掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Python機器學習基礎教程 版權信息
- ISBN：9787115475619
- 條形碼：9787115475619 ; 978-7-115-47561-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習基礎教程 本書特色
本書是機器學習入門書，以Python語言介紹。主要內容包括：機器學習的基本概念及其應用；實踐中常用的機器學習算法以及這些算法的優缺點；在機器學習中待處理數據的呈現方式的重要性，以及應重點關注數據的哪些方面；模型評估和調參的方法，重點講解交叉驗證和網格搜索；管道的概念；如何將前面各章的方法應用到文本數據上，還介紹了一些文本特有的處理方法。 本書適合機器學習從業者或有志成為機器學習從業者的人閱讀。
Python機器學習基礎教程 內容簡介
機器學習已成為許多商業應用和研究項目不可或缺的一部分，海量數據使得機器學習的應用范圍遠超人們想象。本書將向所有對機器學習技術感興趣的初學者展示，自己動手構建機器學習解決方案并非難事！ 書中重點討論機器學習算法的實踐而不是背后的數學，全面涵蓋在實踐中實現機器學習算法的所有重要內容，幫助讀者使用Python和scikit-learn庫一步一步構建一個有效的機器學習應用。 * 機器學習的基本概念及其應用 * 常用機器學習算法的優缺點 * 機器學習所處理的數據的表示方法，包括重點關注數據的哪些方面 * 模型評估和調參的方法 * 管道的概念 * 處理文本數據的方法，包括文本特有的處理方法 * 進一步提高機器學習和數據科學技能的建議
Python機器學習基礎教程 目錄
前言 ix
第 1 章 引言 1
1.1 為何選擇機器學習 1
1.1.1 機器學習能夠解決的問題 2
1.1.2 熟悉任務和數據 4
1.2 為何選擇Python 4
1.3 scikit-learn 4
1.4 必要的庫和工具 5
1.4.1 Jupyter Notebook 6
1.4.2 NumPy 6
1.4.3 SciPy 6
1.4.4 matplotlib 7
1.4.5 pandas 8
1.4.6 mglearn 9
1.5 Python 2 與Python 3 的對比 9
1.6 本書用到的版本 10
1.7 第 一個應用：鳶尾花分類 11
1.7.1 初識數據 12
1.7.2 衡量模型是否成功：訓練數據與測試數據 14
1.7.3 要事第 一：觀察數據 15
1.7.4 構建第 一個模型：k 近鄰算法 16
1.7.5 做出預測 17
1.7.6 評估模型 18
1.8 小結與展望 19
第 2 章 監督學習 21
2.1 分類與回歸 21
2.2 泛化、過擬合與欠擬合 22
2.3 監督學習算法 24
2.3.1 一些樣本數據集 25
2.3.2 k 近鄰 28
2.3.3 線性模型 35
2.3.4 樸素貝葉斯分類器 53
2.3.5 決策樹 54
2.3.6 決策樹集成 64
2.3.7 核支持向量機 71
2.3.8 神經網絡（深度學習） 80
2.4 分類器的不確定度估計 91
2.4.1 決策函數 91
2.4.2 預測概率 94
2.4.3 多分類問題的不確定度 96
2.5 小結與展望 98
第3 章 無監督學習與預處理 100
3.1 無監督學習的類型 100
3.2 無監督學習的挑戰 101
3.3 預處理與縮放 101
3.3.1 不同類型的預處理 102
3.3.2 應用數據變換 102
3.3.3 對訓練數據和測試數據進行相同的縮放 104
3.3.4 預處理對監督學習的作用 106
3.4 降維、特征提取與流形學習 107
3.4.1 主成分分析 107
3.4.2 非負矩陣分解 120
3.4.3 用t-SNE 進行流形學習 126
3.5 聚類 130
3.5.1 k 均值聚類 130
3.5.2 凝聚聚類 140
3.5.3 DBSCAN 143
3.5.4 聚類算法的對比與評估 147
3.5.5 聚類方法小結 159
3.6 小結與展望 159
第4 章 數據表示與特征工程 161
4.1 分類變量 161
4.1.1 One-Hot 編碼（虛擬變量） 162
4.1.2 數字可以編碼分類變量 166
4.2 分箱、離散化、線性模型與樹 168
