☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

　　機器學習關注於預測，其核心是一種基於數學和算法的技術，要掌握該技術，需要對數學及統計概念有深入理解，能夠熟練使用R 語言或者其他編程語言。
　　本書通過集中介紹兩類可以進行有效預測的機器學習算法，展示瞭如何使用Python 編程語言完成機器學習任務，從而降低機器學習難度，使機器學習能夠被更廣泛的人群掌握。
　　作者利用多年的機器學習經驗帶領讀者設計、構建並實現自己的機器學習方案。本書盡可能地用簡單的術語來介紹算法，避免復雜的數學推導，同時提供瞭示例代碼幫助讀者迅速上手。讀者會很快深入瞭解模型構建背後的原理，不論簡單問題還是復雜問題，讀者都可以學會如何找到問題的解決算法。書中詳細的示例，給齣瞭具體的可修改的代碼，展示瞭機器學習機理，涵蓋瞭綫性迴歸和集成方法，幫助理解使用機器學習方法的基本流程。
　　本書為不具備數學或統計背景的讀者量身打造，詳細介紹瞭如何：
　　● 針對任務選擇閤適算法； ● 對不同目的應用訓練好的模型；
　　● 學習數據處理機製，準備數據； ● 評估模型性能以保證應用效果；
　　● 掌握Python 機器學習核心算法包； ● 使用示例代碼設計和構建你自己的模型；
　　● 構建實用的多功能預測模型。

內容簡介

　　在學習和研究機器學習的時候，麵臨令人眼花繚亂的算法，機器學習新手往往會不知所措。本書從算法和Python語言實現的角度，幫助讀者認識機器學習。
　　本書專注於兩類核心的“算法族”，即懲罰綫性迴歸和集成方法，並通過代碼實例來展示所討論的算法的使用原則。全書共分為7章，詳細討論瞭預測模型的兩類核心算法、預測模型的構建、懲罰綫性迴歸和集成方法的具體應用和實現。本書主要針對想提高機器學習技能的Python開發人員，幫助他們解決某一特定的項目或是提升相關的技能。

作者簡介

　　Michael Bowles，在矽榖黑客道場教授機器學習，提供機器學習項目谘詢，同時參與瞭多傢創業公司，涉及的領域包括生物信息學、金融高頻交易等。他在麻省理工學院獲得助理教授教職後，創建並運營瞭兩傢矽榖創業公司，這兩傢公司都已成功上市。他在黑客道場的課程往往聽者雲集並且好評頗多。

