Python機器學習實戰(zhàn)：真實智能案例實踐指南

定　價：￥168.00

作　者：	迪潘簡·撒卡爾（Dipanjan Sarkar）著，徐鍵，張善干，祁鵬宇，丁學文，肖陽 ... 譯
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥168.00)

ISBN：	9787111669739	出版時間：	2021-05-01	包裝：	平裝
開本：	16開	頁數：	480	字數：

內容簡介

　　本書幫你掌握通過機器學習和深度學習來識別和解決復雜問題所需的基本技能。本書使用了流行的 Python機器學習生態(tài)系統(tǒng)中的真實示例，將成為你在學習機器學習的藝術和科學并成為一名成功的從業(yè)者道路上的完美伴侶。本書中使用的概念、技術、工具、框架和方法將教會你如何成功思考、設計、構建和執(zhí)行機器學習系統(tǒng)和項目，并利用這些知識解決一些來自不同領域的實際問題，包括零售、運輸、電影、音樂、計算機視覺、藝術和金融。本書將教會你解決自己遇到的機器學習問題！本書適合人工智能、機器學習、深度學習相關行業(yè)的從業(yè)者和學習者閱讀。

作者簡介

　　關于作者 Dipanjan Sarkar 英特爾公司的數據科學家，班加羅爾國際信息技術學院的信息技術碩士，主要負責數據科學研究與分析、商業(yè)智能、實際項目和大型智能系統(tǒng)構建等研究、開發(fā)工作。他多年來從事分析工作，擅長統(tǒng)計、預測和文本分析，對數據科學和教育充滿熱情，也是Springboard教育平臺的數據科學導師，幫助從業(yè)者提高數據科學和機器學習等領域的技能。他還撰寫了多本關于R、Python、機器學習和數據分析的著作。此外，他還是相關書籍的技術審校者，并擔任Coursera的課程測試員。此外他還熱衷于研究新技術、金融市場、顛覆性初創(chuàng)企業(yè)、數據科學、人工智能和深度學習。Raghav Bali 英特爾公司的數據科學家，班加羅爾國際信息技術學院的信息技術碩士，致力于推動主動的、數據驅動的IT項目。他主要從事數據科學與分析、商業(yè)智能以及基于機器學習的可擴展解決方案開發(fā)等工作，還曾在一些全球領先的企業(yè)中從事過ERP和財務項目開發(fā)等工作。他也是一位技術愛好者，喜歡研究新工具和技術。他還著有關于R、機器學習和數據分析的著作。Tushar Sharma 英特爾公司的數據科學家，班加羅爾國際信息技術學院的信息技術碩士。他的工作涉及使用大量基礎結構數據進行大規(guī)模開發(fā)分析的解決方案。他曾在金融領域工作，為知名金融公司開發(fā)可擴展的機器學習解決方案。他精通Python、R，以及Spark和Hadoop等大數據框架。他還著有關于R和社交媒體分析的著作。

圖書目錄

目錄
原書序言
原書前言
譯者簡介

第1部分　理解機器學習
第1章　機器學習基礎 // 2
11　機器學習的需求 // 3
12　理解機器學習 // 6
13　計算機科學 // 12
14　數據科學 // 14
15　數學 // 15
16　統(tǒng)計學 // 20
17　數據挖掘 // 22
18　人工智能 // 22
19　自然語言處理 // 23
110　深度學習 // 24
111　機器學習方法 // 29
112　監(jiān)督學習 // 30
113　無監(jiān)督學習 // 33
114　半監(jiān)督學習 // 36
115　強化學習 // 37
116　批量學習 // 37
117　在線學習 // 38
118　基于實例的學習 // 38
119　基于模型的學習 // 39
120　CRISP-DM處理模型 // 39
121　構建機器智能 // 45
122　真實案例研究：預測學生獲取推薦 // 47
123　機器學習的挑戰(zhàn) // 55
124　機器學習的現實應用 // 55
125　總結 // 56

第2章　 Python機器學習生態(tài)系統(tǒng) // 57
21　Python簡介 // 57
22　Python機器學習生態(tài)系統(tǒng)簡介 // 62
23　總結 // 100

第2部分　機器學習流程
第3章　數據的處理、重整以及可視化 // 102
31　數據收集 // 103
32　數據描述 // 116
33　數據重整 // 117
34　數據匯總 // 128
35　數據可視化 // 130 36　
總結 // 152

第4章　特征工程和特征選擇 // 153
41　特征：更好地理解你的數據 // 154
42　重溫機器學習流程 // 155
43　特征提取和特征工程 // 156
44　數值型數據的特征工程 // 160
45　分類型數據的特征工程 // 174
46　文本型數據的特征工程 // 183
47　時態(tài)型數據的特征工程 // 193
48　圖像型數據的特征工程 // 197
49　特征縮放 // 211
410　特征選擇 // 214
411　特征降維 // 221
412　總結 // 224

第5章　構建、調優(yōu)和模型的部署 // 225
51　構建模型 // 226
52　模型評估 // 239
53　模型調優(yōu) // 248
54　模型解釋 // 259
55　模型部署 // 265
56　總結 // 267

第3部分　真實案例研究
第6章　共享單車趨勢分析 // 270
61　共享單車數據集 // 270
62　問題陳述 // 271
63　探索性數據分析 // 271
64　回歸分析 // 278
65　建模 // 280
66　下一步 // 291
67　總結 // 292

第7章　電影影評的情感分析 // 293
71　問題陳述 // 294
72　設置依賴項 // 294
73　獲取數據 // 295
74　文字的預處理與標準化 // 295
75　無監(jiān)督的以詞典為基礎的模型 // 298
76　使用監(jiān)督學習進行情感分類 // 306
77　傳統(tǒng)的有監(jiān)督的機器學習模型 // 308
78　較新的有監(jiān)督的深度學習模型 // 310
79　高級的有監(jiān)督的深度學習模型 // 316
710　分析情感的因果關系 // 323
711　總結 // 332

第8章　顧客分類和有效的交叉銷售 /333/
81　在線零售交易記錄數據集 // 333
82　探索性數據分析 // 334
83　顧客分類 // 337
84　交叉銷售 // 350
85　總結 // 361

第9章　分析酒的類型和質量 // 362
91　問題陳述 // 362
92　設置依賴項 // 363
93　獲取數據 // 363
94　探索性數據分析 // 364
95　預測建模 // 378
96　預測葡萄酒類型 // 379
97　預測葡萄酒質量 // 385
98　總結 // 397

第10章　分析音樂趨勢和推薦 // 398
101　百萬歌曲數據集品味畫像 // 398
102　探索性數據分析 // 399
103　推薦引擎 // 407
104　推薦引擎庫的注意事項 // 415
105　總結 // 416

第11章　預測股票和商品價格 // 417
111　時序數據及時序分析 // 417
112　預測黃金價格 // 423
113　股票價格預測 // 432
114　總結 // 445

第12章　計算機視覺深度學習 // 447
121　卷積神經網絡 // 447
122　使用 CNN進行圖像分類 // 448
123　使用 CNN的藝術風格轉換 // 457
124　總結 // 467