4.3 交互特征與多項式特征 171
4.4 單變量非線性變換 178
4.5 自動化特征選擇 181
4.5.1 單變量統計 181
4.5.2 基于模型的特征選擇 183
4.5.3 迭代特征選擇 184
4.6 利用專家知識 185
4.7 小結與展望 192
第5 章 模型評估與改進 193
5.1 交叉驗證 194
5.1.1 scikit-learn 中的交叉驗證 194
5.1.2 交叉驗證的優點 195
5.1.3 分層k 折交叉驗證和其他策略 196
5.2 網格搜索 200
5.2.1 簡單網格搜索 201
5.2.2 參數過擬合的風險與驗證集 202
5.2.3 帶交叉驗證的網格搜索 203
5.3 評估指標與評分 213
5.3.1 牢記目標 213
5.3.2 二分類指標 214
5.3.3 多分類指標 230
5.3.4 回歸指標 232
5.3.5 在模型選擇中使用評估指標 232
5.4 小結與展望 234
第6 章 算法鏈與管道 236
6.1 用預處理進行參數選擇 237
6.2 構建管道 238
6.3 在網格搜索中使用管道 239
6.4 通用的管道接口 242
6.4.1 用make_pipeline 方便地創建管道 243
6.4.2 訪問步驟屬性 244
6.4.3 訪問網格搜索管道中的屬性 244
6.5 網格搜索預處理步驟與模型參數 246
6.6 網格搜索選擇使用哪個模型 248
6.7 小結與展望 249
第7 章 處理文本數據 250
7.1 用字符串表示的數據類型 250
7.2 示例應用：電影評論的情感分析 252
7.3 將文本數據表示為詞袋 254
7.3.1 將詞袋應用于玩具數據集 255
7.3.2 將詞袋應用于電影評論 256
7.4 停用詞 259
7.5 用tf-idf 縮放數據 260
7.6 研究模型系數 263
7.7 多個單詞的詞袋（n 元分詞） 263
7.8 分詞、詞干提取與詞形還原 267
7.9 主題建模與文檔聚類 270
7.10 小結與展望 277
第8 章 全書總結 278
8.1 處理機器學習問題 278
8.2 從原型到生產 279
8.3 測試生產系統 280
8.4 構建你自己的估計器 280
8.5 下一步怎么走 281
8.5.1 理論 281
8.5.2 其他機器學習框架和包 281
8.5.3 排序、推薦系統與其他學習類型 282
8.5.4 概率建模、推斷與概率編程 282
8.5.5 神經網絡 283
8.5.6 推廣到更大的數據集 283
8.5.7 磨練你的技術 284
8.6 總結 284
關于作者 285
關于封面 285
第 1 章 引言 1
1.1 為何選擇機器學習 1
1.1.1 機器學習能夠解決的問題 2
1.1.2 熟悉任務和數據 4
1.2 為何選擇Python 4
1.3 scikit-learn 4
1.4 必要的庫和工具 5
1.4.1 Jupyter Notebook 6
1.4.2 NumPy 6
1.4.3 SciPy 6
1.4.4 matplotlib 7
1.4.5 pandas 8
1.4.6 mglearn 9
1.5 Python 2 與Python 3 的對比 9
1.6 本書用到的版本 10
1.7 第 一個應用：鳶尾花分類 11
1.7.1 初識數據 12
1.7.2 衡量模型是否成功：訓練數據與測試數據 14
1.7.3 要事第 一：觀察數據 15
1.7.4 構建第 一個模型：k 近鄰算法 16
1.7.5 做出預測 17
1.7.6 評估模型 18
1.8 小結與展望 19
第 2 章 監督學習 21
2.1 分類與回歸 21
2.2 泛化、過擬合與欠擬合 22
2.3 監督學習算法 24
2.3.1 一些樣本數據集 25
2.3.2 k 近鄰 28
2.3.3 線性模型 35
2.3.4 樸素貝葉斯分類器 53
2.3.5 決策樹 54
2.3.6 決策樹集成 64
2.3.7 核支持向量機 71
2.3.8 神經網絡（深度學習） 80
2.4 分類器的不確定度估計 91
2.4.1 決策函數 91
2.4.2 預測概率 94
2.4.3 多分類問題的不確定度 96
2.5 小結與展望 98
第3 章 無監督學習與預處理 100
3.1 無監督學習的類型 100
