Python機(jī)器學(xué)習(xí)

第 1章 走進(jìn)機(jī)器學(xué)習(xí)1
1．1 機(jī)器學(xué)習(xí)概述1
1．2 機(jī)器學(xué)習(xí)過(guò)程2
第 2章 了解Python20
2．1 為什么選擇Python20
2．2 下載和安裝Python22
2．2．1 在Windows中安裝Python22
2．2．2 Anaconda24
2．3 首個(gè)Python程序26
2．4 Python基礎(chǔ)27
2．5 數(shù)據(jù)結(jié)構(gòu)與循環(huán)36
第3章 特征工程42
3．1 什么是特征42
3．2 為什么執(zhí)行特征工程43
3．3 特征提取43
3．4 特征選擇43
3．5 特征工程方法——通用準(zhǔn)則44
3．5．1 處理數(shù)值特征44
3．5．2 處理分類(lèi)特征45
3．5．3 處理基于時(shí)間的特征47
3．5．4 處理文本特征47
3．5．5 缺失數(shù)據(jù)48
3．5．6 降維48
3．6 用Python進(jìn)行特征工程49
3．6．1 Pandas基本操作49
3．6．2 常見(jiàn)任務(wù)57
第4章 數(shù)據(jù)可視化62
4．1 折線圖63
4．2 條形圖66
4．3 餅圖67
4．4 直方圖68
4．5 散點(diǎn)圖69
4．6 箱線圖70
4．7 采用面向?qū)ο蟮姆绞嚼L圖71
4．8 Seaborn73
4．8．1 分布圖74
4．8．2 雙變量分布75
4．8．3 二元分布的核密度估計(jì)75
4．8．4 成對(duì)雙變量分布76
4．8．5 分類(lèi)散點(diǎn)圖76
4．8．6 小提琴圖77
4．8．7 點(diǎn)圖78
第5章 回歸79
5．1 簡(jiǎn)單回歸80
5．2 多元回歸92
5．3 模型評(píng)價(jià)94
5．3．1 訓(xùn)練誤差95
5．3．2 泛化誤差96
5．3．3 測(cè)試誤差97
5．3．4 不可約誤差98
5．3．5 偏差—方差權(quán)衡99
第6章 更多回歸105
6．1 概述105
6．2 嶺回歸112
6．3 套索回歸118
6．3．1 全子集算法118
6．3．2 用于特征選擇的貪心算法119
6．3．3 特征選擇的正則化119
6．4 非參數(shù)回歸122
6．4．1 K-最近鄰回歸124
6．4．2 核回歸127
第7章 分類(lèi)128
7．1 線性分類(lèi)器129
7．2 邏輯回歸133
7．3 決策樹(shù)147
7．3．1 關(guān)于樹(shù)的術(shù)語(yǔ)148
7．3．2 決策樹(shù)學(xué)習(xí)149
7．3．3 決策邊界151
7．4 隨機(jī)森林158
7．5 樸素貝葉斯164
第8章 無(wú)監(jiān)督學(xué)習(xí)169
8．1 聚類(lèi)170
8．2 K-均值聚類(lèi)170
8．2．1 隨機(jī)分配聚類(lèi)質(zhì)心的問(wèn)題175
8．2．2 查找K的值175
8．3 分層聚類(lèi)182
8．3．1 距離矩陣184
8．3．2 連接185
第9章 文本分析189
9．1 使用Python進(jìn)行基本文本處理189
9．1．1 字符串比較191
9．1．2 字符串轉(zhuǎn)換191
9．1．3 字符串操作192
9．2 正則表達(dá)式193
9．3 自然語(yǔ)言處理195
9．3．1 詞干提取196
9．3．2 詞形還原197
9．3．3 分詞197
9．4 文本分類(lèi)200
9．5 主題建模206
第 10章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)209
10．1 矢量化210
10．2 神經(jīng)網(wǎng)絡(luò)218
10．2．1 梯度下降220
10．2．2 激活函數(shù)221
10．2．3 參數(shù)初始化224
10．2．4 優(yōu)化方法227
10．2．5 損失函數(shù)227
10．3 深度學(xué)習(xí)229
10．4 深度學(xué)習(xí)架構(gòu)230
10．4．1 深度信念網(wǎng)絡(luò)231
10．4．2 卷積神經(jīng)網(wǎng)絡(luò)231
10．4．3 循環(huán)神經(jīng)網(wǎng)絡(luò)231
10．4．4 長(zhǎng)短期記憶網(wǎng)絡(luò)231
10．4．5 深度堆棧網(wǎng)絡(luò)232
10．5 深度學(xué)習(xí)框架232
第 11章 推薦系統(tǒng)237
11．1 基于流行度的推薦引擎237
11．2 基于內(nèi)容的推薦引擎240
11．3 基于分類(lèi)的推薦引擎243
11．4 協(xié)同過(guò)濾245
第 12章 時(shí)間序列分析249
12．1 處理日期和時(shí)間249
12．2 窗口函數(shù)254
12．3 相關(guān)性258
12．4 時(shí)間序列預(yù)測(cè)261