《Python機器學習經典實例第2版》是2021年人民郵電出版社出版的圖書，作者是朱塞佩·查博羅（Giuseppe Ciaburro）。
基本介紹
內容簡介,圖書目錄,作者簡介,
內容簡介
本書介紹了如何使用scikit-learn、TensorFlow等關鍵庫來有效解決現實世界的機器學習問題。本書著重於實用的解決方案，提供多個案例，詳細地講解了如何使用Python生態系統中的現代庫來構建功能強大的機器學習應用程式；還介紹了分類、聚類和推薦引擎等多種機器學習算法，以及如何將監督學習和無監督學習技術套用於實際問題；後，介紹了強化學習、深度神經網路和自動機器學習等套用示例。
本書適合數據科學家、機器學習開發人員、深度學習愛好者以及希望使用機器學習技術和算法解決實際問題的Python程式設計師閱讀。
圖書目錄
第 1章 監督學習 1
1.1 技術要求 1
1.2 簡介 2
1.3 用Python創建數組 3
1.3.1 準備工作 3
1.3.2 詳細步驟 3
1.3.3 工作原理 4
1.3.4 更多內容 4
1.4 用均值移除法進行數據預處理 5
1.4.1 準備工作 5
1.4.2 詳細步驟 6
1.4.3 工作原理 7
1.4.4 更多內容 7
1.5 數據縮放 7
1.5.1 準備工作 7
1.5.2 詳細步驟 8
1.5.3 工作原理 9
1.5.4 更多內容 9
1.6 歸一化 9
1.6.1 準備工作 9
1.6.2 詳細步驟 10
1.6.3 工作原理 10
1.6.4 更多內容 10
1.7 二值化 10
1.7.1 準備工作 11
1.7.2 詳細步驟 11
1.7.3 工作原理 11
1.7.4 更多內容 12
1.8 one-hot編碼 12
1.8.1 準備工作 12
1.8.2 詳細步驟 12
1.8.3 工作原理 13
1.8.4 更多內容 14
1.9 標籤編碼 14
1.9.1 準備工作 14
1.9.2 詳細步驟 14
1.9.3 工作原理 15
1.9.4 更多內容 16
1.10 構建線性回歸器 16
1.10.1 準備工作 17
1.10.2 詳細步驟 18
1.10.3 工作原理 20
1.10.4 更多內容 20
1.11 計算回歸準確度 21
1.11.1 準備工作 21
1.11.2 詳細步驟 21
1.11.3 工作原理 22
1.11.4 更多內容 22
1.12 模型持久化 22
1.12.1 準備工作 22
1.12.2 詳細步驟 23
1.12.3 工作原理 23
1.12.4 更多內容 23
1.13 構建嶺回歸器 24
1.13.1 準備工作 25
1.13.2 詳細步驟 25
1.13.3 工作原理 26
1.14 構建多項式回歸器 26
1.14.1 準備工作 27
1.14.2 詳細步驟 27
1.14.3 工作原理 29
1.14.4 更多內容 29
1.15 估算房屋價格 29
1.15.1 準備工作 30
1.15.2 詳細步驟 30
1.15.3 工作原理 33
1.15.4 更多內容 33
1.16 計算特徵的相對重要性 33
1.16.1 準備工作 34
1.16.2 詳細步驟 34
1.16.3 工作原理 36
1.16.4 更多內容 36
1.17 評估共享腳踏車的需求分布 36
1.17.1 準備工作 36
1.17.2 詳細步驟 36
1.17.3 工作原理 39
1.17.4 更多內容 39
第 2章 構建分類器 41
2.1 技術要求 41
2.2 簡介 42
2.3 構建簡單分類器 42
2.3.1 準備工作 43
2.3.2 詳細步驟 43
2.3.3 工作原理 45
2.3.4 更多內容 45
2.4 構建邏輯回歸分類器 45
2.4.1 準備工作 45
2.4.2 詳細步驟 46
2.4.3 工作原理 49
2.4.4 更多內容 49
2.5 構建樸素貝葉斯分類器 49
2.5.1 準備工作 50
2.5.2 詳細步驟 50
2.5.3 工作原理 52
2.5.4 更多內容 53
2.6 將數據集劃分成訓練集和測試集 53
2.6.1 準備工作 54
2.6.2 詳細步驟 54
2.6.3 工作原理 56
2.6.4 更多內容 57
2.7 用交叉驗證評估模型準確度 57
2.7.1 準備工作 57
2.7.2 詳細步驟 57
2.7.3 工作原理 58
2.7.4 更多內容 59
2.8 混淆矩陣可視化 59
2.8.1 準備工作 60
