机器学习Web应用

图书目录:

第 1章　Python机器学习实践入门　1

1.1　机器学习常用概念　1

1.2　数据的准备、处理和可视化

—NumPy、pandas和matplotlib教程　6

1.2.1　NumPy的用法　6

1.2.2　理解pandas模块　23

1.2.3　matplotlib教程　32

1.3　本书使用的科学计算库　35

1.4　机器学习的应用场景　36

1.5　小结　36

第 2章　无监督机器学习　37

2.1　聚类算法　37

2.1.1　分布方法　38

2.1.2　质心点方法　40

2.1.3　密度方法　41

2.1.4　层次方法　44

2.2　降维　52

2.3　奇异值分解（SVD）　57

2.4　小结　58

第3章　有监督机器学习　59

3.1　模型错误评估　59

3.2　广义线性模型　60

3.2.1　广义线性模型的概率

解释　63

3.2.2　k近邻　63

3.3　朴素贝叶斯　64

3.3.1　多项式朴素贝叶斯　65

3.3.2　高斯朴素贝叶斯　66

3.4　决策树　67

3.5　支持向量机　70

3.6　有监督学习方法的对比　75

3.6.1　回归问题　75

3.6.2　分类问题　80

3.7　隐马尔可夫模型　84

3.8　小结　93

第4章　Web挖掘技术　94

4.1　Web结构挖掘　95

4.1.1　Web爬虫　95

4.1.2　索引器　95

4.1.3　排序—PageRank

算法　96

4.2　Web内容挖掘　97

句法解析　97

4.3　自然语言处理　98

4.4　信息的后处理　108

4.4.1　潜在狄利克雷分配　108

4.4.2　观点挖掘（情感

分析）　113

4.5　小结　117

第5章　推荐系统　118

5.1　效用矩阵　118

5.2　相似度度量方法　120

5.3　协同过滤方法　120

5.3.1　基于记忆的协同

过滤　121

5.3.2　基于模型的协同

过滤　126

5.4　CBF方法　130

5.4.1　商品特征平均得分

方法　131

5.4.2　正则化线性回归

方法　132

5.5　用关联规则学习，构建推荐

系统　133

5.6　对数似然比推荐方法　135

5.7　混合推荐系统　137

5.8　推荐系统评估　139

5.8.1　均方根误差（RMSE）

评估　140

5.8.2　分类效果的度量方法　143

5.9　小结　144

第6章　开始Django之旅　145

6.1　HTTP—GET和POST方法的

　基础　145

6.1.1　Django的安装和

服务器的搭建　146

6.1.2　配置　147

6.2　编写应用—Django

　**重要的功能　150

6.2.1　model　150

6.2.2　HTML网页背后的

URL和view　151

6.2.3　URL声明和view　154

6.3　管理后台　157

6.3.1　shell接口　158

6.3.2　命令　159

6.3.3　RESTful应用编程

接口（API）　160

6.4　小结　162

第7章　电影推荐系统Web应用　163

7.1　让应用跑起来　163

7.2　model　165

7.3　命令　166

7.4　实现用户的注册、登录和

　登出功能　172

7.5　信息检索系统（电影查询）　175

7.6　打分系统　178

7.7　推荐系统　180

7.8　管理界面和API　182

7.9　小结　184

第8章　影评情感分析应用　185

8.1　影评情感分析应用用法

　简介　185

8.2　搜索引擎的选取和应用的

　代码　187

8.3　Scrapy的配置和情感分析

　应用代码　189

8.3.1　Scrapy的设置　190

8.3.2　Scraper　190

8.3.3　Pipeline　193

8.3.4　爬虫　194

8.4　Django model　196

8.5　整合Django和Scrapy　197

8.5.1　命令（情感分析模型和

删除查询结果）　198

8.5.2　情感分析模型加载器　198

8.5.3　删除已执行过的查询　201

8.5.4　影评情感分析器—

Django　view和HTML

代码　202

8.6　PageRank：Django view和

　算法实现　206

8.7　管理后台和API　210

8.8　小结　212