由浅入深、循序渐进地介绍机器学习技术在不同业务领域中的应用，在内容上注重实用性和可操作性，具体涵盖了数据分析与挖掘流程、监督学习、无监督学习、深度学习、大模型与人工智能应用等需要学生掌握的基本知识和相应技能。

项目1　用餐数据异常分析	1
任务1  用餐数据集成与处理	5
1.1.1  数据集成	9
1.1.2  数据映射	9
1.1.3  数据类型转换	10
任务2  用餐数据重复值检测与处理	10
1.2.1  检测重复值duplicated()	12
1.2.2  删除重复值drop_duplicates()	12
任务3  用餐数据缺失值检测与处理	12
1.3.1  检测缺失值isna()	15
1.3.2  处理缺失值fillna()	15
任务4  用餐数据异常值检测与处理	15
1.4.1  检测异常值	20
1.4.2  绘制散点图scatter()	21
1.4.3  绘制直方图hist()	22
1.4.4  绘制箱形图boxplot()	23
1.4.5  处理异常值	24
拓展实训：电影数据加工与处理	25
项目考核	26
项目2　碳排放数据分析	30
任务1  对碳排放数据进行分组分析	34
2.1.1  读取Excel文件数据	38
2.1.2  分组分析基本概念	39
2.1.3  描述性统计分析指标	40
任务2  对碳排放数据进行分布分析	40
2.2.1  分布分析基本概念	44
2.2.2  数据分箱cut()	44
2.2.3  可视化包Seaborn	45
任务3  对碳排放数据进行交叉分析	45
2.3.1  交叉分析基本概念	47
2.3.2  数据透视表pivot_table()	48
2.3.3  交叉表crosstab()	48
2.3.4  热力图heatmap()	48
任务4  对碳排放数据进行结构分析	49
2.4.1  结构分析基本概念	53
2.4.2  绘制饼图plot()	53
任务5  对碳排放数据进行相关分析	53
2.5.1  相关分析基本概念	56
2.5.2  相关分析corr()	56
拓展实训：数据分析方法应用	57
应用拓展（1）：电影数据复杂分析	57
应用拓展（2）：用餐数据复杂分析	58
项目考核	59
项目3　电影数据回归分析	61
任务1  使用一元线性回归分析方法对日均票房进行预测	66
3.1.1  一元线性回归	66
3.1.2  异常值的发现与处理	69
3.1.3  归一化处理	69
3.1.4  数据集的切分	73
任务2  使用多项式回归分析方法对日均票房进行预测	76
3.2.1  多项式回归	76
3.2.2  degree参数的设置	79
任务3  使用多元线性回归分析方法对电影评分进行预测	81
3.3.1  多元线性回归	81
3.3.2  标签映射	84
拓展实训：回归分析应用	85
应用拓展：薪资数据相关性分析	85
进阶拓展：电影数据回归分析	87
项目考核	87
项目4　性别与肥胖程度分类分析	92
任务1  使用逻辑回归实现性别判定	97
4.1.1  逻辑回归	101
4.1.2  Sklearn中的LogisticRegression()	102
4.1.3  数组与向量的操作	102
任务2  使用朴素贝叶斯实现性别判定	103
4.2.1  朴素贝叶斯的原理	105
4.2.2  Sklearn中朴素贝叶斯的实现	106
4.2.3  Sklearn中的GaussianNB()	107
4.2.4  Sklearn中的MultinomialNB()	107
任务3  使用决策树实现性别判定	107
4.3.1  决策树的原理	110
4.3.2  Sklearn中的DecisionTreeClassifier()分类器	111
4.3.3  分类模型常用评估指标	111
4.3.4  Sklearn中的模型评估方法	112
4.3.5  欠拟合与过拟合	112
任务4  使用支持向量机实现性别判定	113
4.4.1  支持向量机的原理	116
4.4.2  Sklearn中支持向量机的实现	116
4.4.3  Sklearn中的SVC()分类器	116
任务5  使用支持向量机实现肥胖程度分类	117
4.5.1  核函数的基本概念	120
4.5.2  多项式核函数的使用	121
拓展实训：肥胖程度分类分析	122
应用拓展（1）：利用身高、体重、性别数据实现肥胖程度判定	122
应用拓展（2）：利用BMI实现肥胖程度分类	123
项目考核	123
项目5　鸢尾花分类分析	126
