《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授N...
电子书
内容简介
《Python机器学习》通过数学解释和编程示例描述了机器学习中的概念，每一章的内容都从技术的基本原理和基于真实数据集的工作实例开始，在提出应用算法建议的同时，指出了每种技术的优缺点。
《Python机器学习》提供了大量的Python代码示例。Python已成为主流编程语言之一，它免费且开源，并得到了开放社区的支持，其中包含大量的库供读者直接使用。
此外，Python还具有可扩展性，能够处理海量的数据，特别适用于大数据技术。
《Python机器学习》有如下的显著特点：
1 涵盖机器学习的所有主要领域；
2 讨论主题和图解说明；
3 不同ML方法的比较，解决任何问题；
4 在应用任何ML算法之前处理真实世界噪声数据的方法；
5 每个概念的python代码示例；
6 Jupyter Notebook脚本提供了用于测试和测试算法的数据集。
走进机器学习
了解 Python
特征工程
数据可视化
基本和高级回归技术
分类
无监督学习
文本分析
神经网络和深度学习
推荐系统
时间序列分析
章节目录
- 封面
- 内容提要
- 感谢
- 前言
- 资源与支持
- 目录
- 第1章 走进机器学习
- 1.1 机器学习概述
- 1.2 机器学习过程
- 第2章 了解Python
- 2.1 为什么选择Python
- 2.2 下载和安装Python
- 2.2.1 在Windows中安装Python
- 2.2.2 Anaconda
- 2.3 首个Python程序
- 2.4 Python基础
- 2.5 数据结构与循环
- 第3章 特征工程
- 3.1 什么是特征
- 3.2 为什么执行特征工程
- 3.3 特征提取
- 3.4 特征选择
- 3.5 特征工程方法——通用准则
- 3.5.1 处理数值特征
- 3.5.2 处理分类特征
- 3.5.3 处理基于时间的特征
- 3.5.4 处理文本特征
- 3.5.5 缺失数据
- 3.5.6 降维
- 3.6 用Python进行特征工程
- 3.6.1 Pandas基本操作
- 3.6.2 常见任务
- 第4章 数据可视化
- 4.1 折线图
- 4.2 条形图
- 4.3 饼图
- 4.4 直方图
- 4.5 散点图
- 4.6 箱线图
- 4.7 采用面向对象的方式绘图
- 4.8 Seaborn
- 4.8.1 分布图
- 4.8.2 双变量分布
- 4.8.3 二元分布的核密度估计
- 4.8.4 成对双变量分布
- 4.8.5 分类散点图
- 4.8.6 小提琴图
- 4.8.7 点图
- 第5章 回归
- 5.1 简单回归
- 5.2 多元回归
- 5.3 模型评价
- 5.3.1 训练误差
- 5.3.2 泛化误差
- 5.3.3 测试误差
- 5.3.4 不可约误差
- 5.3.5 偏差—方差权衡
- 第6章 高级回归
- 6.1 概述
- 6.2 岭回归
- 6.3 套索回归
- 6.3.1 全子集算法
- 6.3.2 用于特征选择的贪心算法
- 6.3.3 特征选择的正则化
- 6.4 非参数回归
- 6.4.1 K-最近邻回归
- 6.4.2 核回归
- 第7章 分类
- 7.1 线性分类器
- 7.2 逻辑回归
- 7.3 决策树
- 7.3.1 关于树的术语
- 7.3.2 决策树学习
- 7.3.3 决策边界
- 7.4 随机森林
- 7.5 朴素贝叶斯
- 第8章 无监督学习
- 8.1 聚类
- 8.2 K-均值聚类
- 8.2.1 随机分配聚类质心的问题
- 8.2.2 查找K的值
- 8.3 分层聚类
- 8.3.1 距离矩阵
- 8.3.2 连接
- 第9章 文本分析
- 9.1 使用Python进行基本文本处理
- 9.1.1 字符串比较
- 9.1.2 字符串转换
- 9.1.3 字符串操作
- 9.2 正则表达式
- 9.3 自然语言处理
- 9.3.1 词干提取
- 9.3.2 词形还原
- 9.3.3 分词
- 9.4 文本分类
- 9.5 主题建模
- 第10章 神经网络与深度学习
- 10.1 矢量化
- 10.2 神经网络
- 10.2.1 梯度下降
- 10.2.2 激活函数
- 10.2.3 参数初始化
- 10.2.4 优化方法
- 10.2.5 损失函数
- 10.3 深度学习
- 10.4 深度学习架构
- 10.4.1 深度信念网络
- 10.4.2 卷积神经网络
- 10.4.3 循环神经网络
- 10.4.4 长短期记忆网络
- 10.4.5 深度堆栈网络
- 10.5 深度学习框架
- 第11章 推荐系统
- 11.1 基于流行度的推荐引擎
- 11.2 基于内容的推荐引擎
- 11.3 基于分类的推荐引擎
- 11.4 协同过滤
- 第12章 时间序列分析
- 12.1 处理日期和时间
- 12.2 窗口函数
- 12.3 相关性
- 12.4 时间序列预测
展开全部
Python机器学习是2019年由人民邮电出版社出版,作者[印]阿布舍克·维贾亚瓦吉亚（Abhishek Vijayvargia）。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python机器学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授N...
电子书
本书使用Python的机器学习算法库scikit-learn讲解机器学习重要算法的应用，内容包括机器学习认知、数据预处理、KNN算法、线性回归算法、逻辑回归算法、朴素贝叶斯算法...
电子书
本书共8章，内容包括Python概述、NumPy数值计算、pandas基础、pandas进阶、Matplotlib绘图、scikit-learn、餐饮企业综合分析与预测、通信运...
电子书
近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学和计算机科学知识的情况下，能够快速上手，使用Python语言实现常用的机器学习算法，并解决...
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推...
电子书
大数据时代为机器学习的应用提供了广阔的空间，各行各业涉及数据分析的工作都需要使用机器学习算法。本书围绕实际数据分析的流程展开，着重介绍数据探索、数据预处理和常用的机器学习算法模...