深入淺出Python機器學(xué)習簡(jiǎn)介，目錄書(shū)摘

編輯推薦:　　人工智能，火了！
　　計算機是由程序驅動(dòng)的，人工智能不過(guò)是一些特殊的算法。只要你有一些程序設計語(yǔ)言的基礎，跟隨本書(shū)，你也能進(jìn)入人工智能的世界，成為一名人工智能應用的開(kāi)發(fā)者。
　　本書(shū)特色
　　1.內容實(shí)用實(shí)在、詳略得當，講授符合初學(xué)者的認知規律
　　本書(shū)內容涵蓋了有監督學(xué)習、無(wú)監督學(xué)習、模型優(yōu)化、自然語(yǔ)言處理等機器學(xué)習領(lǐng)域所必須掌握的知識，從內容結構上非常注重知識的實(shí)用性和可操作性。必須掌握的細節處絕不吝惜筆墨、手把手細致到每一次的鼠標點(diǎn)擊；僅需要大致了解處絕不鋪張浪費紙張、整體結構的描述提綱挈領(lǐng)。這樣的安排注重了對初學(xué)階段必備知識的深入了解，大致了解的知識也能夠有所認識，這種由淺入深、循序漸進(jìn)的講授完全是遵循和尊重了初學(xué)者對機器學(xué)習知識的認知規律。
　　2.行文幽默詼諧，以實(shí)例引導全程，特別適合初學(xué)者閱讀
　　本書(shū)介紹的基本理論知識、用于分類(lèi)的機器學(xué)習算法、用于回歸的機器學(xué)習算法、數據預處理、數據表達與特征工程等，都是使用非常貼近生活場(chǎng)景的實(shí)例來(lái)引導的，這樣就避免了知識講述過(guò)于抽象，非常易于理解。同時(shí)，作者以幽默詼諧，貼近時(shí)代的語(yǔ)言對這些知識進(jìn)行生動(dòng)、通俗的一一講解，猶如一位你的老朋友，幫助你縮短入門(mén)機器學(xué)習的時(shí)間?？v觀(guān)全書(shū)，作者將大學(xué)生小C追求女神以及幫助他的朋友處理日常問(wèn)題同機器學(xué)習的理論與操作進(jìn)行對比介紹，這就使得整個(gè)學(xué)習過(guò)程變得簡(jiǎn)單、生動(dòng)起來(lái)。
　　3.配套的人才培養與引入計劃，幫助讀者將學(xué)習成果轉化為真正的生產(chǎn)力
　　在筆者過(guò)去的工作當中，累積了數量可觀(guān)的各大互聯(lián)網(wǎng)公司招聘通道資源，以及諸多獵頭資源，可以幫助學(xué)有所長(cháng)的讀者快速進(jìn)入一個(gè)實(shí)際操作的場(chǎng)景中進(jìn)一步提高自己的實(shí)操能力。除此之外，筆者和國內大部分相關(guān)的產(chǎn)業(yè)發(fā)展部門(mén)有著(zhù)密切的聯(lián)系，對于有志于在人工智能領(lǐng)域創(chuàng )業(yè)的創(chuàng )業(yè)者來(lái)說(shuō)，也能夠幫助其對接政策資源，幫助大家在創(chuàng )業(yè)過(guò)程中得到有關(guān)部門(mén)的支持，從而使得創(chuàng )業(yè)之路變得不那么坎坷。

內容簡(jiǎn)介:

     機器學(xué)習正在迅速改變我們的世界。我們幾乎每天都會(huì )讀到機器學(xué)習如何改變日常的生活。如果你在淘寶或者京東這樣的電子商務(wù)網(wǎng)站購買(mǎi)商品，或者在愛(ài)奇藝或是騰訊視頻這樣的視頻網(wǎng)站觀(guān)看節目，甚至只是進(jìn)行一次百度搜索，就已經(jīng)觸碰到了機器學(xué)習的應用。使用這些服務(wù)的用戶(hù)會(huì )產(chǎn)生數據，這些數據會(huì )被收集，在進(jìn)行預處理之后用來(lái)訓練模型，而模型會(huì )通過(guò)這些數據來(lái)提供更好的用戶(hù)體驗。此外，目前還有很多使用機器學(xué)習技術(shù)的產(chǎn)品或服務(wù)即將在我們的生活當中普及，如能夠解放雙手的無(wú)人駕駛汽車(chē)、聰明伶俐的智能家居產(chǎn)品、善解人意的導購機器人等?？梢哉f(shuō)要想深入機器學(xué)習的應用開(kāi)發(fā)當中，現在就是一個(gè)非常理想的時(shí)機。
本書(shū)內容涵蓋了有監督學(xué)習、無(wú)監督學(xué)習、模型優(yōu)化、自然語(yǔ)言處理等機器學(xué)習領(lǐng)域所必須掌握的知識，從內容結構上非常注重知識的實(shí)用性和可操作性。全書(shū)采用由淺入深、循序漸進(jìn)的講授方式，完全遵循和尊重初學(xué)者對機器學(xué)習知識的認知規律。本書(shū)適合有一定程序設計語(yǔ)言和算法基礎的讀者學(xué)習使用。