目錄

第1　章 關於預測的兩類核心
算法 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．1
1．1　為什麼這兩類算法如此有用 ．．．．．．．　1
1．2　什麼是懲罰迴歸方法．．．．．．．．．．．．．．．．．．．．．　6
1．3　什麼是集成方法 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　8
1．4　算法的選擇 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　9
1．5　構建預測模型的流程．．．．．．．．．．．．．．．．．．．　11
1．5．1　構造一個機器學習問題 ．．．．．．12
1．5．2　特徵提取和特徵工程 ．．．．．．．．．．14
1．5．3　確定訓練後的模型的性能 ．．．．．15
1．6　各章內容及其依賴關係 ．．．．．．．．．．．．．．　15
1．7　小結 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　17
1．8　參考文獻 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　17
第2　章 通過理解數據來瞭解
問題 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．19
2．1　“解剖”一個新問題 ．．．．．．．．．．．．．．．．．．．．．　19
2．1．1　屬性和標簽的不同類型
決定模型的選擇　．．．．．．．．．．．．．．．．．．21
2．1．2　新數據集的注意事項 ．．．．．．．．．．22
2．2　分類問題：用聲納發現未
爆炸的水雷　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　23
2．2．1　“ 岩石vs 水雷”數據集的
物理特性　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．23
2．2．2　“ 岩石vs 水雷”數據集統計
特徵　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．27
2．2．3　用分位數圖展示異常點 ．．．．．．30
2．2．4　類彆屬性的統計特徵 ．．．．．．．．．．32
2．2．5　利用Python Pandas 對“岩石
vs　水雷”數據集進行統計
分析　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．32
2．3　對“岩石vs 水雷數據集”屬性的
可視化展示　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　35
2．3．1　利用平行坐標圖進行可視化
展示　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．35
2．3．2　屬性和標簽的關係可視化 ．．．．．37
2．3．3　用熱圖（heat map）展示
屬性和標簽的相關性　．．．．．．．．．．44
2．3．4　對“岩石vs． 水雷”數據集
探究過程小結　．．．．．．．．．．．．．．．．．．．．．．45
2．4　基於因素變量的實數值預測-
鮑魚的年齡　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　45
2．4．1　迴歸問題的平行坐標圖- 鮑魚
問題的變量關係可視化　．．．．．．51
2．4．2　迴歸問題如何使用關聯熱
圖－鮑魚問題的屬性對關
係的可視化　．．．．．．．．．．．．．．．．．．．．．．．．．．55
2．5　用實數值屬性預測實數值目標：
評估紅酒口感　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　57
2．6　多類彆分類問題：它屬於哪種
玻璃　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　63
小結　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　68
參考文獻　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　69
第3　章 預測模型的構建：平衡性
能、復雜性以及大數據　．．．．71
3．1　基本問題：理解函數逼近．．．．．．．．．．　71
3．1．1　使用訓練數據 ．．．．．．．．．．．．．．．．．．．．．．72
3．1．2　評估預測模型的性能 ．．．．．．．．．．73
3．2　影響算法選擇及性能的因素——
復雜度以及數據　．．．．．．．．．．．．．．．．．．．．．．．．．．．　74
3．2．1　簡單問題和復雜問題的
對比　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．74
3．2．2　一個簡單模型與復雜模型的
對比　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．77
3．2．3　影響預測算法性能的因素 ．．．．80
3．2．4　選擇一個算法：綫性或者
非綫性　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．81
3．3　度量預測模型性能 ．．．．．．．．．．．．．．．．．．．．．．．　81
3．3．1　不同類型問題的性能評價
指標　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．82
3．3．2　部署模型的性能模擬 ．．．．．．．．．．92
3．4　模型與數據的均衡 ．．．．．．．．．．．．．．．．．．．．．．．　94
3．4．1　通過權衡問題復雜度、模型
復雜度以及數據集規模來選
擇模型　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．94
3．4．2　使用前嚮逐步迴歸來控製過
擬閤　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．95
3．4．3　評估並理解你的預測模型．．．．101
3．4．4　通過懲罰迴歸係數來控製
過擬閤——嶺迴歸　．．．．．．．．．．．．103
小結　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　112
參考文獻　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　112
第4　章 懲罰綫性迴歸模型 ．．．．．．．．．．113
4．1　為什麼懲罰綫性迴歸方法如此
有效　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　113
4．1．1　足夠快速地估計係數 ．．．．．．．．114
4．1．2　變量的重要性信息 ．．．．．．．．．．．．114
4．1．3　部署時的預測足夠快速 ．．．．114
4．1．4　性能可靠 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．114
4．1．5　稀疏解 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．115
4．1．6　問題本身可能需要綫性
模型　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．115
4．1．7　什麼時候使用集成方法 ．．．．115
4．2　懲罰綫性迴歸：對綫性迴歸進行
正則化以獲得最優性能　．．．．．．．．．．．．　115
4．2．1　訓練綫性模型：最小化錯誤
以及更多　．．．．．．．．．．．．．．．．．．．．．．．．．．．．117
4．2．2　嚮OLS 公式中添加一個
係數懲罰項　．．．．．．．．．．．．．．．．．．．．．．．．118
4．2．3　其他有用的係數懲罰項：
Manhattan　以及ElasticNet ．．．．．118
4．2．4　為什麼套索懲罰會導緻稀疏的
係數嚮量　．．．．．．．．．．．．．．．．．．．．．．．．．．．．119
4．2．5　ElasticNet 懲罰項包含套索
懲罰項以及嶺懲罰項　．．．．．．．．120
4．3　求解懲罰綫性迴歸問題 ．．．．．．．．．．．．　121
4．3．1　理解最小角度迴歸與前嚮逐步
迴歸的關係　．．．．．．．．．．．．．．．．．．．．．．．．121
4．3．2　LARS 如何生成數百個不同
復雜度的模型　．．．．．．．．．．．．．．．．．．．．125
4．3．3　從數百個LARS 生成結果中
選擇最佳模型　．．．．．．．．．．．．．．．．．．．．127
4．3．4　使用Glmnet ：非常快速
並且通用　．．．．．．．．．．．．．．．．．．．．．．．．．．．．133
4．4　基於數值輸入的綫性迴歸方法的
擴展　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　140