2.8.2 詳細步驟 60
2.8.3 工作原理 61
2.8.4 更多內容 62
2.9 提取性能報告 62
2.9.1 準備工作 62
2.9.2 詳細步驟 62
2.9.3 工作原理 63
2.9.4 更多內容 63
2.10 根據特徵評估汽車質量 63
2.10.1 準備工作 63
2.10.2 詳細步驟 64
2.10.3 工作原理 66
2.10.4 更多內容 66
2.11 生成驗證曲線 66
2.11.1 準備工作 67
2.11.2 詳細步驟 67
2.11.3 工作原理 69
2.11.4 更多內容 69
2.12 生成學習曲線 69
2.12.1 準備工作 70
2.12.2 詳細步驟 70
2.12.3 工作原理 71
2.12.4 更多內容 71
2.13 估算收入階層 71
2.13.1 準備工作 72
2.13.2 詳細步驟 72
2.13.3 工作原理 75
2.13.4 更多內容 75
2.14 葡萄酒質量預測 75
2.14.1 準備工作 76
2.14.2 詳細步驟 76
2.14.3 工作原理 78
2.14.4 更多內容 78
2.15 新聞組熱門話題分類 78
2.15.1 準備工作 78
2.15.2 詳細步驟 79
2.15.3 工作原理 80
2.15.4 更多內容 80
第3章 預測建模 81
3.1 技術要求 81
3.2 簡介 82
3.3 用SVM構建線性分類器 82
3.3.1 準備工作 83
3.3.2 詳細步驟 84
3.3.3 工作原理 86
3.3.4 更多內容 87
3.4 用SVM構建非線性分類器 87
3.4.1 準備工作 87
3.4.2 詳細步驟 87
3.4.3 工作原理 89
3.4.4 更多內容 89
3.5 解決類型不平衡問題 89
3.5.1 準備工作 90
3.5.2 詳細步驟 90
3.5.3 工作原理 93
3.5.4 更多內容 93
3.6 提取置信度 93
3.6.1 準備工作 93
3.6.2 詳細步驟 93
3.6.3 工作原理 95
3.6.4 更多內容 96
3.7 尋找超參數 96
3.7.1 準備工作 96
3.7.2 詳細步驟 96
3.7.3 工作原理 100
3.7.4 更多內容 101
3.8 構建事件預測器 101
3.8.1 準備工作 101
3.8.2 詳細步驟 102
3.8.3 工作原理 104
3.8.4 更多內容 104
3.9 估算交通流量 104
3.9.1 準備工作 104
3.9.2 詳細步驟 105
3.9.3 工作原理 107
3.9.4 更多內容 107
3.10 用TensorFlow簡化機器學習流程 107
3.10.1 準備工作 107
3.10.2 詳細步驟 108
3.10.3 工作原理 109
3.10.4 更多內容 109
3.11 堆疊法實現 109
3.11.1 準備工作 109
3.11.2 詳細步驟 109
3.11.3 工作原理 110
3.11.4 更多內容 111
第4章 無監督學習——聚類 112
4.1 技術要求 112
4.2 簡介 113
4.3 用k-means算法聚類數據 113
4.3.1 準備工作 114
4.3.2 詳細步驟 114
4.3.3 工作原理 116
4.3.4 更多內容 117
4.4 用向量量化壓縮圖片 117
4.4.1 準備工作 118
4.4.2 詳細步驟 118
4.4.3 工作原理 121
4.4.4 更多內容 121
4.5 用凝聚層次聚類進行數據分組 122
4.5.1 準備工作 122
4.5.2 詳細步驟 122
4.5.3 工作原理 125
4.5.4 更多內容 125
4.6 評估聚類算法性能 126
4.6.1 準備工作 126
4.6.2 詳細步驟 126
4.6.3 工作原理 129
4.6.4 更多內容 129
4.7 用DBSCAN算法估算簇的個數 129
4.7.1 準備工作 130
4.7.2 詳細步驟 130
4.7.3 工作原理 133
4.7.4 更多內容 133
4.8 探索股票數據模式 134
4.8.1 準備工作 134
4.8.2 詳細步驟 134
4.8.3 工作原理 136
4.8.4 更多內容 136
4.9 構建市場區隔模型 136
4.9.1 準備工作 136
4.9.2 詳細步驟 137
4.9.3 工作原理 139
4.9.4 更多內容 139
4.10 用自動編碼器重構手寫數字圖像 139
