《Python機器學習》是2019年人民郵電出版社出版的圖書。
基本介紹
- 中文名：Python機器學習
- 作者：[印]阿布舍克·維賈亞瓦吉亞
- 出版時間：2019年2月
- 出版社：人民郵電出版社
- ISBN：9787115501356
- 定價：79.00 元
- 開本：16 開
- 裝幀：平裝
內容簡介,作者簡介,圖書目錄,
內容簡介
《Python機器學習》通過解釋數學原理和展示編程示例對機器學習進行了系統、全面的解析。《Python機器學習》共分為12章，內容涵蓋了機器學習以及Python語言的基礎知識、特徵工程的概念與操作技術、數據可視化技術的實現、監督學習及無監督學習算法、文本分析、神經網路和深度學習、推薦系統的構建方法以及預測處理時間序列的方法等。閱讀《Python機器學習》能夠加深讀者對機器學習的認識和理解，從而達到理論與實踐相結合、學以致用的目的。《Python機器學習》適合Python程式設計師、數據分析人員、對機器學習感興趣的讀者以及機器學習領域的從業人員閱讀。
作者簡介
Abhishek Vijayvargia是一位數據科學家，他活躍在IT技術領域，並解決了與數據科學和機器學習相關的實時問題。他專注於數據分析，涉及的領域包括運輸業、政府工程、石油和天然氣以及物聯網等。 他獲得了印度理工學院坎普爾分校的人工智慧專業碩士學位，關注方向是分散式機器學習、深度學習、流處理和區塊鏈。他擔任各種機器學習課題的導師，並進行其他算法、數據方面的培訓。
圖書目錄
第 1章 走進機器學習1
1.1 機器學習概述1
1.2 機器學習過程2
第 2章 了解Python20
2.1 為什麼選擇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程式26
2.4 Python基礎27
2.5 數據結構與循環36
第3章 特徵工程42
3.1 什麼是特徵42
3.2 為什麼執行特徵工程43
3.3 特徵提取43
3.4 特徵選擇43
3.5 特徵工程方法——通用準則44
3.5.1 處理數值特徵44
3.5.2 處理分類特徵45
3.5.3 處理基於時間的特徵47
3.5.4 處理文本特徵47
3.5.5 缺失數據48
3.5.6 降維48
3.6 用Python進行特徵工程49
3.6.1 Pandas基本操作49
3.6.2 常見任務57
第4章 數據可視化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 採用面向對象的方式繪圖71
4.8 Seaborn73
4.8.1 分布圖74
4.8.2 雙變數分布75
4.8.3 二元分布的核密度估計75
4.8.4 成對雙變數分布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 用於特徵選擇的貪心算法119
6.3.3 特徵選擇的正則化119
6.4 非參數回歸122
6.4.1 K-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 關於樹的術語148
7.3.2 決策樹學習149
7.3.3 決策邊界151
7.4 隨機森林158
7.5 樸素貝葉斯164
第8章 無監督學習169
8.1 聚類170
8.2 K-均值聚類170
8.2.1 隨機分配聚類質心的問題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 連線185
第9章 文本分析189
9.1 使用Python進行基本文本處理189
9.1.1 字元串比較191
9.1.2 字元串轉換191
9.1.3 字元串操作192
9.2 正則表達式193
9.3 自然語言處理195
9.3.1 詞幹提取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 神經網路與深度學習209
10.1 矢量化210
10.2 神經網路218
10.2.1 梯度下降220
10.2.2 激活函式221
10.2.3 參數初始化224
10.2.4 最佳化方法227
10.2.5 損失函式227
10.3 深度學習229
10.4 深度學習架構230
10.4.1 深度信念網路231
10.4.2 卷積神經網路231
10.4.3 循環神經網路231
10.4.4 長短期記憶網路231
10.4.5 深度堆疊網路232
10.5 深度學習框架232
第 11章 推薦系統237
11.1 基於流行度的推薦引擎237
11.2 基於內容的推薦引擎240
11.3 基於分類的推薦引擎243
11.4 協同過濾245
第 12章 時間序列分析249
12.1 處理日期和時間249
12.2 視窗函式254
12.3 相關性258
12.4 時間序列預測261
