舉報

會員
深入淺出Python機(jī)器學(xué)習(xí)
最新章節(jié):
參考文獻(xiàn)
機(jī)器學(xué)習(xí)正在迅速改變我們的世界。我們幾乎每天都會讀到機(jī)器學(xué)習(xí)如何改變?nèi)粘5纳睢H绻阍谔詫毣蛘呔〇|這樣的電子商務(wù)網(wǎng)站購買商品,或者在愛奇藝或是騰訊視頻這樣的視頻網(wǎng)站觀看節(jié)目,甚至只是進(jìn)行一次百度搜索,就已經(jīng)觸碰到了機(jī)器學(xué)習(xí)的應(yīng)用。使用這些服務(wù)的用戶會產(chǎn)生數(shù)據(jù),這些數(shù)據(jù)會被收集,在進(jìn)行預(yù)處理之后用來訓(xùn)練模型,而模型會通過這些數(shù)據(jù)來提供更好的用戶體驗(yàn)。此外,目前還有很多使用機(jī)器學(xué)習(xí)技術(shù)的產(chǎn)品或服務(wù)即將在我們的生活當(dāng)中普及,如能夠解放雙手的無人駕駛汽車、聰明伶俐的智能家居產(chǎn)品、善解人意的導(dǎo)購機(jī)器人等。可以說要想深入機(jī)器學(xué)習(xí)的應(yīng)用開發(fā)當(dāng)中,現(xiàn)在就是一個很好理想的時機(jī)。本書內(nèi)容涵蓋了有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、模型優(yōu)化、自然語言處理等機(jī)器學(xué)習(xí)領(lǐng)域所必須掌握的知識,從內(nèi)容結(jié)構(gòu)上很好注重知識的實(shí)用性和可操作性。全書采用由淺入深、循序漸進(jìn)的講授方式,接近遵循和尊重初學(xué)者對機(jī)器學(xué)習(xí)知識的認(rèn)知規(guī)律。本書適合有程序設(shè)計語言和算法基礎(chǔ)的讀者學(xué)習(xí)使用。
目錄(208章)
倒序
- 封面
- 版權(quán)信息
- 內(nèi)容簡介
- 作者簡介
- 前言
- 人工智能,火了
- 置身事外,還是投身其中
- 前途光明,馬上開始
- 本書內(nèi)容及體系結(jié)構(gòu)
- 本書特色
- 本書讀者對象
- 第1章 概述
- 1.1 什么是機(jī)器學(xué)習(xí)——從一個小故事開始
- 1.2 機(jī)器學(xué)習(xí)的一些應(yīng)用場景——蝙蝠公司的業(yè)務(wù)單元
- 1.3 機(jī)器學(xué)習(xí)應(yīng)該如何入門——世上無難事
- 1.4 有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)
- 1.5 機(jī)器學(xué)習(xí)中的分類與回歸
- 1.6 模型的泛化、過擬合與欠擬合
- 1.7 小結(jié)
- 第2章 基于Python語言的環(huán)境配置
- 2.1 Python的下載和安裝
- 2.2 Jupyter Notebook的安裝與使用方法
- 2.2.1 使用pip進(jìn)行Jupyter Notebook的下載和安裝
- 2.2.2 運(yùn)行Jupyter Notebook
- 2.2.3 Jupyter Notebook的使用方法
- 2.3 一些必需庫的安裝及功能簡介
- 2.3.1 Numpy——基礎(chǔ)科學(xué)計算庫
- 2.3.2 Scipy——強(qiáng)大的科學(xué)計算工具集
- 2.3.3 pandas——數(shù)據(jù)分析的利器
- 2.3.4 matplotlib——畫出優(yōu)美的圖形
- 2.4 scikit-learn——非常流行的Python機(jī)器學(xué)習(xí)庫
- 2.5 小結(jié)
- 第3章 K最近鄰算法——近朱者赤,近墨者黑
- 3.1 K最近鄰算法的原理
- 3.2 K最近鄰算法的用法
- 3.2.1 K最近鄰算法在分類任務(wù)中的應(yīng)用
- 3.2.2 K最近鄰算法處理多元分類任務(wù)
- 3.2.3 K最近鄰算法用于回歸分析
- 3.3 K最近鄰算法項(xiàng)目實(shí)戰(zhàn)——酒的分類
- 3.3.1 對數(shù)據(jù)集進(jìn)行分析
- 3.3.2 生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集
