详情
这本书通过数学解释和编程例子描述了机器学习的概念。每一章的内容都是从技术的基本原理和基于真实数据集工作实例开始的。在应用算法的指导下，每种技术都有各自的优点和缺点。
本书提供了python中的代码示例。Python现在已经被全世界所接受。首先，它是免费、开源的。它包含了来自开放社区的非常好的支持。它包含大量的库，所以您不需要编写任何代码。此外，它可扩展为大量数据，适用于大数据技术。
第 1章 走进机器学习 1
1.1 机器学习概述 1
1.2 机器学习过程 2
第 2章 了解Python 20
2.1 为什么选择Python 20
2.2 下载和安装Python 22
2.2.1 在Windows中安装Python 22
2.2.2 Anaconda 24
2.3 首个Python程序 26
2.4 Python基础 27
2.5 数据结构与循环 36
第3章 特征工程 42
3.1 什么是特征 42
3.2 为什么执行特征工程 43
3.3 特征提取 43
3.4 特征选择 43
3.5 特征工程方法——通用准则 44
3.5.1 处理数值特征 44
3.5.2 处理分类特征 45
3.5.3 处理基于时间的特征 47
3.5.4 处理文本特征 47
3.5.5 缺失数据 48
3.5.6 降维 48
3.6 用Python进行特征工程 49
3.6.1 Pandas基本操作 49
3.6.2 常见任务 57
第4章 数据可视化 62
4.1 折线图 63
4.2 条形图 66
4.3 饼图 67
4.4 直方图 68
4.5 散点图 69
4.6 箱线图 70
4.7 采用面向对象的方式绘图 71
4.8 Seaborn 73
4.8.1 分布图 74
4.8.2 双变量分布 75
4.8.3 二元分布的核密度估计 75
4.8.4 成对双变量分布 76
4.8.5 分类散点图 76
4.8.6 小提琴图 77
4.8.7 点图 78
第5章 回归 79
5.1 简单回归 80
5.2 多元回归 92
5.3 模型评价 94
5.3.1 训练误差 95
5.3.2 泛化误差 96
5.3.3 测试误差 97
5.3.4 不可约误差 98
5.3.5 偏差—方差权衡 99
第6章 更多回归 105
6.1 概述 105
6.2 岭回归 112
6.3 套索回归 118
6.3.1 全子集算法 118
6.3.2 用于特征选择的贪心算法 119
6.3.3 特征选择的正则化 119
6.4 非参数回归 122
6.4.1 K-最近邻回归 124
6.4.2 核回归 127
第7章 分类 128
7.1 线性分类器 129
7.2 逻辑回归 133
7.3 决策树 147
7.3.1 关于树的术语 148
7.3.2 决策树学习 149
7.3.3 决策边界 151
7.4 随机森林 158
7.5 朴素贝叶斯 164
第8章 无监督学习 169
8.1 聚类 170
8.2 K-均值聚类 170
8.2.1 随机分配聚类质心的问题 175
8.2.2 查找K的值 175
8.3 分层聚类 182
8.3.1 距离矩阵 184
8.3.2 连接 185
第9章 文本分析 189
9.1 使用Python进行基本文本处理 189
9.1.1 字符串比较 191
9.1.2 字符串转换 191
9.1.3 字符串操作 192
9.2 正则表达式 193
9.3 自然语言处理 195
9.3.1 词干提取 196
9.3.2 词形还原 197
9.3.3 分词 197
9.4 文本分类 200
9.5 主题建模 206
第 10章 神经网络与深度学习 209
10.1 矢量化 210
10.2 神经网络 218
10.2.1 梯度下降 220
10.2.2 激活函数 221
10.2.3 参数初始化 224
10.2.4 优化方法 227
10.2.5 损失函数 227
10.3 深度学习 229
10.4 深度学习架构 230
10.4.1 深度信念网络 231
10.4.2 卷积神经网络 231
10.4.3 循环神经网络 231
10.4.4 长短期记忆网络 231
10.4.5 深度堆栈网络 232
10.5 深度学习框架 232
第 11章 推荐系统 237
11.1 基于流行度的推荐引擎 237
11.2 基于内容的推荐引擎 240
11.3 基于分类的推荐引擎 243
11.4 协同过滤 245
第 12章 时间序列分析 249
12.1 处理日期和时间 249
12.2 窗口函数 254
12.3 相关性 258
12.4 时间序列预测 261
