Python機(jī)器學(xué)習(xí)

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(biāo)　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?jǐn)?shù)：

內(nèi)容簡介

　　《Python機(jī)器學(xué)習(xí)》通過解釋數(shù)學(xué)原理和展示編程示例對機(jī)器學(xué)習(xí)進(jìn)行了系統(tǒng)、全面的解析。《Python機(jī)器學(xué)習(xí)》共分為12章，內(nèi)容涵蓋了機(jī)器學(xué)習(xí)以及Python語言的基礎(chǔ)知識、特征工程的概念與操作技術(shù)、數(shù)據(jù)可視化技術(shù)的實現(xiàn)、監(jiān)督學(xué)習(xí)及無監(jiān)督學(xué)習(xí)算法、文本分析、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)、推薦系統(tǒng)的構(gòu)建方法以及預(yù)測處理時間序列的方法等。閱讀《Python機(jī)器學(xué)習(xí)》能夠加深讀者對機(jī)器學(xué)習(xí)的認(rèn)識和理解，從而達(dá)到理論與實踐相結(jié)合、學(xué)以致用的目的。《Python機(jī)器學(xué)習(xí)》適合Python程序員、數(shù)據(jù)分析人員、對機(jī)器學(xué)習(xí)感興趣的讀者以及機(jī)器學(xué)習(xí)領(lǐng)域的從業(yè)人員閱讀。

作者簡介

　　Abhishek Vijayvargia是一位數(shù)據(jù)科學(xué)家，他活躍在IT技術(shù)領(lǐng)域，并解決了與數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)相關(guān)的實時問題。他專注于數(shù)據(jù)分析，涉及的領(lǐng)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(xué)院坎普爾分校的人工智能專業(yè)碩士學(xué)位，關(guān)注方向是分布式機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、流處理和區(qū)塊鏈。他擔(dān)任各種機(jī)器學(xué)習(xí)課題的導(dǎo)師，并進(jìn)行其他算法、數(shù)據(jù)方面的培訓(xùn)。

圖書目錄

第 1章走進(jìn)機(jī)器學(xué)習(xí)1
1．1 機(jī)器學(xué)習(xí)概述1
1．2 機(jī)器學(xué)習(xí)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(chǔ)27
2．5 數(shù)據(jù)結(jié)構(gòu)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(zhǔn)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(jìn)行特征工程49
3．6．1 Pandas基本操作49
3．6．2 常見任務(wù)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?qū)ο蟮姆绞嚼L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(xùn)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(quán)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(guān)于樹的術(shù)語148
7．3．2 決策樹學(xué)習(xí)149
7．3．3 決策邊界151
7．4 隨機(jī)森林158
7．5 樸素貝葉斯164
第8章無監(jiān)督學(xué)習(xí)169
8．1 聚類170
8．2 K-均值聚類170
8．2．1 隨機(jī)分配聚類質(zhì)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(jìn)行基本文本處理189
9．1．1 字符串比較191
9．1．2 字符串轉(zhuǎn)換191
9．1．3 字符串操作192
9．2 正則表達(dá)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(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)209
10．1 矢量化210
10．2 神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)229
10．4 深度學(xué)習(xí)架構(gòu)230
10．4．1 深度信念網(wǎng)絡(luò)231
10．4．2 卷積神經(jīng)網(wǎng)絡(luò)231
10．4．3 循環(huán)神經(jīng)網(wǎng)絡(luò)231
10．4．4 長短期記憶網(wǎng)絡(luò)231
10．4．5 深度堆棧網(wǎng)絡(luò)232
10．5 深度學(xué)習(xí)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(nèi)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(guān)性258
12．4 時間序列預(yù)測261