4.10.1 準備工作 140
4.10.2 詳細步驟 140
4.10.3 工作原理 143
4.10.4 更多內容 144
第5章 可視化數據 145
5.1 技術需求 145
5.2 簡介 146
5.3 畫3D散點圖 146
5.3.1 準備工作 146
5.3.2 詳細步驟 146
5.3.3 工作原理 148
5.3.4 更多內容 148
5.4 畫氣泡圖 148
5.4.1 準備工作 148
5.4.2 詳細步驟 148
5.4.3 工作原理 149
5.4.4 更多內容 150
5.5 畫動態氣泡圖 150
5.5.1 準備工作 150
5.5.2 詳細步驟 150
5.5.3 工作原理 152
5.5.4 更多內容 152
5.6 畫餅圖 152
5.6.1 準備工作 152
5.6.2 詳細步驟 153
5.6.3 工作原理 154
5.6.4 更多內容 154
5.7 繪製日期格式的時間序列數據 154
5.7.1 準備工作 154
5.7.2 詳細步驟 154
5.7.3 工作原理 156
5.7.4 更多內容 156
5.8 畫直方圖 156
5.8.1 準備工作 157
5.8.2 詳細步驟 157
5.8.3 工作原理 158
5.8.4 更多內容 159
5.9 可視化熱力圖 159
5.9.1 準備工作 159
5.9.2 詳細步驟 159
5.9.3 工作原理 161
5.9.4 更多內容 161
5.10 動態信號的可視化模擬 161
5.10.1 準備工作 161
5.10.2 詳細步驟 161
5.10.3 工作原理 163
5.10.4 更多內容 164
5.11 用seaborn庫畫圖 164
5.11.1 準備工作 164
5.11.2 詳細步驟 164
5.11.3 工作原理 166
5.11.4 更多內容 166
第6章 構建推薦引擎 167
6.1 技術要求 167
6.2 簡介 168
6.3 為數據處理構建函式組合 168
6.3.1 準備工作 169
6.3.2 詳細步驟 169
6.3.3 工作原理 170
6.3.4 更多內容 170
6.4 構建機器學習管道 171
6.4.1 準備工作 171
6.4.2 詳細步驟 171
6.4.3 工作原理 173
6.4.4 更多內容 173
6.5 構建近鄰分類器 173
6.5.1 準備工作 173
6.5.2 詳細步驟 173
6.5.3 工作原理 175
6.5.4 更多內容 176
6.6 構建KNN分類器 176
6.6.1 準備工作 176
6.6.2 詳細步驟 176
6.6.3 工作原理 180
6.6.4 更多內容 181
6.7 構建KNN回歸器 181
6.7.1 準備工作 181
6.7.2 詳細步驟 181
6.7.3 工作原理 183
6.7.4 更多內容 184
6.8 計算歐式距離分數 184
6.8.1 準備工作 184
6.8.2 詳細步驟 184
6.8.3 工作原理 186
6.8.4 更多內容 186
6.9 計算皮爾遜相關係數 186
6.9.1 準備工作 186
6.9.2 詳細步驟 186
6.9.3 工作原理 188
6.9.4 更多內容 189
6.10 查找數據集中的相似用戶 189
6.10.1 準備工作 189
6.10.2 詳細步驟 189
6.10.3 工作原理 190
6.10.4 更多內容 191
6.11 生成電影推薦 191
6.11.1 準備工作 191
6.11.2 詳細步驟 191
6.11.3 工作原理 193
6.11.4 更多內容 193
6.12 實現排序算法 193
6.12.1 準備工作 194
6.12.2 詳細步驟 194
6.12.3 工作原理 195
6.12.4 更多內容 195
6.13 用TensorFlow構建過濾器模型 195
6.13.1 準備工作 196
6.13.2 詳細步驟 196
6.13.3 工作原理 200
6.13.4 更多內容 200
第7章 文本數據分析 201
7.1 技術要求 201
7.2 簡介 202
7.3 用標記解析的方法預處理數據 203
7.3.1 準備工作 203
7.3.2 詳細步驟 203
7.3.3 工作原理 204
7.3.4 更多內容 205
7.4 提取文本數據的詞幹 205
7.4.1 準備工作 205
7.4.2 詳細步驟 205
7.4.3 工作原理 206
