Python機器學習

定　價：￥79.00

作　者：	[印] 阿布舍克·維賈亞瓦吉亞（Abhishek Vijayvargia）著，宋格格譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥70.30)

ISBN：	9787115501356	出版時間：	2019-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	270	字數(shù)：

內容簡介

　　《Python機器學習》通過解釋數(shù)學原理和展示編程示例對機器學習進行了系統(tǒng)、全面的解析。《Python機器學習》共分為12章，內容涵蓋了機器學習以及Python語言的基礎知識、特征工程的概念與操作技術、數(shù)據(jù)可視化技術的實現(xiàn)、監(jiān)督學習及無監(jiān)督學習算法、文本分析、神經網(wǎng)絡和深度學習、推薦系統(tǒng)的構建方法以及預測處理時間序列的方法等。閱讀《Python機器學習》能夠加深讀者對機器學習的認識和理解，從而達到理論與實踐相結合、學以致用的目的?！禤ython機器學習》適合Python程序員、數(shù)據(jù)分析人員、對機器學習感興趣的讀者以及機器學習領域的從業(yè)人員閱讀。

作者簡介

　　Abhishek Vijayvargia是一位數(shù)據(jù)科學家，他活躍在IT技術領域，并解決了與數(shù)據(jù)科學和機器學習相關的實時問題。他專注于數(shù)據(jù)分析，涉及的領域包括運輸業(yè)、政府工程、石油和天然氣以及物聯(lián)網(wǎng)等。他獲得了印度理工學院坎普爾分校的人工智能專業(yè)碩士學位，關注方向是分布式機器學習、深度學習、流處理和區(qū)塊鏈。他擔任各種機器學習課題的導師，并進行其他算法、數(shù)據(jù)方面的培訓。

圖書目錄

第 1章走進機器學習1
1．1 機器學習概述1
1．2 機器學習過程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Python程序26
2．4 Python基礎27
2．5 數(shù)據(jù)結構與循環(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——通用準則44
3．5．1 處理數(shù)值特征44
3．5．2 處理分類特征45
3．5．3 處理基于時間的特征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進行特征工程49
3．6．1 Pandas基本操作49
3．6．2 常見任務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 散點圖69
4．6 箱線圖70
4．7 采用面向對象的方式繪圖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75
4．8．4 成對雙變量分布76
4．8．5 分類散點圖76
4．8．6 小提琴圖77
4．8．7 點圖78
第5章回歸79
5．1 簡單回歸80
5．2 多元回歸92
5．3 模型評價94
5．3．1 訓練誤差95
5．3．2 泛化誤差96
5．3．3 測試誤差97
5．3．4 不可約誤差98
5．3．5 偏差—方差權衡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128
7．1 線性分類器129
7．2 邏輯回歸133
7．3 決策樹147
7．3．1 關于樹的術語148
7．3．2 決策樹學習149
7．3．3 決策邊界151
7．4 隨機森林158
7．5 樸素貝葉斯164
第8章無監(jiān)督學習169
8．1 聚類170
8．2 K-均值聚類170
8．2．1 隨機分配聚類質心的問題175
8．2．2 查找K的值175
8．3 分層聚類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進行基本文本處理189
9．1．1 字符串比較191
9．1．2 字符串轉換191
9．1．3 字符串操作192
9．2 正則表達式193
9．3 自然語言處理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200
9．5 主題建模206
第 10章神經網(wǎng)絡與深度學習209
10．1 矢量化210
10．2 神經網(wǎng)絡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 深度學習229
10．4 深度學習架構230
10．4．1 深度信念網(wǎng)絡231
10．4．2 卷積神經網(wǎng)絡231
10．4．3 循環(huán)神經網(wǎng)絡231
10．4．4 長短期記憶網(wǎng)絡231
10．4．5 深度堆棧網(wǎng)絡232
10．5 深度學習框架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 基于內容的推薦引擎240
11．3 基于分類的推薦引擎243
11．4 協(xié)同過濾245
第 12章時間序列分析249
12．1 處理日期和時間249
12．2 窗口函數(shù)254
12．3 相關性258
12．4 時間序列預測261