当前位置：和泉文库 > 计算机 > 《机器学习 Machine Learning》课程教学资源（书籍文献）[德] Andreas C. Müller [美] Sarah Guido《Python机器学习基础教程 Introduction to Machine Learning with Python》

《机器学习 Machine Learning》课程教学资源（书籍文献）[德] Andreas C. Müller [美] Sarah Guido《Python机器学习基础教程 Introduction to Machine Learning with Python》

第1章引言第2章监督学习第3章无监督学习与预处理第4章数据表示与特征工程第5章模型评估与改进第6章算法链与管道第7章处理文本数据第8章全书总结

文件格式：PDF，文件大小：29.42MB，售价：45元

文档详细内容（约295页）

v 目录前言..........................................................................................................................................................ix 第 1 章引言.........................................................................................................................................1 1.1 为何选择机器学习 .....................................................................................................................1 1.1.1 机器学习能够解决的问题 ............................................................................................2 1.1.2 熟悉任务和数据 ............................................................................................................4 1.2 为何选择 Python.........................................................................................................................4 1.3 scikit-learn ..............................................................................................................................4 1.4 必要的库和工具 .........................................................................................................................5 1.4.1 Jupyter Notebook ............................................................................................................6 1.4.2 NumPy ............................................................................................................................6 1.4.3 SciPy ...............................................................................................................................6 1.4.4 matplotlib .....................................................................................................................7 1.4.5 pandas .............................................................................................................................8 1.4.6 mglearn ...........................................................................................................................9 1.5 Python 2 与 Python 3 的对比 .....................................................................................................9 1.6 本书用到的版本 .......................................................................................................................10 1.7 第一个应用：鸢尾花分类 .......................................................................................................11 1.7.1 初识数据 ......................................................................................................................12 1.7.2 衡量模型是否成功：训练数据与测试数据 ..............................................................14 1.7.3 要事第一：观察数据 ..................................................................................................15 1.7.4 构建第一个模型：k 近邻算法 ...................................................................................16 1.7.5 做出预测 ......................................................................................................................17 1.7.6 评估模型 ......................................................................................................................18 1.8 小结与展望 ...............................................................................................................................19 书籍下载qq群6089740 钉钉群21734177 IT书籍 http://t.cn/RDIAj5D 电子书寻找看手相钉钉或微信pythontesting

vi ｜目录第 2 章监督学习 ..............................................................................................................................21 2.1 分类与回归 ...............................................................................................................................21 2.2 泛化、过拟合与欠拟合 ...........................................................................................................22 2.3 监督学习算法 ...........................................................................................................................24 2.3.1 一些样本数据集 ..........................................................................................................25 2.3.2 k 近邻 ...........................................................................................................................28 2.3.3 线性模型 ......................................................................................................................35 2.3.4 朴素贝叶斯分类器 ......................................................................................................53 2.3.5 决策树 ..........................................................................................................................54 2.3.6 决策树集成 ..................................................................................................................64 2.3.7 核支持向量机 ..............................................................................................................71 2.3.8 神经网络（深度学习） ................................................................................................80 2.4 分类器的不确定度估计 ...........................................................................................................91 2.4.1 决策函数 ......................................................................................................................91 2.4.2 预测概率 ......................................................................................................................94 2.4.3 多分类问题的不确定度 ..............................................................................................96 2.5 小结与展望 ...............................................................................................................................98 第 3 章无监督学习与预处理......................................................................................................100 3.1 无监督学习的类型 .................................................................................................................100 3.2 无监督学习的挑战 .................................................................................................................101 3.3 预处理与缩放 .........................................................................................................................101 3.3.1 不同类型的预处理 ....................................................................................................102 3.3.2 应用数据变换 ............................................................................................................102 3.3.3 对训练数据和测试数据进行相同的缩放 ................................................................104 3.3.4 预处理对监督学习的作用 ........................................................................................106 3.4 降维、特征提取与流形学习 .................................................................................................107 3.4.1 主成分分析 ................................................................................................................107 3.4.2 非负矩阵分解 ............................................................................................................120 3.4.3 用 t-SNE 进行流形学习 ............................................................................................126 3.5 聚类 .........................................................................................................................................130 3.5.1 k 均值聚类 .................................................................................................................130 3.5.2 凝聚聚类 ....................................................................................................................140 3.5.3 DBSCAN ....................................................................................................................143 3.5.4 聚类算法的对比与评估 ............................................................................................147 3.5.5 聚类方法小结 ............................................................................................................159 3.6 小结与展望 .............................................................................................................................159