7.4.4 更多內容 207
7.5 用詞形還原的方法還原文本的基本形式 207
7.5.1 準備工作 207
7.5.2 詳細步驟 207
7.5.3 工作原理 208
7.5.4 更多內容 209
7.6 用分塊的方法劃分文本 209
7.6.1 詳細步驟 209
7.6.2 工作原理 210
7.6.3 更多內容 211
7.7 構建詞袋模型 211
7.7.1 準備工作 211
7.7.2 詳細步驟 211
7.7.3 工作原理 213
7.7.4 更多內容 214
7.8 構建文本分類器 214
7.8.1 準備工作 214
7.8.2 詳細步驟 214
7.8.3 工作原理 216
7.8.4 更多內容 217
7.9 識別名字性別 217
7.9.1 準備工作 217
7.9.2 詳細步驟 217
7.9.3 工作原理 219
7.9.4 更多內容 219
7.10 語句情感分析 219
7.10.1 準備工作 220
7.10.2 詳細步驟 220
7.10.3 工作原理 222
7.10.4 更多內容 223
7.11 用主題建模識別文本模式 223
7.11.1 準備工作 223
7.11.2 詳細步驟 223
7.11.3 工作原理 225
7.11.4 更多內容 226
7.12 用spaCy進行詞性標註 226
7.12.1 準備工作 226
7.12.2 詳細步驟 226
7.12.3 工作原理 227
7.12.4 更多內容 227
7.13 用gensim構建Word2Vec模型 228
7.13.1 準備工作 228
7.13.2 詳細步驟 228
7.13.3 工作原理 229
7.13.4 更多內容 229
7.14 用淺層學習檢測垃圾信息 229
7.14.1 準備工作 229
7.14.2 詳細步驟 230
7.14.3 工作原理 230
7.14.4 更多內容 231
第8章 語音識別 232
8.1 技術要求 232
8.2 簡介 233
8.3 讀取和繪製音頻數據 233
8.3.1 準備工作 233
8.3.2 詳細步驟 234
8.3.3 工作原理 235
8.3.4 更多內容 235
8.4 將音頻信號轉換為頻域 236
8.4.1 準備工作 236
8.4.2 詳細步驟 236
8.4.3 工作原理 238
8.4.4 更多內容 238
8.5 用自定義參數生成音頻信號 238
8.5.1 準備工作 238
8.5.2 詳細步驟 239
8.5.3 工作原理 240
8.5.4 更多內容 241
8.6 合成音樂 241
8.6.1 準備工作 241
8.6.2 詳細步驟 241
8.6.3 工作原理 243
8.6.4 更多內容 243
8.7 提取頻域特徵 243
8.7.1 準備工作 244
8.7.2 詳細步驟 244
8.7.3 工作原理 246
8.7.4 更多內容 246
8.8 構建隱馬爾可夫模型 246
8.8.1 準備工作 246
8.8.2 詳細步驟 246
8.8.3 工作原理 247
8.8.4 更多內容 248
8.9 構建語音識別器 248
8.9.1 準備工作 248
8.9.2 詳細步驟 249
8.9.3 工作原理 252
8.9.4 更多內容 253
8.10 構建TTS系統 253
8.10.1 準備工作 253
8.10.2 詳細步驟 253
8.10.3 工作原理 254
8.10.4 更多內容 255
第9章 時序列化和時序數據分析 256
9.1 技術要求 256
9.2 簡介 257
9.3 將數據轉換為時間序列格式 257
9.3.1 準備工作 257
9.3.2 詳細步驟 258
9.3.3 工作原理 259
9.3.4 更多內容 260
9.4 切分時間序列數據 260
9.4.1 準備工作 260
9.4.2 詳細步驟 260
9.4.3 工作原理 262
9.4.4 更多內容 262
9.5 操作時間序列數據 262
9.5.1 準備工作 262
9.5.2 詳細步驟 263
9.5.3 工作原理 264
9.5.4 更多內容 265
9.6 從時序數據中提取統計信息 265
9.6.1 準備工作 265
9.6.2 詳細步驟 265
9.6.3 工作原理 267
9.6.4 更多內容 267
9.7 為序列數據構建隱馬爾可夫模型 268
9.7.1 準備工作 268
9.7.2 詳細步驟 268
9.7.3 工作原理 271
