Python 機器學習案例教程, 2/e (Python Machine Learning By Example : Industry adopted applications with the clear demonstration of Machine Learning concepts using Python libraries, 2/e)

劉宇熙 Yuxi Liu 強彥譯

Python 機器學習案例教程, 2/e (Python Machine Learning By Example : Industry adopted applications with the clear demonstration of Machine Learning concepts using Python libraries, 2/e)

買這商品的人也買了...

相關主題

商品描述

本書包括3部分：
第1部分介紹機器學習的基本概念，它們是機器學習的預備知識；
第2部分系統介紹幾種成熟的機器學習算法和技術；
第3部分介紹貫穿整個機器學習工作流程的21個最佳案例，
並且討論具有前瞻性的方法和想法，它們被公認為是機器學習未來的研究重點。
本書中的代碼均在Python 3中測試通過。
 本書適合高等院校相關專業的大學生、研究生或教師閱讀學習，
以及不具有機器學習或統計背景但是想要快速補充機器學習算法知識，
以便在實際產品或平台中應用的軟件工程師。

目錄大綱

目錄
譯者序
前言
第1部分機器學習的基礎
第1章機器學習和Python入門
1.1超高水平的機器學習技術概述
1.1.1機器學習任務的分類
1.1.2機器學習算法的發展簡史
1.2機器學習的核心——數據泛化
1.2.1過擬合、欠擬合和偏差-方差權衡
1.2.2利用交叉驗證避免過擬合
1.2.3利用正則化避免過擬合
1.2.4通過特徵選擇和降維避免過擬合
1.3預處理、探索和特徵工程
1.3.1缺失值
1.3.2標籤編碼
1.3.3獨熱編碼
1.3.4縮放
1.3.5多項式特徵
1.3.6冪變換
1.3.7分箱
1.4組合模型
1.4.1投票法和平均法
1.4.2裝袋法
1.4.3提升方法
1.4.4堆疊法
1.5安裝軟件和設置
1.5.1設置Python和環境
1.5.2安裝各種軟件包
本章小結
習題

第2部分Python機器學習實例
第2章使用文本分析技術研究20組新聞數據集
2.1計算機如何理解語言—— NLP
2.2瀏覽NLP庫並學習NLP基礎知識
2.2.1語料庫
2.2.2標記
2.2.3詞性
2.2.4命名實體識別
2.2.5詞幹提取和詞形還原
2.2.6語義和主題建模
2.3獲取新聞組數據
2.4研究新聞組數據
2.5考慮文本數據的特性
2.5.1計算每個單詞表徵的出現次數
2.5.2文本預處理
2.5.3丟棄停止詞
2.5.4詞幹提取和詞形還原法
2.6使用t- SNE可視化新聞組數據
2.6.1什麼是降維
2.6.2用於降維的t-SNE
本章小結
習題

第3章使用聚類和主題建模算法挖掘20組新聞數據集
3.1沒有指導的學習——無監督學習
3.2使用k均值聚類算法對新聞數據集進行聚類
3.2.1 k均值聚類算法是如何聚類的
3.2.2從頭實現k均值聚類算法
3.2.3用機器學習實現後均值聚類算法
3.2.4 k值的選擇
3.2.5使用k均值聚類新聞組數據
3.3在新聞組中發現基礎主題
3.4使用NMF進行主題建模
3.5使用LDA進行主題建模
本章小結
習題

第4章使用樸素貝葉斯檢測垃圾郵件
4.1從分類開始
4.1.1分類算法的類型
4.1.2文本分類的應用
4.2探索樸素貝葉斯
4.2.1通過案例來學習貝葉斯定理
4.2.2樸素貝葉斯的結構
4.2.3運用scratch庫實現樸素貝葉斯分類器
4.2.4運用scikit-learn庫實現樸素貝葉斯分類器
4.3分類性能評估
4.4模型調優和交叉驗證
本章小結
習題

第5章使用支持向量機對新聞組主題進行分類
5.1用支持向量機尋找分離邊界
5.1.1通過不同的示例了解支持向量機如何工作
5.1.2實現支持向量機
5.1.3支持向量機的核心
5.1.4在線性核和RBF核之間進行選擇
5.2使用支持向量機對新聞組主題進行分類
5.3更多示例——心臟造影的胎兒狀態分類
5.4另一個示例— —使用TensorFlow完成基於支持向量機的乳腺癌分類
本章小結
習題

第6章使用基於樹的算法預測在線廣告點擊率
6.1廣告點擊率預測概述
6.2兩種類型數據：數值型和分類型
6.3從根到葉探索決策樹
6.3.1構建決策樹
6.3.2衡量分裂的標準
6.4從頭實現決策樹
6.5用決策樹預測廣告點擊率
6.6集成決策樹——隨機森林
6.6.1使用TensorFlow實現隨機森林
本章小結
習題

第7章使用邏輯回歸預測在線廣告點擊率
7.1將分類特徵轉換為數字特徵——獨熱編碼和順序編碼
7.2用邏輯回歸對數據進行分類
7.2.1邏輯函數入門
7.2.2從邏輯函數到邏輯回歸
7.3訓練邏輯回歸模型
7.3.1利用梯度下降訓練邏輯回歸模型
7.3.2利用梯度下降的邏輯回歸模型預測在線廣告點擊率
7.3.3利用隨機梯度下降訓練邏輯回歸模型
7.3.4利用正則化訓練邏輯回歸模型
7.4通過在線學習訓練大型數據集
7.5處理多元分類
7.6使用TensorFlow實現邏輯回歸
7.7使用隨機森林進行特徵選擇
本章小結
習題

第8章將預測擴展到TB級點擊日誌
8.1學習Apache Spark的基本知識
8.1. 1了解Spark
8.1.2安裝Spark
8.1.3啟動和部署Spark程序
8.2在PySpark中編程
8.3使用Spark學習大量點擊日誌
8.3.1加載點擊日誌
8.3.2拆分和緩存數據
8.3.3對分類特徵進行獨熱編碼
8.3.4訓練和測試邏輯回歸模型
8.4使用Spark對分類變量進行特徵工程
8.4.1散列分類特徵
8.4 .2組合多個變量——

類似商品