3.2 無監督學習的挑戰 101
3.3 預處理與縮放 101
3.3.1 不同類型的預處理 102
3.3.2 應用數據變換 102
3.3.3 對訓練數據和測試數據進行相同的縮放 104
3.3.4 預處理對監督學習的作用 106
3.4 降維、特征提取與流形學習 107
3.4.1 主成分分析 107
3.4.2 非負矩陣分解 120
3.4.3 用t-SNE 進行流形學習 126
3.5 聚類 130
3.5.1 k 均值聚類 130
3.5.2 凝聚聚類 140
3.5.3 DBSCAN 143
3.5.4 聚類算法的對比與評估 147
3.5.5 聚類方法小結 159
3.6 小結與展望 159
第4 章 數據表示與特征工程 161
4.1 分類變量 161
4.1.1 One-Hot 編碼（虛擬變量） 162
4.1.2 數字可以編碼分類變量 166
4.2 分箱、離散化、線性模型與樹 168
4.3 交互特征與多項式特征 171
4.4 單變量非線性變換 178
4.5 自動化特征選擇 181
4.5.1 單變量統計 181
4.5.2 基于模型的特征選擇 183
4.5.3 迭代特征選擇 184
4.6 利用專家知識 185
4.7 小結與展望 192
第5 章 模型評估與改進 193
5.1 交叉驗證 194
5.1.1 scikit-learn 中的交叉驗證 194
5.1.2 交叉驗證的優點 195
5.1.3 分層k 折交叉驗證和其他策略 196
5.2 網格搜索 200
5.2.1 簡單網格搜索 201
5.2.2 參數過擬合的風險與驗證集 202
5.2.3 帶交叉驗證的網格搜索 203
5.3 評估指標與評分 213
5.3.1 牢記目標 213
5.3.2 二分類指標 214
5.3.3 多分類指標 230
5.3.4 回歸指標 232
5.3.5 在模型選擇中使用評估指標 232
5.4 小結與展望 234
第6 章 算法鏈與管道 236
6.1 用預處理進行參數選擇 237
6.2 構建管道 238
6.3 在網格搜索中使用管道 239
6.4 通用的管道接口 242
6.4.1 用make_pipeline 方便地創建管道 243
6.4.2 訪問步驟屬性 244
6.4.3 訪問網格搜索管道中的屬性 244
6.5 網格搜索預處理步驟與模型參數 246
6.6 網格搜索選擇使用哪個模型 248
6.7 小結與展望 249
第7 章 處理文本數據 250
7.1 用字符串表示的數據類型 250
7.2 示例應用：電影評論的情感分析 252
7.3 將文本數據表示為詞袋 254
7.3.1 將詞袋應用于玩具數據集 255
7.3.2 將詞袋應用于電影評論 256
7.4 停用詞 259
7.5 用tf-idf 縮放數據 260
7.6 研究模型系數 263
7.7 多個單詞的詞袋（n 元分詞） 263
7.8 分詞、詞干提取與詞形還原 267
7.9 主題建模與文檔聚類 270
7.10 小結與展望 277
第8 章 全書總結 278
8.1 處理機器學習問題 278
8.2 從原型到生產 279
8.3 測試生產系統 280
8.4 構建你自己的估計器 280
8.5 下一步怎么走 281
8.5.1 理論 281
8.5.2 其他機器學習框架和包 281
8.5.3 排序、推薦系統與其他學習類型 282
8.5.4 概率建模、推斷與概率編程 282
8.5.5 神經網絡 283
8.5.6 推廣到更大的數據集 283
8.5.7 磨練你的技術 284
8.6 總結 284
關于作者 285
關于封面 285
展開全部
Python機器學習基礎教程 作者簡介
Andreas C.Müller，scikit-learn庫維護者和核心貢獻者。現任哥倫比亞大學數據科學研究院講師，曾任紐約大學數據科學中心助理研究員、亞馬遜公司計算機視覺應用的機器學習研究員。在波恩大學獲得機器學習博士學位。 Sarah Guido，Mashable公司數據科學家，曾擔任Bitly公司數據科學家。
書友推薦
- >
月亮與六便士
- >
隨園食單
- >
名家帶你讀魯迅:故事新編
- >
有舍有得是人生
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
龍榆生：詞曲概論/大家小書
- >
莉莉和章魚
本類暢銷