- 3.3.3 使用K最近鄰算法進(jìn)行建模
- 3.3.4 使用模型對新樣本的分類進(jìn)行預(yù)測
- 3.4 小結(jié)
- 第4章 廣義線性模型——“耿直”的算法模型
- 4.1 線性模型的基本概念
- 4.1.1 線性模型的一般公式
- 4.1.2 線性模型的圖形表示
- 4.1.3 線性模型的特點(diǎn)
- 4.2 最基本的線性模型——線性回歸
- 4.2.1 線性回歸的基本原理
- 4.2.2 線性回歸的性能表現(xiàn)
- 4.3 使用L2正則化的線性模型——嶺回歸
- 4.3.1 嶺回歸的原理
- 4.3.2 嶺回歸的參數(shù)調(diào)節(jié)
- 4.4 使用L1正則化的線性模型——套索回歸
- 4.4.1 套索回歸的原理
- 4.4.2 套索回歸的參數(shù)調(diào)節(jié)
- 4.4.3 套索回歸與嶺回歸的對比
- 4.5 小結(jié)
- 第5章 樸素貝葉斯——打雷啦,收衣服啊
- 5.1 樸素貝葉斯基本概念
- 5.1.1 貝葉斯定理
- 5.1.2 樸素貝葉斯的簡單應(yīng)用
- 5.2 樸素貝葉斯算法的不同方法
- 5.2.1 貝努利樸素貝葉斯
- 5.2.2 高斯樸素貝葉斯
- 5.2.3 多項(xiàng)式樸素貝葉斯
- 5.3 樸素貝葉斯實(shí)戰(zhàn)——判斷腫瘤是良性還是惡性
- 5.3.1 對數(shù)據(jù)集進(jìn)行分析
- 5.3.2 使用高斯樸素貝葉斯進(jìn)行建模
- 5.3.3 高斯樸素貝葉斯的學(xué)習(xí)曲線
- 5.4 小結(jié)
- 第6章 決策樹與隨機(jī)森林——會玩讀心術(shù)的算法
- 6.1 決策樹
- 6.1.1 決策樹基本原理
- 6.1.2 決策樹的構(gòu)建
- 6.1.3 決策樹的優(yōu)勢和不足
- 6.2 隨機(jī)森林
- 6.2.1 隨機(jī)森林的基本概念
- 6.2.2 隨機(jī)森林的構(gòu)建
- 6.2.3 隨機(jī)森林的優(yōu)勢和不足
- 6.3 隨機(jī)森林實(shí)例——要不要和相親對象進(jìn)一步發(fā)展
- 6.3.1 數(shù)據(jù)集的準(zhǔn)備
- 6.3.2 用get_dummies處理數(shù)據(jù)
- 6.3.3 用決策樹建模并做出預(yù)測
- 6.4 小結(jié)
- 第7章 支持向量機(jī)SVM——專治線性不可分
- 7.1 支持向量機(jī)SVM基本概念
- 7.1.1 支持向量機(jī)SVM的原理
- 7.1.2 支持向量機(jī)SVM的核函數(shù)
- 7.2 SVM的核函數(shù)與參數(shù)選擇
- 7.2.1 不同核函數(shù)的SVM對比
- 7.2.2 支持向量機(jī)的gamma參數(shù)調(diào)節(jié)
- 7.2.3 SVM算法的優(yōu)勢與不足
- 7.3 SVM實(shí)例——波士頓房價回歸分析
- 7.3.2 使用SVR進(jìn)行建模
- 7.4 小結(jié)
- 第8章 神經(jīng)網(wǎng)絡(luò)——曾入“冷宮”,如今得寵
- 8.1 神經(jīng)網(wǎng)絡(luò)的前世今生
- 8.1.1 神經(jīng)網(wǎng)絡(luò)的起源
- 8.1.2 第一個感知器學(xué)習(xí)法則
- 8.1.3 神經(jīng)網(wǎng)絡(luò)之父——杰弗瑞·欣頓
- 8.2 神經(jīng)網(wǎng)絡(luò)的原理及使用
- 8.2.1 神經(jīng)網(wǎng)絡(luò)的原理
- 8.2.2 神經(jīng)網(wǎng)絡(luò)中的非線性矯正
- 8.2.3 神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置
- 8.3 神經(jīng)網(wǎng)絡(luò)實(shí)例——手寫識別
- 8.3.1 使用MNIST數(shù)據(jù)集
- 8.3.2 訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)
- 8.3.3 使用模型進(jìn)行數(shù)字識別
- 8.4 小結(jié)
- 第9章 數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快刀斬亂麻