4．4．1　使用懲罰迴歸求解分類
問題　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．140
4．4．2　求解超過2 種輸齣的分類
問題　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．145
4．4．3　理解基擴展：使用綫性方法來
解決非綫性問題　．．．．．．．．．．．．．．．．145
4．4．4　嚮綫性方法中引入非數值
屬性　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．148
小結　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　152
參考文獻　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　153
第5　章 使用懲罰綫性方法來
構建預測模型　．．．．．．．．．．．．．．．．．．．．．155
5．1　懲罰綫性迴歸的Python 包 ．．．．．　155
5．2　多變量迴歸：預測紅酒口感 ．．．　156
5．2．1　構建並測試模型以預測紅酒
口感　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．157
5．2．2　部署前在整個數據集上進行
訓練　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．162
5．2．3　基擴展：基於原始屬性擴展
新屬性來改進性能　．．．．．．．．．．．．168
5．3　二分類：使用懲罰綫性迴歸來
檢測未爆炸的水雷　．．．．．．．．．．．．．．．．．．．．．　172
5．3．1　構建部署用的岩石水雷
分類器　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．183
5．4　多類彆分類- 分類犯罪現場的
玻璃樣本　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　196
小結　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　201
參考文獻　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　202
第6　章 集成方法 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．203
6．1　二元決策樹 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　203
6．1．1　如何利用二元決策樹進行
預測　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．205
6．1．2　如何訓練一個二元決策樹．．．．207
6．1．3　決策樹的訓練等同於
分割點的選擇　．．．．．．．．．．．．．．．．．．．．211
6．1．4　二元決策樹的過擬閤 ．．．．．．．．214
6．1．5　針對分類問題和類彆特徵
所做的修改　．．．．．．．．．．．．．．．．．．．．．．．．218
6．2　自舉集成：Bagging 算法 ．．．．．．．．．　219
6．2．1　Bagging 算法是如何
工作的　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．219
6．2．2　Bagging 算法小結 ．．．．．．．．．．．．．230
6．3　梯度提升法（Gradient
Boosting）　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　230
6．3．1　梯度提升法的基本原理 ．．．．230
6．3．2　獲取梯度提升法的最佳
性能　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．234
6．3．3　針對多變量問題的梯度
提升法　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．237
6．3．4　梯度提升方法的小結 ．．．．．．．．241
6．4　隨機森林 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　241
6．4．1　隨機森林：Bagging 加上隨機
屬性子集　．．．．．．．．．．．．．．．．．．．．．．．．．．．．246
6．4．2　隨機森林的性能 ．．．．．．．．．．．．．．．．246
6．4．3　隨機森林小結 ．．．．．．．．．．．．．．．．．．．．247
6．5　小結 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　248
6．6　參考文獻 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　248
第7　章 用Python 構建集成
模型　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．251
7．1　用Python 集成方法工具包解決
迴歸問題　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　251
7．1．1　構建隨機森林模型來預測
紅酒口感　．．．．．．．．．．．．．．．．．．．．．．．．．．．．251
7．1．2　用梯度提升預測紅酒品質 ．．．．258
7．2　用Bagging 來預測紅酒口感 ．．．．　266
7．3　Python 集成方法引入非數值
屬性　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　271
7．3．1　對鮑魚性彆屬性編碼引入
Python　隨機森林迴歸
方法　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．271
7．3．2　評估性能以及變量編碼的
重要性　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．274
7．3．3　在梯度提升迴歸方法中引入
鮑魚性彆屬性　．．．．．．．．．．．．．．．．．．．．276
7．3．4　梯度提升法的性能評價以及
變量編碼的重要性　．．．．．．．．．．．．279
7．4　用Python 集成方法解決二分類
問題　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　282
7．4．1　用Python 隨機森林方法探測
未爆炸的水雷　．．．．．．．．．．．．．．．．．．．．282
7．4．2　構建隨機森林模型探測未
爆炸水雷　．．．．．．．．．．．．．．．．．．．．．．．．．．．．283
7．4．3　隨機森林分類器的性能 ．．．．288
7．4．4　用Python 梯度提升法探測
未爆炸水雷　．．．．．．．．．．．．．．．．．．．．．．．．289
7．4．5　梯度提升法分類器的性能．．．．296
7．5　用Python 集成方法解決多類彆
分類問題　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　300
7．5．1　用隨機森林對玻璃進行
分類　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．300
7．5．2　處理類不均衡問題 ．．．．．．．．．．．．304
7．5．3　用梯度提升法對玻璃進行
分類　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．306
7．5．4　評估在梯度提升法中使用隨機
森林基學習器的好處　．．．．．．．．311
7．6　算法比較 ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　313
小 Python機器學習 預測分析核心算法 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

我想用京豆，我想我想用京豆，我想用京豆我想用京豆我想用京豆我想用京豆京我想用京豆，我想用京豆我想用京豆我想用京豆我想用京豆我想用京豆我想用京豆我想用京豆

評分☆☆☆☆☆

不錯的書，值得一看，質量也很好，很滿意！

評分☆☆☆☆☆

挺好的，趁著特價買瞭一堆書

評分☆☆☆☆☆

時下很火的內容要趕緊學習瞭

評分☆☆☆☆☆

講解還是非常詳細的，適閤在數據分析挖掘崗位的人

評分☆☆☆☆☆

預測在於算法，Python隻是一種工具～

評分☆☆☆☆☆

最近買瞭不少python的書，重點還是在於堅持使用，纔能提高自己

評分☆☆☆☆☆

特朗普10日上午結束瞭對中國的國事訪問，乘專機離開北京。

評分☆☆☆☆☆

剛開始看，準備朝著這個方嚮發展

類似圖書 點擊查看全場最低價

查看全網最低價