作者簡(jiǎn)介:

段小手，君兮科技創(chuàng )始人，畢業(yè)于北京大學(xué)。具有10余年國內一線(xiàn)互聯(lián)網(wǎng)/電子商務(wù)公司項目管理經(jīng)驗。其負責的跨境電子商務(wù)項目曾獲得“國家發(fā)改委電子商務(wù)示范項目”“中關(guān)村現代服務(wù)業(yè)試點(diǎn)項目”“北京市信息化基礎設施提升項目”“北京市外貿綜合公共平臺”等專(zhuān)項政策支持。目前重點(diǎn)研究領(lǐng)域為機器學(xué)習和深度學(xué)習等方面。

目錄:第1章 概 述
1.1 什么是機器學(xué)習——從一個(gè)小故事開(kāi)始 / 002
1.2 機器學(xué)習的一些應用場(chǎng)景——蝙蝠公司的業(yè)務(wù)單元 / 003
1.3 機器學(xué)習應該如何入門(mén)——世上無(wú)難事 / 005
1.4 有監督學(xué)習與無(wú)監督學(xué)習 / 007
1.5 機器學(xué)習中的分類(lèi)與回歸 / 008
1.6 模型的泛化、過(guò)擬合與欠擬合 / 008
1.7 小結 / 009
第2章 基于Python語(yǔ)言的環(huán)境配置
2.1 Python的下載和安裝 / 012
2.2 Jupyter Notebook的安裝與使用方法 / 013
2.2.1 使用pip進(jìn)行Jupyter Notebook的下載和安裝 / 013
2.2.2 運行Jupyter Notebook / 014
2.2.3 Jupyter Notebook的使用方法 / 015
2.3 一些必需庫的安裝及功能簡(jiǎn)介 / 017
2.3.1 Numpy——基礎科學(xué)計算庫 / 017
2.3.2 Scipy——強大的科學(xué)計算工具集 / 018
2.3.3 pandas——數據分析的利器 / 019
2.3.4 matplotlib——畫(huà)出優(yōu)美的圖形 / 020
深入淺出Python 機器學(xué)習
VIII
2.4 scikit-learn——非常流行的Python機器學(xué)習庫 / 021
2.5 小結 / 022
第3章 K最近鄰算法——近朱者赤，近墨者黑
3.1 K最近鄰算法的原理 / 024
3.2 K最近鄰算法的用法 / 025
3.2.1 K最近鄰算法在分類(lèi)任務(wù)中的應用 / 025
3.2.2 K最近鄰算法處理多元分類(lèi)任務(wù) / 029
3.2.3 K最近鄰算法用于回歸分析 / 031
3.3 K最近鄰算法項目實(shí)戰——酒的分類(lèi) / 034
3.3.1 對數據集進(jìn)行分析 / 034
3.3.2 生成訓練數據集和測試數據集 / 036
3.3.3 使用K最近鄰算法進(jìn)行建模 / 038
3.3.4 使用模型對新樣本的分類(lèi)進(jìn)行預測 / 039
3.4 小結 / 041
第4章 廣義線(xiàn)性模型——“耿直”的算法模型
4.1 線(xiàn)性模型的基本概念 / 044
4.1.1 線(xiàn)性模型的一般公式 / 044
4.1.2 線(xiàn)性模型的圖形表示 / 045
4.1.3 線(xiàn)性模型的特點(diǎn) / 049
4.2 最基本的線(xiàn)性模型——線(xiàn)性回歸 / 050
4.2.1 線(xiàn)性回歸的基本原理 / 050
4.2.2 線(xiàn)性回歸的性能表現 / 051
4.3 使用L2正則化的線(xiàn)性模型——嶺回歸 / 053
4.3.1 嶺回歸的原理 / 053
4.3.2 嶺回歸的參數調節 / 054
4.4 使用L1正則化的線(xiàn)性模型——套索回歸 / 058
4.4.1 套索回歸的原理 / 058
4.4.2 套索回歸的參數調節 / 059
4.4.3 套索回歸與嶺回歸的對比 / 060
目
錄
IX
4.5 小結 / 062
第5章 樸素貝葉斯——打雷啦，收衣服啊
5.1 樸素貝葉斯基本概念 / 064
5.1.1 貝葉斯定理 / 064
5.1.2 樸素貝葉斯的簡(jiǎn)單應用 / 064
5.2 樸素貝葉斯算法的不同方法 / 068
5.2.1 貝努利樸素貝葉斯 / 068
5.2.2 高斯樸素貝葉斯 / 071
5.2.3 多項式樸素貝葉斯 / 072
5.3 樸素貝葉斯實(shí)戰——判斷腫瘤是良性還是惡性 / 075
5.3.1 對數據集進(jìn)行分析 / 076