9.7.4 更多內容 271
9.8 為序列化文本數據構建條件隨機場 271
9.8.1 準備工作 271
9.8.2 詳細步驟 272
9.8.3 工作原理 274
9.8.4 更多內容 274
9.9 股市數據分析 274
9.9.1 準備工作 275
9.9.2 詳細步驟 275
9.9.3 工作原理 278
9.9.4 更多內容 278
9.10 用RNN預測時間序列數據 279
9.10.1 準備工作 279
9.10.2 詳細步驟 279
9.10.3 工作原理 283
9.10.4 更多內容 283
第 10章 圖像內容分析 284
10.1 技術要求 284
10.2 簡介 285
10.3 用OpenCV_Python操作圖像 286
10.3.1 準備工作 286
10.3.2 詳細步驟 286
10.3.3 工作原理 288
10.3.4 更多內容 288
10.4 邊緣檢測 288
10.4.1 準備工作 288
10.4.2 詳細步驟 288
10.4.3 工作原理 290
10.4.4 更多內容 290
10.5 直方圖均衡 290
10.5.1 準備工作 291
10.5.2 詳細步驟 291
10.5.3 工作原理 292
10.5.4 更多內容 292
10.6 角點檢測 293
10.6.1 準備工作 293
10.6.2 詳細步驟 293
10.6.3 工作原理 294
10.6.4 更多內容 294
10.7 SIFT特徵點檢測 294
10.7.1 準備工作 295
10.7.2 詳細步驟 295
10.7.3 工作原理 296
10.7.4 更多內容 296
10.8 構建Star特徵檢測器 296
10.8.1 準備工作 297
10.8.2 詳細步驟 297
10.8.3 工作原理 298
10.8.4 更多內容 298
10.9 用視覺碼本和向量量化創建特徵 299
10.9.1 準備工作 299
10.9.2 詳細步驟 299
10.9.3 工作原理 301
10.9.4 更多內容 302
10.10 用隨機森林訓練圖像分類器 302
10.10.1 準備工作 302
10.10.2 詳細步驟 302
10.10.3 工作原理 304
10.10.4 更多內容 304
10.11 構建對象識別器 304
10.11.1 準備工作 304
10.11.2 詳細步驟 304
10.11.3 工作原理 306
10.11.4 更多內容 306
10.12 用LightGBM進行圖像分類 306
10.12.1 準備工作 306
10.12.2 詳細步驟 307
10.12.3 工作原理 309
10.12.4 更多內容 309
第 11章 生物特徵人臉識別 310
11.1 技術要求 310
11.2 簡介 311
11.3 從網路攝像頭採集和處理視頻信息 311
11.3.1 準備工作 312
11.3.2 詳細步驟 312
11.3.3 工作原理 313
11.3.4 更多內容 313
11.4 用Haar級聯構建人臉識別器 313
11.4.1 準備工作 314
11.4.2 詳細步驟 314
11.4.3 工作原理 315
11.4.4 更多內容 316
11.5 構建眼鼻檢測器 316
11.5.1 準備工作 316
11.5.2 詳細步驟 316
11.5.3 工作原理 318
11.5.4 更多內容 319
11.6 主成分分析 319
11.6.1 準備工作 319
11.6.2 詳細步驟 319
11.6.3 工作原理 321
11.6.4 更多內容 321
11.7 核主成分分析 321
11.7.1 準備工作 321
11.7.2 詳細步驟 321
11.7.3 工作原理 324
11.7.4 更多內容 324
11.8 盲源分離 324
11.8.1 準備工作 325
11.8.2 詳細步驟 325
11.8.3 工作原理 328
11.8.4 更多內容 328
11.9 用局部二值模式直方圖構建人臉識別器 328
11.9.1 準備工作 328
11.9.2 詳細步驟 328
11.9.3 工作原理 332
11.9.4 更多內容 332
11.10 基於HOG模型進行人臉識別 332
11.10.1 準備工作 332
11.10.2 詳細步驟 333
11.10.3 工作原理 333
11.10.4 更多內容 334
11.11 人臉特徵點識別 334
11.11.1 準備工作 334