- 9.1 數(shù)據(jù)預(yù)處理
- 9.1.1 使用StandardScaler進(jìn)行數(shù)據(jù)預(yù)處理
- 9.1.2 使用MinMaxScaler進(jìn)行數(shù)據(jù)預(yù)處理
- 9.1.3 使用RobustScaler進(jìn)行數(shù)據(jù)預(yù)處理
- 9.1.4 使用Normalizer進(jìn)行數(shù)據(jù)預(yù)處理
- 9.1.5 通過數(shù)據(jù)預(yù)處理提高模型準(zhǔn)確率
- 9.2 數(shù)據(jù)降維
- 9.2.1 PCA主成分分析原理
- 9.2.2 對數(shù)據(jù)降維以便于進(jìn)行可視化
- 9.2.3 原始特征與PCA主成分之間的關(guān)系
- 9.3 特征提取
- 9.3.1 PCA主成分分析法用于特征提取
- 9.3.2 非負(fù)矩陣分解用于特征提取
- 9.4 聚類算法
- 9.4.1 K均值聚類算法
- 9.4.2 凝聚聚類算法
- 9.4.3 DBSCAN算法
- 9.5 小結(jié)
- 第10章 數(shù)據(jù)表達(dá)與特征工程——錦上再添花
- 10.1 數(shù)據(jù)表達(dá)
- 10.1.1 使用啞變量轉(zhuǎn)化類型特征
- 10.1.2 對數(shù)據(jù)進(jìn)行裝箱處理
- 10.2 數(shù)據(jù)“升維”
- 10.2.1 向數(shù)據(jù)集添加交互式特征
- 10.2.2 向數(shù)據(jù)集添加多項(xiàng)式特征
- 10.3 自動特征選擇
- 10.3.1 使用單一變量法進(jìn)行特征選擇
- 10.3.2 基于模型的特征選擇
- 10.3.3 迭代式特征選擇
- 10.4 小結(jié)
- 第11章 模型評估與優(yōu)化——只有更好,沒有最好
- 11.1 使用交叉驗(yàn)證進(jìn)行模型評估
- 11.1.1 scikit-learn中的交叉驗(yàn)證法
- 11.1.2 隨機(jī)拆分和“挨個兒試試”
- 11.1.3 為什么要使用交叉驗(yàn)證法
- 11.2 使用網(wǎng)格搜索優(yōu)化模型參數(shù)
- 11.2.1 簡單網(wǎng)格搜索
- 11.2.2 與交叉驗(yàn)證結(jié)合的網(wǎng)格搜索
- 11.3 分類模型的可信度評估
- 11.3.1 分類模型中的預(yù)測準(zhǔn)確率
- 11.3.2 分類模型中的決定系數(shù)
- 11.4 小結(jié)
- 第12章 建立算法的管道模型——團(tuán)結(jié)就是力量
- 12.1 管道模型的概念及用法
- 12.1.1 管道模型的基本概念
- 12.1.2 使用管道模型進(jìn)行網(wǎng)格搜索
- 12.2 使用管道模型對股票漲幅進(jìn)行回歸分析
- 12.2.1 數(shù)據(jù)集準(zhǔn)備
- 12.2.2 建立包含預(yù)處理和MLP模型的管道模型
- 12.2.3 向管道模型添加特征選擇步驟
- 12.3 使用管道模型進(jìn)行模型選擇和參數(shù)調(diào)優(yōu)
- 12.3.1 使用管道模型進(jìn)行模型選擇
- 12.3.2 使用管道模型尋找更優(yōu)參數(shù)
- 12.4 小結(jié)
- 第13章 文本數(shù)據(jù)處理——親,見字如“數(shù)”
- 13.1 文本數(shù)據(jù)的特征提取、中文分詞及詞袋模型
- 13.1.1 使用CountVectorizer對文本進(jìn)行特征提取
- 13.1.2 使用分詞工具對中文文本進(jìn)行分詞
- 13.1.3 使用詞袋模型將文本數(shù)據(jù)轉(zhuǎn)為數(shù)組
- 13.2 對文本數(shù)據(jù)進(jìn)一步進(jìn)行優(yōu)化處理
- 13.2.1 使用n-Gram改善詞袋模型
- 13.2.2 使用tf-idf模型對文本數(shù)據(jù)進(jìn)行處理
- 13.2.3 刪除文本中的停用詞
- 13.3 小結(jié)
- 第14章 從數(shù)據(jù)獲取到話題提取——從“研究員”到“段子手”
- 14.1 簡單頁面的爬取
- 14.1.1 準(zhǔn)備Requests庫和User Agent
