☆☆☆☆☆




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範圍遠超人們想象。本書將嚮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並非難事！
書中重點討論機器學習算法的實踐而不是背後的數學，全麵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錶示方法，包括重點關注數據的哪些方麵
* 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

內容簡介

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麵；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；如何將前麵各章的方法應用到文本數據上，還介紹瞭一些文本特有的處理方法。
本書適閤機器學習從業者或有誌成為機器學習從業者的人閱讀。

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、***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公司數據科學傢，曾擔任Bitly公司數據科學傢。

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　做齣預測 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　分類與迴歸 21
2．2　泛化、過擬閤與欠擬閤 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　綫性模型 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　核支持嚮量機 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、特徵提取與流形學習 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　數據錶示與特徵工程 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、綫性模型與樹 168
4．3　交互特徵與多項式特徵 171
4．4　單變量非綫性變換 178
4．5　自動化特徵選擇 181
4．5．1　單變量統計 181
4．5．2　基於模型的特徵選擇 183
4．5．3　迭代特徵選擇 184
4．6　利用專傢知識 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 摺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　參數過擬閤的風險與驗證集 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　迴歸指標 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　用字符串錶示的數據類型 250
7．2　示例應用：電影評論的情感分析 252
7．3　將文本數據錶示為詞袋 254
7．3．1　將詞袋應用於玩具數據集 255
7．3．2　將詞袋應用於電影評論 256
7．4　停用詞 259
7．5　用tf-idf 縮放數據 260
7．6　研究模型係數 263
7．7　多個單詞的詞袋（n 元分詞） 263
7．8　分詞、詞乾提取與詞形還原 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　從原型到生産 279
8．3　測試生産係統 280
8．4　構建你自己的估計器 280
8．5　下一步怎麼走 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、推薦係統與其他學習類型 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
關於作者 285
關於封麵 285
Python機器學習基礎教程 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

很好，收獲很大，受益匪淺。

評分☆☆☆☆☆

還沒看，看介紹應該還可以吧

評分☆☆☆☆☆

很好，收獲很大，受益匪淺。

評分☆☆☆☆☆

送貨速度快，非常方便，書很不錯

評分☆☆☆☆☆

人工智能深度學習。。。。。。。。。。。。。

評分☆☆☆☆☆

好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!好!

評分☆☆☆☆☆

剛開始看，還沒有看很多，前麵數學部分翻譯的還是不錯的，後麵打算對照著英文版一起看

評分☆☆☆☆☆

完全是實際項目為基礎來描述所有的實戰

評分☆☆☆☆☆

京東物流很快，書很厚，內容很全麵，很多理論講的也很細，是全麵學習理論的好書，要是有代碼就更好瞭。

類似圖書 點擊查看全場最低價

查看全網最低價