5.3.2 使用高斯樸素貝葉斯進(jìn)行建模 / 077
5.3.3 高斯樸素貝葉斯的學(xué)習曲線(xiàn) / 078
5.4 小結 / 080
第6章 決策樹(shù)與隨機森林——會(huì )玩讀心術(shù)的算法
6.1 決策樹(shù) / 082
6.1.1 決策樹(shù)基本原理 / 082
6.1.2 決策樹(shù)的構建 / 082
6.1.3 決策樹(shù)的優(yōu)勢和不足 / 088
6.2 隨機森林 / 088
6.2.1 隨機森林的基本概念 / 089
6.2.2 隨機森林的構建 / 089
6.2.3 隨機森林的優(yōu)勢和不足 / 092
6.3 隨機森林實(shí)例——要不要和相親對象進(jìn)一步發(fā)展 / 093
6.3.1 數據集的準備 / 093
6.3.2 用get_dummies處理數據 / 094
6.3.3 用決策樹(shù)建模并做出預測 / 096
6.4 小結 / 098
第7章 支持向量機SVM——專(zhuān)治線(xiàn)性不可分
7.1 支持向量機SVM基本概念 / 100
7.1.1 支持向量機SVM的原理 / 100
7.1.2 支持向量機SVM的核函數 / 102
7.2 SVM的核函數與參數選擇 / 104
7.2.1 不同核函數的SVM對比 / 104
7.2.2 支持向量機的gamma參數調節 / 106
7.2.3 SVM算法的優(yōu)勢與不足 / 108
7.3 SVM實(shí)例——波士頓房?jì)r(jià)回歸分析 / 108
7.3.1 初步了解數據集 / 109
7.3.2 使用SVR進(jìn)行建模 / 110
7.4 小結 / 114
第8章 神經(jīng)網(wǎng)絡(luò )——曾入“冷宮”，如今得寵
8.1 神經(jīng)網(wǎng)絡(luò )的前世今生 / 116
8.1.1 神經(jīng)網(wǎng)絡(luò )的起源 / 116
8.1.2 第一個(gè)感知器學(xué)習法則 / 116
8.1.3 神經(jīng)網(wǎng)絡(luò )之父——杰弗瑞·欣頓 / 117
8.2 神經(jīng)網(wǎng)絡(luò )的原理及使用 / 118
8.2.1 神經(jīng)網(wǎng)絡(luò )的原理 / 118
8.2.2 神經(jīng)網(wǎng)絡(luò )中的非線(xiàn)性矯正 / 119
8.2.3 神經(jīng)網(wǎng)絡(luò )的參數設置 / 121
8.3 神經(jīng)網(wǎng)絡(luò )實(shí)例——手寫(xiě)識別 / 127
8.3.1 使用MNIST數據集 / 128
8.3.2 訓練MLP神經(jīng)網(wǎng)絡(luò ) / 129
8.3.3 使用模型進(jìn)行數字識別 / 130
8.4 小結 / 131
第9章 數據預處理、降維、特征提取及聚類(lèi)——快
刀斬亂麻
9.1 數據預處理 / 134
9.1.1 使用StandardScaler進(jìn)行數據預處理 / 134
9.1.2 使用MinMaxScaler進(jìn)行數據預處理 / 135
9.1.3 使用RobustScaler進(jìn)行數據預處理 / 136
9.1.4 使用Normalizer進(jìn)行數據預處理 / 137
9.1.5 通過(guò)數據預處理提高模型準確率 / 138
9.2 數據降維 / 140
9.2.1 PCA主成分分析原理 / 140
9.2.2 對數據降維以便于進(jìn)行可視化 / 142
9.2.3 原始特征與PCA主成分之間的關(guān)系 / 143
9.3 特征提取 / 144
9.3.1 PCA主成分分析法用于特征提取 / 145
9.3.2 非負矩陣分解用于特征提取 / 148
9.4 聚類(lèi)算法 / 149
9.4.1 K均值聚類(lèi)算法 / 150
9.4.2 凝聚聚類(lèi)算法 / 153
9.4.3 DBSCAN算法 / 154
9.5 小結 / 157
第10章 數據表達與特征工程——錦上再添花
10.1 數據表達 / 160
10.1.1 使用啞變量轉化類(lèi)型特征 / 160
10.1.2 對數據進(jìn)行裝箱處理 / 162
10.2 數據“升維” / 166
10.2.1 向數據集添加交互式特征 / 166
10.2.2 向數據集添加多項式特征 / 170
10.3 自動(dòng)特征選擇 / 173
10.3.1 使用單一變量法進(jìn)行特征選擇 / 173