11.11.2 詳細步驟 334
11.11.3 工作原理 336
11.11.4 更多內容 336
11.12 用人臉識別進行用戶身份驗證 336
11.12.1 準備工作 337
11.12.2 詳細步驟 337
11.12.3 工作原理 338
11.12.4 更多內容 338
第 12章 強化學習 339
12.1 技術要求 339
12.2 簡介 340
12.3 用MDP預報天氣 341
12.3.1 準備工作 341
12.3.2 詳細步驟 341
12.3.3 工作原理 343
12.3.4 更多內容 343
12.4 用DP最佳化金融投資組合 344
12.4.1 準備工作 344
12.4.2 詳細步驟 344
12.4.3 工作原理 346
12.4.4 更多內容 346
12.5 找出短路徑 346
12.5.1 準備工作 346
12.5.2 詳細步驟 347
12.5.3 工作原理 348
12.5.4 更多內容 348
12.6 使用Q學習決定折扣因子 348
12.6.1 準備工作 349
12.6.2 詳細步驟 349
12.6.3 工作原理 350
12.6.4 更多內容 351
12.7 實現深度Q學習算法 351
12.7.1 準備工作 351
12.7.2 詳細步驟 351
12.7.3 工作原理 353
12.7.4 更多內容 353
12.8 開發基於AI的動態模型系統 353
12.8.1 準備工作 353
12.8.2 詳細步驟 354
12.8.3 工作原理 355
12.8.4 更多內容 355
12.9 通過雙Q學習進行深度強化學習 355
12.9.1 準備工作 356
12.9.2 詳細步驟 356
12.9.3 工作原理 357
12.9.4 更多內容 357
12.10 通過dueling Q學習進行深度強化學習 357
12.10.1 準備工作 358
12.10.2 詳細步驟 358
12.10.3 工作原理 359
12.10.4 更多內容 360
第 13章 深度神經網路 361
13.1 技術要求 361
13.2 簡介 362
13.3 構建感知機模型 362
13.3.1 準備工作 363
13.3.2 詳細步驟 363
13.3.3 工作原理 364
13.3.4 更多內容 364
13.4 構建單層神經網路 365
13.4.1 準備工作 365
13.4.2 詳細步驟 365
13.4.3 工作原理 367
13.4.4 更多內容 367
13.5 構建深度神經網路 368
13.5.1 準備工作 368
13.5.2 詳細步驟 368
13.5.3 工作原理 371
13.5.4 更多內容 371
13.6 創建向量量化器 371
13.6.1 準備工作 371
13.6.2 詳細步驟 371
13.6.3 工作原理 373
13.6.4 更多內容 373
13.7 為序列數據分析構建循環神經網路 373
13.7.1 準備工作 374
13.7.2 詳細步驟 374
13.7.3 工作原理 377
13.7.4 更多內容 377
13.8 可視化OCR資料庫字元 377
13.8.1 準備工作 377
13.8.2 詳細步驟 377
13.8.3 工作原理 378
13.8.4 更多內容 378
13.9 使用神經網路構建光學字元識別器 379
13.9.1 準備工作 379
13.9.2 詳細步驟 379
13.9.3 工作原理 381
13.9.4 更多內容 381
13.10 用ANN實現最佳化算法 381
13.10.1 準備工作 382
13.10.2 詳細步驟 382
13.10.3 工作原理 384
13.10.4 更多內容 384
第 14章 無監督表示學習 385
14.1 需要的檔案 385
14.2 簡介 386
14.3 用降噪自動編碼器檢測欺詐交易 386
14.3.1 準備工作 386
14.3.2 詳細步驟 386
14.3.3 工作原理 390
14.3.4 更多內容 391
14.4 用CBOW和skipgram表示生成詞嵌入 391
14.4.1 準備工作 391
14.4.2 詳細步驟 392
14.4.3 工作原理 393
14.4.4 更多內容 393
14.5 用PCA和t-SNE可視化MNIST數據 393
14.5.1 準備工作 394
14.5.2 詳細步驟 394
14.5.3 工作原理 396
