深入浅出Python机器学习 Shen ru qian chu Python ji qi xue xi

封面 1 扉页 2 内容简介 3 版权页 3 前言 4 目录 10 第1章 概述 18 1.1 什么是机器学习——从一个小故事开始 19 1.2 机器学习的一些应用场景——蝙蝠公司的业务单元 20 1.3 机器学习应该如何入门——世上无难事 22 1.4 有监督学习与无监督学习 24 1.5 机器学习中的分类与回归 25 1.6 模型的泛化、过拟合与欠拟合 25 1.7 小结 26 第2章 基于Python语言的环境配置 28 2.1 Python的下载和安装 29 2.2 Jupyter Notebook的安装与使用方法 30 2.3 一些必需库的安装及功能简介 34 2.4 scikit-learn——非常流行的Python机器学习库 38 2.5 小结 39 第3章 K最近邻算法——近朱者赤,近墨者黑 40 3.1 K最近邻算法的原理 41 3.2 K最近邻算法的用法 42 3.3 K最近邻算法项目实战——酒的分类 51 3.4 小结 58 第4章 广义线性模型——“耿直”的算法模型 60 4.1 线性模型的基本概念 61 4.2 最基本的线性模型——线性回归 67 4.3 使用L2正则化的线性模型——岭回归 70 4.4 使用L1正则化的线性模型——套索回归 75 4.5 小结 79 第5章 朴素贝叶斯——打雷啦,收衣服啊 80 5.1 朴素贝叶斯基本概念 81 5.2 朴素贝叶斯算法的不同方法 85 5.3 朴素贝叶斯实战——判断肿瘤是良性还是恶性 92 5.4 小结 97 第6章 决策树与随机森林——会玩读心术的算法 98 6.1 决策树 99 6.2 随机森林 105 6.3 随机森林实例——要不要和相亲对象进一步发展 110 6.4 小结 115 第7章 支持向量机SVM——专治线性不可分 116 7.1 支持向量机SVM基本概念 117 7.2 SVM的核函数与参数选择 121 7.3 SVM实例——波士顿房价回归分析 125 7.4 小结 131 第8章 神经网络——曾入“冷宫”,如今得宠 132 8.1 神经网络的前世今生 133 8.2 神经网络的原理及使用 135 8.3 神经网络实例——手写识别 144 8.4 小结 148 第9章 数据预处理、降维、特征提取及聚类——快刀斩乱麻 150 9.1 数据预处理 151 9.2 数据降维 157 9.3 特征提取 161 9.4 聚类算法 166 9.5 小结 174 第10章 数据表达与特征工程——锦上再添花 176 10.1 数据表达 177 10.2 数据“升维” 183 10.3 自动特征选择 190 10.4 小结 199 第11章 模型评估与优化——只有更好,没有最好 200 11.1 使用交叉验证进行模型评估 201 11.2 使用网格搜索优化模型参数 205 11.3 分类模型的可信度评估 210 11.4 小结 215 第12章 建立算法的管道模型——团结就是力量 218 12.1 管道模型的概念及用法 219 12.2 使用管道模型对股票涨幅进行回归分析 226 12.3 使用管道模型进行模型选择和参数调优 233 12.4 小结 237 第13章 文本数据处理——亲,见字如“数” 238 13.1 文本数据的特征提取、中文分词及词袋模型 239 13.2 对文本数据进一步进行优化处理 243 13.3 小结 253 第14章 从数据获取到话题提取——从“研究员”到“段子手” 254 14.1 简单页面的爬取 255 14.2 稍微复杂一点的爬取 261 14.3 对文本数据进行话题提取 275 14.4 小结 282 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” 284 15.1 人才需求现状 285 15.2 未来学习方向 287 15.3 技能磨炼与实际应用 289 15.4 小结 291 正文结束 291 参考文献 292 Ben shu nei rong han gai le you jian du xue xi,Wu jian du xue xi,Mo xing you hua,Zi ran yu yan chu li deng ji qi xue xi ling yu suo bi xu zhang wo de zhi shi