Python機器學習基礎教程 Python机器学习基础教程
[德]安德里亞斯·穆勒（Andreas C. Müller）[美]莎拉·吉多（Sarah Guido）
- 出版商: 人民郵電
- 出版日期: 2024-10-01
- 定價: $474
- 售價: 8.5 折 $403
- 語言: 簡體中文
- 頁數: 285
- 裝訂: 平裝
- ISBN: 711547561X
- ISBN-13: 9787115475619
-
相關分類:
Machine Learning
- 此書翻譯自: Introduction to Machine Learning with Python: A Guide for Data Scientists (Paperback)
-
相關翻譯:
精通機器學習｜使用 Python (Introduction to Machine Learning with Python: A Guide for Data Scientists) (繁中版)
銷售排行:
🥉 2019/12 簡體中文書 銷售排行 第 3 名
已絕版
買這商品的人也買了...
-
圖解機器學習$359$341 -
機器學習$648$616 -
$352Python 計算機視覺編程 (Programming Computer Vision with Python) -
$352Python 與機器學習實戰：決策樹、集成學習、支持向量機與神經網絡算法詳解及編程實現 -
$505Python 數據處理 (Data Wrangling with Python) -
$958深度學習 -
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
$301Python 機器學習經典實例 (Python Machine Learning Cookbook) -
演算法圖鑑：26種演算法 + 7種資料結構，人工智慧、數據分析、邏輯思考的原理和應用 step by step 全圖解$450$356 -
為你自己學 Git$500$390 -
初探機器學習演算法$480$379 -
Python 資料科學學習手冊 (Python Data Science Handbook: Essential Tools for Working with Data)$780$616 -
百面機器學習 : 算法工程師帶你去面試$556$523 -
初探深度學習｜使用 TensorFlow (TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning)$480$379 -
$607Python 深度學習 (Deep Learning with Python) -
$607機器學習實戰：基於 Scikit-Learn 和 TensorFlow (Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems) -
Python 資料分析, 2/e (Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, 2/e)$880$695 -
深度學習入門教室：6堂基礎課程 + Python 實作練習，Deep Learning、人工智慧、機器學習的理論和應用全圖解$550$495 -
$446TensorFlow深度學習算法原理與編程實戰 -
世界第一簡單機器學習$320$288 -
Python 機器學習錦囊妙計 (Machine Learning with Python Cookbook)$580$458 -
精通機器學習｜使用 Scikit-Learn , Keras 與 TensorFlow, 2/e (Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2/e)$1,200$948 -
Python 機器學習 (上), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$620$484 -
Python 機器學習 (下), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$520$406
相關主題
商品描述
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，以及應重點關註數據的哪些方面；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。
作者簡介
[德]安德里亞斯·穆勒（Andreas C. Müller）[美]莎拉·吉多（Sarah Guido）譯者:張亮（hysic）
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。
目錄大綱
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章數據表示與特徵工程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、線性模型與樹168
4.3交互特徵與多項式特徵171
4.4單變量非線性變換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、詞幹提取與詞形還原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
關於作者285
關於封面285
