深入浅出Python机器学习

✍ Scribed by 段小手

• Publisher: 清华大学出版社
• Year: 2018
• Tongue: Chinese
• Leaves: 293
• Category: Library

✦ Synopsis

机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者京东这样的电子商务网站购买商品，或者在爱奇艺或是腾讯视频这样的视频网站观看节目，甚至只是进行一次百度搜索，就已经触碰到了机器学习的应用。使用这些服务的用户会产生数据，这些数据会被收集，在进行预处理之后用来训练模型，而模型会通过这些数据来提供更好的用户体验。此外，目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及，如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中，现在就是一个非常理想的时机。

本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识，从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式，完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。

✦ Table of Contents

封面
扉页
内容简介
版权页
前言
目录
第1章　概述
1.1　什么是机器学习——从一个小故事开始
1.2　机器学习的一些应用场景——蝙蝠公司的业务单元
1.3　机器学习应该如何入门——世上无难事
1.4　有监督学习与无监督学习
1.5　机器学习中的分类与回归
1.6　模型的泛化、过拟合与欠拟合
1.7　小结
第2章　基于Python语言的环境配置
2.1　Python的下载和安装
2.2　Jupyter Notebook的安装与使用方法
2.3　一些必需库的安装及功能简介
2.4　scikit-learn——非常流行的Python机器学习库
2.5　小结
第3章　K最近邻算法——近朱者赤，近墨者黑
3.1　K最近邻算法的原理
3.2　K最近邻算法的用法
3.3　K最近邻算法项目实战——酒的分类
3.4　小结
第4章　广义线性模型——“耿直”的算法模型
4.1　线性模型的基本概念
4.2　最基本的线性模型——线性回归
4.3　使用L2正则化的线性模型——岭回归
4.4　使用L1正则化的线性模型——套索回归
4.5　小结
第5章　朴素贝叶斯——打雷啦，收衣服啊
5.1　朴素贝叶斯基本概念
5.2　朴素贝叶斯算法的不同方法
5.3　朴素贝叶斯实战——判断肿瘤是良性还是恶性
5.4　小结
第6章　决策树与随机森林——会玩读心术的算法
6.1　决策树
6.2　随机森林
6.3　随机森林实例——要不要和相亲对象进一步发展
6.4　小结
第7章　支持向量机SVM——专治线性不可分
7.1　支持向量机SVM基本概念
7.2　SVM的核函数与参数选择
7.3　SVM实例——波士顿房价回归分析
7.4　小结
第8章　神经网络——曾入“冷宫”，如今得宠
8.1　神经网络的前世今生
8.2　神经网络的原理及使用
8.3　神经网络实例——手写识别
8.4　小结
第9章　数据预处理、降维、特征提取及聚类——快刀斩乱麻
9.1　数据预处理
9.2　数据降维
9.3　特征提取
9.4　聚类算法
9.5　小结
第10章　数据表达与特征工程——锦上再添花
10.1　数据表达
10.2　数据“升维”
10.3　自动特征选择
10.4　小结
第11章　模型评估与优化——只有更好，没有最好
11.1　使用交叉验证进行模型评估
11.2　使用网格搜索优化模型参数
11.3　分类模型的可信度评估
11.4　小结
第12章　建立算法的管道模型——团结就是力量
12.1　管道模型的概念及用法
12.2　使用管道模型对股票涨幅进行回归分析
12.3　使用管道模型进行模型选择和参数调优
12.4　小结
第13章　文本数据处理——亲，见字如“数”
13.1　文本数据的特征提取、中文分词及词袋模型
13.2　对文本数据进一步进行优化处理
13.3　小结
第14章　从数据获取到话题提取——从“研究员”到“段子手”
14.1　简单页面的爬取
14.2　稍微复杂一点的爬取
14.3　对文本数据进行话题提取
14.4　小结
第15章　人才需求现状与未来学习方向——你是不是下一个“大牛”
15.1　人才需求现状
15.2　未来学习方向
15.3　技能磨炼与实际应用
15.4　小结
正文结束
参考文献