Scikit-learn機(jī)器學(xué)習(xí)詳解（上）

定　價(jià)：￥99.00

作　者：	潘風(fēng)文，潘啟儒著
出版社：	化學(xué)工業(yè)出版社
叢編項(xiàng)：	人工智能開發(fā)叢書
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

京東 (￥68.30)

ISBN：	9787122378491	出版時(shí)間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	348	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書主要內(nèi)容包括機(jī)器學(xué)習(xí)介紹，NumPy、Pandas、SciPy庫(kù)、Matplotlib（可視化）四個(gè)基礎(chǔ)模塊，Scikit-learn算法、模型、擬合、過擬合、欠擬合、模型性能度量指標(biāo)、數(shù)據(jù)標(biāo)準(zhǔn)化、非線性轉(zhuǎn)換、離散化，以及特征抽取和降維的各種方法，包括特征哈希、文本特征抽取、特征聚合等。全書通過實(shí)用范例和圖解形式講解，選材典型，案例豐富，適合從事大數(shù)據(jù)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等人工智能領(lǐng)域開發(fā)的各類人員。

作者簡(jiǎn)介

　　潘風(fēng)文，博士，從事大數(shù)據(jù)、人工智能領(lǐng)域的研究和實(shí)踐二十多年，成功主持過多項(xiàng)大型數(shù)據(jù)倉(cāng)庫(kù)及商業(yè)智能BI項(xiàng)目，包括電商平臺(tái)用戶畫像智能系統(tǒng)，Themis企業(yè)征信盡調(diào)平臺(tái)智能系統(tǒng)，武漢農(nóng)商行數(shù)據(jù)倉(cāng)庫(kù)DW系統(tǒng)，金融界大型網(wǎng)站數(shù)據(jù)分析系統(tǒng)，CGoGo手機(jī)搜索引擎，陜西移動(dòng)BI智能分析系統(tǒng)，中國(guó)電信移動(dòng)支付系統(tǒng)等，主持過數(shù)據(jù)挖掘人工智能領(lǐng)域多項(xiàng)國(guó)家科研項(xiàng)目。

圖書目錄

1　機(jī)器學(xué)習(xí) 1
1.1　機(jī)器學(xué)習(xí)和人工智能 2
1.2　機(jī)器學(xué)習(xí)和大數(shù)據(jù) 4
1.3　機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘 6
1.4　機(jī)器學(xué)習(xí)分類和應(yīng)用 7
1.5　機(jī)器學(xué)習(xí)開發(fā)步驟 10
1.5.1　數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程 10
1.5.2　機(jī)器學(xué)習(xí)開發(fā)步驟 15
本章小結(jié) 18

2　Scikit-learn預(yù)備知識(shí) 20
2.1　NumPy 21
2.1.1　NumPy數(shù)組概念 23
2.1.2　NumPy數(shù)據(jù)類型 24
2.1.3　NumPy數(shù)組創(chuàng)建 26
2.1.4　NumPy數(shù)組操作 37
2.1.5　NumPy隨機(jī)數(shù) 51
2.1.6　NumPy輸入輸出 57
2.1.7　NumPy矩陣 58
2.1.8　NumPy線性代數(shù) 59
2.1.9　NumPy常數(shù) 63
2.2　Pandas 63
2.2.1　Pandas數(shù)據(jù)結(jié)構(gòu) 64
2.2.2　Pandas頂層函數(shù) 114
2.2.3　Pandas應(yīng)用舉例 115
2.3　SciPy庫(kù) 122
2.3.1　SciPy庫(kù)基礎(chǔ)知識(shí) 123
2.3.2　稀疏矩陣及其處理 124
2.3.3　SciPy庫(kù)應(yīng)用舉例 138
2.4　Matplotlib 144
2.4.1　Matplotlib基礎(chǔ)知識(shí) 145
2.4.2　Matplotlib應(yīng)用舉例 149
本章小結(jié) 161

3　Scikit-learn基礎(chǔ)應(yīng)用 163
3.1　機(jī)器學(xué)習(xí)的算法和模型 164
3.1.1　特征變量和目標(biāo)變量 165
3.1.2　算法訓(xùn)練 166
3.1.3　過擬合和欠擬合 174
3.1.4　模型性能度量 175
3.2　模型選擇 180
3.3　Scikit-learn的功能模塊 180
3.4　Scikit-learn 應(yīng)用 182
3.4.1　安裝Scikit-learn 182
3.4.2　數(shù)據(jù)導(dǎo)入 183
3.4.3　模型持久化 185
3.4.4　文本數(shù)據(jù)處理 186
3.4.5　隨機(jī)狀態(tài)控制 187
3.4.6　分類型變量處理 187
3.4.7　Pandas數(shù)據(jù)框處理 188
3.4.8　輸入輸出約定 188
3.5　應(yīng)用實(shí)例 191
本章小結(jié) 193

4　Scikit-learn數(shù)據(jù)變換 195
4.1　概念介紹 196
4.1.1　評(píng)估器（estimator） 196
4.1.2　轉(zhuǎn)換器（transformer） 197
4.1.3　管道（pipeline） 198
4.2　數(shù)據(jù)預(yù)處理 199
4.2.1　數(shù)據(jù)標(biāo)準(zhǔn)化 201
4.2.2　數(shù)據(jù)非線性轉(zhuǎn)換 223
4.2.3　數(shù)據(jù)歸一化 232
4.2.4　分類型特征變量編碼 237
4.2.5　數(shù)據(jù)離散化 245
4.2.6　特征組合 251
4.3　缺失值處理 254
4.3.1　單變量插補(bǔ) 255
4.3.2　多變量插補(bǔ) 258
4.3.3　最近鄰插補(bǔ) 262
4.3.4　標(biāo)記插補(bǔ)缺失值 264
4.4　目標(biāo)變量預(yù)處理 268
4.4.1　多類別分類標(biāo)簽二值化 268
4.4.2　多標(biāo)簽分類標(biāo)簽二值化 273
4.4.3　目標(biāo)變量標(biāo)簽編碼 276
本章小結(jié) 279

5　Scikit-learn特征抽取和降維 281
5.1　特征抽取 282
5.1.1　字典列表對(duì)象向量化 283
5.1.2　特征哈希 286
5.1.3　文本特征抽取 291
5.1.4　圖像特征抽取 316
5.2　特征降維 320
5.2.1　主成分分析 321
5.2.2　特征聚合 326
5.2.3　隨機(jī)投影 330
本章小結(jié) 340

附錄 342
1. 互操作和框架增強(qiáng)包 343
2. 評(píng)估器和任務(wù)擴(kuò)展包 344
3. 統(tǒng)計(jì)知識(shí)擴(kuò)展包 347
4. 推薦引擎擴(kuò)展包 347
5. 特定領(lǐng)域的擴(kuò)展包 347