14.5.4 更多內容 396
14.6 使用詞嵌入進行推特情感分析 397
14.6.1 準備工作 397
14.6.2 詳細步驟 397
14.6.3 工作原理 400
14.6.4 更多內容 400
14.7 用scikit-learn實現LDA 400
14.7.1 準備工作 401
14.7.2 詳細步驟 401
14.7.3 工作原理 402
14.7.4 更多內容 402
14.8 用LDA對文本文檔分類 402
14.8.1 準備工作 402
14.8.2 詳細步驟 403
14.8.3 工作原理 404
14.8.4 更多內容 404
14.9 為LDA準備數據 405
14.9.1 準備工作 405
14.9.2 詳細步驟 405
14.9.3 工作原理 407
14.9.4 更多內容 407
第 15章 自動機器學習與遷移學習 408
15.1 技術要求 408
15.2 簡介 409
15.3 Auto-WEKA 409
15.3.1 準備工作 410
15.3.2 詳細步驟 410
15.3.3 工作原理 410
15.3.4 更多內容 410
15.4 用AutoML工具TPOT生成機器學習管道 410
15.4.1 準備工作 411
15.4.2 詳細步驟 411
15.4.3 工作原理 412
15.4.4 更多內容 412
15.5 Auto-Keras 412
15.5.1 準備工作 412
15.5.2 詳細步驟 412
15.5.3 工作原理 413
15.5.4 更多內容 413
15.6 auto-sklearn 413
15.6.1 準備工作 413
15.6.2 詳細步驟 414
15.6.3 工作原理 414
15.6.4 更多內容 414
15.7 用MLBox進行功能選擇和泄漏檢測 415
15.7.1 準備工作 415
15.7.2 詳細步驟 415
15.7.3 工作原理 416
15.7.4 更多內容 416
15.8 用卷積神經網路進行遷移學習 417
15.8.1 準備工作 417
15.8.2 詳細步驟 417
15.8.3 工作原理 420
15.8.4 更多內容 420
15.9 用ResNet-50作預訓練圖像分類器進行遷移學習 421
15.9.1 準備工作 421
15.9.2 詳細步驟 421
15.9.3 工作原理 422
15.9.4 更多內容 423
15.10 用VGG16模型作特徵提取器進行遷移學習 423
15.10.1 準備工作 423
15.10.2 詳細步驟 423
15.10.3 工作原理 425
15.10.4 更多內容 425
15.11 用預訓練GloVe嵌入模型進行遷移學習 425
15.11.1 準備工作 425
15.11.2 詳細步驟 426
15.11.3 工作原理 428
15.11.4 更多內容 428
第 16章 生產中的套用 430
16.1 技術要求 430
16.2 簡介 430
16.3 處理非結構化數據 431
16.3.1 準備工作 431
16.3.2 詳細步驟 431
16.3.3 工作原理 432
16.3.4 更多內容 433
16.4 部署機器學習模型 433
16.4.1 準備工作 433
16.4.2 詳細步驟 433
16.4.3 工作原理 435
16.4.4 更多內容 435
16.5 跟蹤生產中的變化 435
16.5.1 詳細步驟 435
16.5.2 工作原理 436
16.5.3 更多內容 436
16.6 跟蹤準確率並最佳化模型 437
16.6.1 詳細步驟 437
16.6.2 工作原理 437
16.6.3 更多內容 438
作者簡介
朱塞佩·查博羅（Giuseppe Ciaburro）擁有環境技術物理學博士學位和兩個學科的 碩士學位，他的重點研究方向是機器學習在城市聲環境研究中的套用。他有超過 15 年的編程專業經驗（Python、R、MATLAB），初從事燃燒學領域的研究，後又致力於聲學和噪音控制方向，並出版過幾本著作，銷量均不錯。 普拉蒂克·喬希（Prateek Joshi）畢業於南加州大學，擁有人工智慧碩士學位。他是一位人工智慧專家，也是一位 TEDx演講者，曾位列福布斯 30 歲以下的 30 位精英榜單，並在美國消費者新聞與商業頻道（CNBC）、TechCrunch、矽谷商業期刊（Silicon Valley Business Journal）及更多的刊物上發表過文章。