任务1  使用k近邻实现鸢尾花的分类	130
5.1.1  k近邻的基本原理	134
5.1.2  Sklearn中的KNeighborsClassifier()分类器	134
任务2  使用随机森林实现鸢尾花的分类	134
5.2.1  集成学习方法	136
5.2.2  随机森林	136
5.2.3  Sklearn中的RandomForestClassifier()分类器	137
任务3  使用Tensorflow设计神经网络实现鸢尾花的分类	137
5.3.1  人工神经网络	141
5.3.2  认识TensorFlow	142
5.3.3  神经网络参数优化	143
任务4  使用多层感知机实现鸢尾花的分类	144
5.4.1  神经网络的基本原理	146
5.4.2  多层感知机	146
5.4.3  Sklearn中的MLPClassifier()分类器	146
拓展实训：回归与分类应用	147
应用拓展（1）：设计神经网络预测花瓣宽度	148
应用拓展（2）：利用身高、体重、性别数据实现肥胖程度分类	149
项目考核	150
项目6　观影用户聚类分析	154
任务1  使用DBSCAN确定聚类的质心个数	158
6.1.1  DBSCAN的优缺点	162
6.1.2  Sklearn中的DBSCAN()	163
任务2  使用k-Means对观影用户进行聚类	164
6.2.1  k-Means的基本概念	167
6.2.2  k-Means的特点	168
6.2.3  Sklearn中的KMeans()	168
拓展实训：根据身高、体重和性别对用户进行聚类	169
项目考核	170
项目7　超市零售数据关联规则挖掘	173
任务1  对超市零售数据做预处理	177
任务2  使用Apriori算法实现超市零售数据关联规则挖掘	178
7.2.1  购物篮分析	182
7.2.2  频繁项集	182
7.2.3  关联规则	183
7.2.4  Apriori算法	184
7.2.5  强关联规则	185
任务3  调用apyori库实现超市零售数据关联规则挖掘	187
7.3.1  apyori库	188
7.3.2  Apriori算法的优缺点	189
拓展实训：论文作者关联规则挖掘	189
项目考核	191
项目8　人体行为识别应用	195
任务1  使用卷积神经网络识别人体行为	202
8.1.1  Keras环境准备	206
8.1.2  行为数据的获取与解析	206
8.1.3  行为数据的特征分析	207
8.1.4  Keras中的Conv1D()卷积层	208
8.1.5  Keras中的AveragePooling1D()池化层	209
任务2  使用循环神经网络识别人体行为	209
8.2.1  长短期记忆网络	212
8.2.2  Keras中的LSTM()层	212
拓展实训：电影评论数据分析应用	213
项目考核	215
项目9　生成式人工智能应用	216
任务1  使用文心一言自动生成文本内容	220
9.1.1  自然语言处理	224
9.1.2  大语言模型	224
9.1.3  ChatGPT	225
9.1.4  变换器	226
9.1.5  文心一言	227
任务2  使用AI创意工坊自动生成图像	228
9.2.1  AI绘画及其应用	231
9.2.2  AI绘画平台	231
9.2.3  扩散模型	232
9.2.4  生成对抗网络	233
任务3  使用GitHub Copilot进行编程	234
9.3.1  代码智能	238
9.3.2  OpenAI Codex	239
9.3.3  代码智能的发展前景	239
拓展实训：调用大模型实现聊天机器应用	240
项目考核	244
项目10　智能产线应用	247
任务1  数据采集环境搭建	251
10.1.1  工业相机重要参数	254
10.1.2  工业互联网云端控制系统的安装与测试	255
任务2  工件图像数据采集与增强	260
10.2.1  智能制造行业数据采集	264
10.2.2  智能产线基本概念	265
10.2.3  机器视觉基本概念	265
10.2.4  计算机视觉基本概念	266
10.2.5  图像增广技术	270
任务3  工件图像智能分类分析	270
任务4  误差自动补偿数据分析	274
10.4.1  误差补偿技术	277
10.4.2  均方误差损失函数	277
任务5  联调与自动化生产验证	278
拓展实训：复杂工件分拣与调参应用	280
项目考核	281
附录A　本书使用的工具包	283
参考文献	284