10.3.2 基于模型的特征選擇 / 178
10.3.3 迭代式特征選擇 / 180
10.4 小結 / 182
第11章 模型評估與優(yōu)化——只有更好，沒(méi)有最好
11.1 使用交叉驗證進(jìn)行模型評估 / 184
11.1.1 scikit-learn中的交叉驗證法 / 184
11.1.2 隨機拆分和“挨個(gè)兒試試” / 186
11.1.3 為什么要使用交叉驗證法 / 188
11.2 使用網(wǎng)格搜索優(yōu)化模型參數 / 188
11.2.1 簡(jiǎn)單網(wǎng)格搜索 / 189
11.2.2 與交叉驗證結合的網(wǎng)格搜索 / 191
11.3 分類(lèi)模型的可信度評估 / 193
11.3.1 分類(lèi)模型中的預測準確率 / 194
11.3.2 分類(lèi)模型中的決定系數 / 197
11.4 小結 / 198
第12章 建立算法的管道模型——團結就是力量
12.1 管道模型的概念及用法 / 202
12.1.1 管道模型的基本概念 / 202
12.1.2 使用管道模型進(jìn)行網(wǎng)格搜索 / 206
12.2 使用管道模型對股票漲幅進(jìn)行回歸分析 / 209
12.2.1 數據集準備 / 209
12.2.2 建立包含預處理和MLP模型的管道模型 / 213
12.2.3 向管道模型添加特征選擇步驟 / 214
12.3 使用管道模型進(jìn)行模型選擇和參數調優(yōu) / 216
12.3.1 使用管道模型進(jìn)行模型選擇 / 216
12.3.2 使用管道模型尋找更優(yōu)參數 / 217
12.4 小結 / 220
第13章 文本數據處理——親，見(jiàn)字如“數”
13.1 文本數據的特征提取、中文分詞及詞袋模型 / 222
13.1.1 使用CountVectorizer對文本進(jìn)行特征提取 / 222
13.1.2 使用分詞工具對中文文本進(jìn)行分詞 / 223
13.1.3 使用詞袋模型將文本數據轉為數組 / 224
13.2 對文本數據進(jìn)一步進(jìn)行優(yōu)化處理 / 226
13.2.1 使用n-Gram改善詞袋模型 / 226
13.2.2 使用tf-idf模型對文本數據進(jìn)行處理 / 228
13.2.3 刪除文本中的停用詞 / 234
13.3 小結 / 236
第14章 從數據獲取到話(huà)題提取——從“研究員”
到“段子手”
14.1 簡(jiǎn)單頁(yè)面的爬取 / 238
14.1.1 準備Requests庫和User Agent / 238
14.1.2 確定一個(gè)目標網(wǎng)站并分析其結構 / 240
14.1.3 進(jìn)行爬取并保存為本地文件 / 241
14.2 稍微復雜一點(diǎn)的爬取 / 244
14.2.1 確定目標頁(yè)面并進(jìn)行分析 / 245
14.2.2 Python中的正則表達式 / 247
14.2.3 使用BeautifulSoup進(jìn)行HTML解析 / 251
14.2.4 對目標頁(yè)面進(jìn)行爬取并保存到本地 / 256
14.3 對文本數據進(jìn)行話(huà)題提取 / 258
14.3.1 尋找目標網(wǎng)站并分析結構 / 259
14.3.2 編寫(xiě)爬蟲(chóng)進(jìn)行內容爬取 / 261
14.3.3 使用潛在狄利克雷分布進(jìn)行話(huà)題提取 / 263
14.4 小結 / 265
第15章 人才需求現狀與未來(lái)學(xué)習方向——你是不
是下一個(gè)“大?！?
15.1 人才需求現狀 / 268
15.1.1 全球AI從業(yè)者達190萬(wàn)，人才需求3年翻8倍 / 268
15.1.2 AI人才需求集中于一線(xiàn)城市，七成從業(yè)者月薪過(guò)萬(wàn) / 269
15.1.3 人才困境仍難緩解，政策支援亟不可待 / 269
15.2 未來(lái)學(xué)習方向 / 270
15.2.1 用于大數據分析的計算引擎 / 270
15.2.2 深度學(xué)習開(kāi)源框架 / 271
15.2.3 使用概率模型進(jìn)行推理 / 272
15.3 技能磨煉與實(shí)際應用 / 272
15.3.1 Kaggle算法大賽平臺和OpenML平臺 / 272
15.3.2 在工業(yè)級場(chǎng)景中的應用 / 273
15.3.3 對算法模型進(jìn)行A/B測試 / 273
15.4 小結 / 274
參考文獻 / 275