《Python監督學習》是2022年清華大學出版社出版的圖書，作者是[愛爾蘭]瓦伊巴夫·韋爾丹（Vaibhav Verdhan），譯者是梁平和譚穎。
基本介紹
- 中文名：Python監督學習
- 作者：[愛爾蘭]瓦伊巴夫·韋爾丹（Vaibhav Verdhan）
- 原作品：Supervised Learning with Python
- 譯者：梁平、譚穎
- 出版社：清華大學出版社
- 出版時間：2022年1月
- 定價：68 元
- 開本：16 開
- 裝幀：平裝
- ISBN：9787302594659
圖書目錄,作者簡介,
圖書目錄
第1章 監督學習簡介
1.1 什麼是機器學習
1.1.1 數據分析、數據挖掘、機器學習和人工智慧之間的關係
1.1.2 數據、數據類型和數據源
1.2 機器學習與軟體工程的差異
1.3 機器學習的統計和數學概念
1.4 監督學習算法
1.4.1 回歸與分類問題
1.4.2 監督學習算法步驟
1.5 無監督學習算法
1.5.1 聚類分析
1.5.2 PCA
1.6 半監督學習算法
1.7 技術棧
1.8 機器學習的普及性
1.9 機器學習使用案例
1.10 小結
第2章 回歸分析監督學習
2.1 所需技術工具包
2.2 回歸分析及案例
2.3 什麼是線性回歸
2.4 度量回歸問題的有效性
2.4.1 案例1：創建簡單線性回歸
2.4.2 案例2：住宅數據集簡單線性回歸
2.4.3 案例3：住宅數據集多元線性回歸
2.5 非線性回歸分析
2.6 識別非線性關係
2.7 回歸模型面臨的挑戰
2.8 回歸的基於樹方法
2.9 案例分析：使用決策樹解決油耗問題
2.10 回歸的集成方法
2.11 案例分析：使用隨機森林解決油耗問題
2.12 基於樹方法的特徵選擇
2.13 小結
第3章 分類問題監督學習
3.1 所需技術工具包
3.2 假設檢驗及p值
3.3 分類算法
3.4 評估解決方案準確度
3.5 案例分析：信用風險
3.6 分類的樸素貝葉斯方法
3.7 案例分析：人口普查數據的收入預測
3.8 分類的k最近鄰方法
3.9 案例分析：k最近鄰
3.9.1 數據集
3.9.2 業務目標
3.10 分類的基於樹算法
3.11 決策樹算法類型
3.12 小結
第4章 監督學習高級算法
4.1 所需技術工具
4.2 提升算法
4.3 支持向量機(SVM)
4.3.1 二維空間的SVM
4.3.2 KSVM
4.3.3 使用SVM的案例分析
4.4 非結構化數據的監督學習算法
4.5 文本數據
4.5.1 文本數據案例
4.5.2 文本數據面臨的挑戰
4.5.3 文本分析建模過程
4.5.4 文本數據提取及管理
4.5.5 文本數據預處理
4.5.6 從文本數據提取特徵
4.6 案例分析：採用自然語言處理的客戶投訴分析
4.7 案例分析：採用詞嵌入的客戶投訴分析
4.8 圖像數據
4.8.1 圖像數據案例
4.8.2 圖像數據面臨的挑戰
4.8.3 圖像數據管理過程
4.8.4 圖像數據建模過程
4.9 深度學習基礎
4.9.1 人工神經網路
4.9.2 激活函式
4.9.3 神經網路的損失函式
4.9.4 神經網路最佳化
4.9.5 神經網路訓練過程
4.10 案例分析1：在結構化數據上建立分類模型
4.11 案例分析2：圖像分類模型
4.12 小結
第5章 端到端模型開發
5.1 所需技術工具
5.2 機器學習模型開發
5.3 步驟1：定義業務問題
5.4 步驟2：數據發現階段
5.5 步驟3：數據清理和準備
5.5.1 數據集中的重複值
5.5.2 數據集的分類變數處理
5.5.3 數據集中存在的缺失值
5.6 數據集中的不平衡
5.7 數據集中的離群值
5.8 數據集中其他常見問題
5.9 步驟4：EDA
5.10 步驟5：機器學習模型構建
5.10.1 數據訓練/測試集分割
5.10.2 為分類算法找到最佳閾值
5.10.3 過擬合與欠擬合問題
5.10.4 關鍵利益相關人討論并迭代
5.10.5 提交最終模型
5.11 步驟6：模型部署
5.12 步驟7：文檔化
5.13 步驟8：模型更新和維護
5.14 小結
作者簡介
瓦伊巴夫·韋爾丹，Vaibhav Verdhan在數據科學、機器學習和人工智慧方面擁有12年以上的經驗。他是一位具有工程背景的工商管理碩士，也是一位善於實踐的技術專家，具有敏銳的透徹理解和分析數據的能力。他曾在跨地理區域和零售、電信、製造、能源和公用事業領域主持多個機器學習和人工智慧項目。目前和家人居住在愛爾蘭，擔任首席數據科學家。