- 14.1.2 確定一個目標(biāo)網(wǎng)站并分析其結(jié)構(gòu)
- 14.1.3 進(jìn)行爬取并保存為本地文件
- 14.2 稍微復(fù)雜一點(diǎn)的爬取
- 14.2.1 確定目標(biāo)頁面并進(jìn)行分析
- 14.2.2 Python中的正則表達(dá)式
- 14.2.3 使用BeautifulSoup進(jìn)行HTML解析
- 14.2.4 對目標(biāo)頁面進(jìn)行爬取并保存到本地
- 14.3 對文本數(shù)據(jù)進(jìn)行話題提取
- 14.3.1 尋找目標(biāo)網(wǎng)站并分析結(jié)構(gòu)
- 14.3.2 編寫爬蟲進(jìn)行內(nèi)容爬取
- 14.3.3 使用潛在狄利克雷分布進(jìn)行話題提取
- 14.4 小結(jié)
- 第15章 人才需求現(xiàn)狀與未來學(xué)習(xí)方向——你是不是下一個“大牛”
- 15.1 人才需求現(xiàn)狀
- 15.1.1 全球AI從業(yè)者達(dá)190萬,人才需求3年翻8倍
- 15.1.2 AI人才需求集中于一線城市,七成從業(yè)者月薪過萬
- 15.1.3 人才困境仍難緩解,政策支援亟不可待
- 15.2 未來學(xué)習(xí)方向
- 15.2.1 用于大數(shù)據(jù)分析的計算引擎
- 15.2.2 深度學(xué)習(xí)開源框架
- 15.2.3 使用概率模型進(jìn)行推理
- 15.3 技能磨煉與實(shí)際應(yīng)用
- 15.3.1 Kaggle算法大賽平臺和OpenML平臺
- 15.3.2 在工業(yè)級場景中的應(yīng)用
- 15.3.3 對算法模型進(jìn)行A/B測試
- 15.4 小結(jié)
- 參考文獻(xiàn) 更新時間:2022-07-29 15:24:14
推薦閱讀
- 軟件架構(gòu)設(shè)計:大型網(wǎng)站技術(shù)架構(gòu)與業(yè)務(wù)架構(gòu)融合之道
- 區(qū)塊鏈:以太坊DApp開發(fā)實(shí)戰(zhàn)
- Internet of Things with Intel Galileo
- 從學(xué)徒到高手:汽車電路識圖、故障檢測與維修技能全圖解
- Learning Vaadin 7(Second Edition)
- 深入分布式緩存:從原理到實(shí)踐
- 基于ARM Cortex-M4F內(nèi)核的MSP432 MCU開發(fā)實(shí)踐
- Test-Driven JavaScript Development
- Access 2010數(shù)據(jù)庫應(yīng)用技術(shù)實(shí)驗(yàn)指導(dǎo)與習(xí)題選解(第2版)
- 自學(xué)Python:編程基礎(chǔ)、科學(xué)計算及數(shù)據(jù)分析(第2版)
- Python 3 數(shù)據(jù)分析與機(jī)器學(xué)習(xí)實(shí)戰(zhàn)
- Web Developer's Reference Guide
- SpringBoot從零開始學(xué)(視頻教學(xué)版)
- 實(shí)驗(yàn)編程:PsychoPy從入門到精通
- JavaScript Mobile Application Development
- Learning Apache Thrift
- Visual C++程序開發(fā)范例寶典
- Head First Go語言程序設(shè)計
- Java Web程序設(shè)計任務(wù)教程(第2版)
- 40 Algorithms Every Programmer Should Know
- 跨平臺的移動Web開發(fā)實(shí)戰(zhàn)(HTML5+CSS3)
- Salesforce Lightning Reporting and Dashboards
- Java Persistence with MyBatis 3
- 從零開始學(xué)Python程序設(shè)計
- Sencha Touch 2 Mobile JavaScript Framework
- AutoCAD 2008輔助設(shè)計
- Arduino iOS Blueprints
- 軟件測試(第2版)
- 測試有道:微軟測試技術(shù)心得
- Learning Angular 2