以云计算、物联网、大数据和人工智能、区块链为代表的新一代信息技术蓬勃发展，先进计算、高速互联、智能感知等技术领域创新方兴未艾，类脑计算、机器视觉、智能制造、生成式人工智能等技术及应用层出不穷。人们对以机器学习为基础的数据挖掘、人工智能技术的兴趣与日俱增，结合开源的Python掀起了一股学习机器学习相关技术的热潮。
目前，不仅许多研究生专业开设了机器学习、人工智能、数据挖掘的相关课程，很多本科专业，特别是计算机、自动化、电气等专业，也都开设了相关课程。2017年以来，高职院校逐步开始增设大数据技术、人工智能专业，开展大数据、人工智能教学，并持续不断地设计与改进适合高职生、应用型本科生学习的课程，包括“Python程序设计基础”“数据采集与预处理”“大数据分析技术应用”“数据挖掘应用”“人工智能技术与应用”等。
面对庞杂和迅速发展的机器学习理论与方法，编者深感需要编写一本内容基础、可读性好、契合高职生和应用型本科生特点和教学目标的相关教材。编者根据教学经验、竞赛指导及项目开发经历，积极探索“岗课赛证”融通综合育人教学模式，于2019年开始起草本书。同时，根据职业教育学生的特点及培养目标，不断探索、改良本书的仿真项目，以帮助学生掌握相关岗位所需要的知识、技能和素养，让学生在任务驱动中掌握数据分析与挖掘流程，掌握常用的机器学习方法在数据挖掘、人工智能中的应用，培养学生精益求精、追求卓越的工匠精神，为今后在相关领域中从事相应的开发与服务工作奠定基础。
为使语言更准确、讲解更清楚，本书结合Python 3.7提供了对应案例的拓展实训。本书特色可以概括为：
（1）案例简单、图文并茂，可读性好。本书尽量使用简化后的案例，引入知识点，逐步深入讲解与引导，使学生能够快速阅读本书，领略机器学习、数据分析与挖掘的思想和基本方法。
（2）“岗课赛证”融通，内容实用，注重应用。本书对接《国家职业技术技能标准——大数据工程技术人员（2021年版）》，结合《大数据分析与应用开发职业技能等级标准》，根据2021年全国工业和信息化技术技能大赛——工业大数据算法赛项、全国职业院校技能大赛“大数据应用开发”赛项（高职组）大纲制定内容。按照“基础→智能→综合”的普遍认知规律，有机融入人工智能、大模型等新技术，面向不同场景开发应用行业更广的10个项目，包括碳排放数据分析、电影数据回归分析、观影用户聚类分析、生成式人工智能应用、智能产线应用等。
（3）应用导向，任务驱动，便于学习。本书以应用为出发点，通过任务驱动引入相关知识点和技能，基于任务单，使学生可以边学边练，突出知识与技能的有机融合，让学生在学习过程中举一反三，培养创新思维，以适应高等职业教育人才建设需求。
（4）提供源代码、课件、微课视频，通过嵌入二维码的形式方便学生参考与学习。为配合本书的教与学，编者制作了高质量的教学课件及配套实训项目与题解，供学生和教师使用。在后期，编者还会不断更新应用案例，建立颗粒化课程资源库和“智慧职教”在线课程。
本书的编写得到浙江省“十四五”教学改革研究项目立项支持（项目编号：jg20230057）、浙江省教育科学规划项目立项支持（项目编号：2023SCG211），编者在此表示衷心的感谢。
本书由陈清华、朱燕民担任主编，由田启明、章逸丰担任副主编，黄莹达、郑博闻、曹珂崯、陈皓等参与编写。其中，项目1、项目2由陈清华、田启明编写，项目3～6由陈清华编写，项目7由朱燕民、陈清华编写，项目8由陈清华、田启明编写，项目9由黄莹达、郑博闻编写，项目10由章逸丰、陈清华编写，全书由陈清华统稿，郑博闻、曹珂崯、陈皓参与修订与审核。同时，要特别感谢杭州景业智能科技股份有限公司的相关人员，该公司的项目与相关人员的建议为本书内容的形成提供了很好的参考；也要特别感谢历年高职组“大数据技术”赛项、2019年“人工智能技术与应用”赛项、2021年全国工业和信息化技术技能大赛——工业大数据算法赛项的参赛学生，他们对竞赛相关知识与技术的深刻理解，为本书的部分内容提供了修订意见。
本书采用黑白印刷，涉及的颜色无法在书中呈现，请读者结合软件界面进行辨识。为了方便教师教学，本书配有电子教学课件及相关资源，请有此需要的教师登录华信教育资源网（www.hxedu.com.cn）注册后免费下载，如果有问题可在网站留言板留言或与电子工业出版社联系（E-mail：hxedu@phei.com.cn），还可与本书编者联系（E-mail：kegully@qq.com）。
教材建设是一项系统工程，需要在实践中不断加以完善及改进，同时由于时间仓促、编者水平有限，书中难免存在疏漏和不足之处，敬请同行专家和广大读者给予批评和指正。


编  者

本书配套资源下载

对不起，暂无音视频资源！

Python与机器学习（第2版）（微课版）