目录｜ vii 第 4 章数据表示与特征工程......................................................................................................161 4.1 分类变量 .................................................................................................................................161 4.1.1 One-Hot 编码（虚拟变量） .......................................................................................162 4.1.2 数字可以编码分类变量 ............................................................................................166 4.2 分箱、离散化、线性模型与树 .............................................................................................168 4.3 交互特征与多项式特征 .........................................................................................................171 4.4 单变量非线性变换 .................................................................................................................178 4.5 自动化特征选择 .....................................................................................................................181 4.5.1 单变量统计 ................................................................................................................181 4.5.2 基于模型的特征选择 ................................................................................................183 4.5.3 迭代特征选择 ............................................................................................................184 4.6 利用专家知识 .........................................................................................................................185 4.7 小结与展望 .............................................................................................................................192 第 5 章模型评估与改进 ..............................................................................................................193 5.1 交叉验证 .................................................................................................................................194 5.1.1 scikit-learn 中的交叉验证 ....................................................................................194 5.1.2 交叉验证的优点 ........................................................................................................195 5.1.3 分层 k 折交叉验证和其他策略 .................................................................................196 5.2 网格搜索 .................................................................................................................................200 5.2.1 简单网格搜索 ............................................................................................................201 5.2.2 参数过拟合的风险与验证集 ....................................................................................202 5.2.3 带交叉验证的网格搜索 ............................................................................................203 5.3 评估指标与评分 .....................................................................................................................213 5.3.1 牢记最终目标 ............................................................................................................213 5.3.2 二分类指标 ................................................................................................................214 5.3.3 多分类指标 ................................................................................................................230 5.3.4 回归指标 ....................................................................................................................232 5.3.5 在模型选择中使用评估指标 ....................................................................................232 5.4 小结与展望 .............................................................................................................................234 第 6 章算法链与管道 ...................................................................................................................236 6.1 用预处理进行参数选择 .........................................................................................................237 6.2 构建管道 .................................................................................................................................238 6.3 在网格搜索中使用管道 .........................................................................................................239 6.4 通用的管道接口 .....................................................................................................................242 6.4.1 用 make_pipeline 方便地创建管道 .........................................................................243 6.4.2 访问步骤属性 ............................................................................................................244 6.4.3 访问网格搜索管道中的属性 ....................................................................................244 书籍下载qq群6089740 钉钉群21734177 IT书籍 http://t.cn/RDIAj5D 电子书寻找看手相钉钉或微信pythontesting

viii ｜目录 6.5 网格搜索预处理步骤与模型参数 .........................................................................................246 6.6 网格搜索选择使用哪个模型 .................................................................................................248 6.7 小结与展望 .............................................................................................................................249 第 7 章处理文本数据 ...................................................................................................................250 7.1 用字符串表示的数据类型 .....................................................................................................250 7.2 示例应用：电影评论的情感分析 .........................................................................................252 7.3 将文本数据表示为词袋 .........................................................................................................254 7.3.1 将词袋应用于玩具数据集 ........................................................................................255 7.3.2 将词袋应用于电影评论 ............................................................................................256 7.4 停用词 .....................................................................................................................................259 7.5 用 tf-idf 缩放数据 ..................................................................................................................260 7.6 研究模型系数 .........................................................................................................................263 7.7 多个单词的词袋（n 元分词） ................................................................................................263 7.8 高级分词、词干提取与词形还原 .........................................................................................267 7.9 主题建模与文档聚类 .............................................................................................................270 7.10 小结与展望 ...........................................................................................................................277 第 8 章全书总结 ............................................................................................................................278 8.1 处理机器学习问题 .................................................................................................................278 8.2 从原型到生产 .........................................................................................................................279 8.3 测试生产系统 .........................................................................................................................280 8.4 构建你自己的估计器 .............................................................................................................280 8.5 下一步怎么走 .........................................................................................................................281 8.5.1 理论 ............................................................................................................................281 8.5.2 其他机器学习框架和包 ............................................................................................281 8.5.3 排序、推荐系统与其他学习类型 ............................................................................282 8.5.4 概率建模、推断与概率编程 ....................................................................................282 8.5.5 神经网络 ....................................................................................................................283 8.5.6 推广到更大的数据集 ................................................................................................283 8.5.7 磨练你的技术 ............................................................................................................284 8.6 总结 .........................................................................................................................................284 关于作者..............................................................................................................................................285 关于封面..............................................................................................................................................285

点击进入文档下载页（PDF格式）

共295页，可试读40页，点击继续阅读 ↓↓

您可能感兴趣的文档

点击购买下载（PDF）

下载及服务说明

购买前请先查看本文档预览页，确认内容后再进行支付；
如遇文件无法下载、无法访问或其它任何问题，可发送电子邮件反馈，核实后将进行文件补发或退款等其它相关操作；
邮箱：

文档浏览记录