scikit-learn機器學(xué)習（第2版）簡(jiǎn)介，目錄書(shū)摘

編輯推薦:機器學(xué)習是一個(gè)非常熱門(mén)的技術(shù)，本書(shū)內容涵蓋多種機器學(xué)習模型，包括流行的機器學(xué)習算法，例如K近鄰算法、邏輯回歸、樸素貝葉斯、K 均值算法、決策樹(shù)以及人工神經(jīng)網(wǎng)絡(luò )。與此同時(shí)，還討論了數據預處理、超參數優(yōu)化和集成方法等主題。
閱讀完本書(shū)之后，讀者將學(xué)會(huì )構建用于文檔分類(lèi)、圖像識別、廣告檢測等任務(wù)的系統，還將學(xué)到如何使用scikit-learn類(lèi)庫的API從類(lèi)別變量、文本和圖像中提取特征，如何評估模型的性能，并對如何提升模型的性能建立直覺(jué)。除此之外，還將掌握在實(shí)踐中運用scikit-learn構建高效模型所需的技能，并能夠通過(guò)實(shí)用的策略完成高級任務(wù)。

內容簡(jiǎn)介:近年來(lái)，Python語(yǔ)言成為了廣受歡迎的編程語(yǔ)言，而它在機器學(xué)習領(lǐng)域也有很好的表現。scikit-learn是一個(gè)用Python語(yǔ)言編寫(xiě)的機器學(xué)習算法庫，它可以實(shí)現一系列常用的機器學(xué)習算法，是一個(gè)好工具。
本書(shū)通過(guò)14章內容，詳細地介紹了一系列機器學(xué)習模型和scikit-learn的使用技巧。本書(shū)從機器學(xué)習的基礎理論講起，涵蓋了簡(jiǎn)單線(xiàn)性回歸、K-近鄰算法、特征提取、多元線(xiàn)性回歸、邏輯回歸、樸素貝葉斯、非線(xiàn)性分類(lèi)、決策樹(shù)回歸、隨機森林、感知機、支持向量機、人工神經(jīng)網(wǎng)絡(luò )、K-均值算法、主成分分析等重要話(huà)題。
本書(shū)適合機器學(xué)習領(lǐng)域的工程師學(xué)習，也適合想要了解scikit-learn的數據科學(xué)家閱讀。通過(guò)閱讀本書(shū)，讀者將有效提升自己在機器學(xué)習模型的構建和評估方面的能力，并能夠高效地解決機器學(xué)習難題。

作者簡(jiǎn)介:Gavin Hackeling 是一名數據科學(xué)家和作家。他研究過(guò)各種各樣的機器學(xué)習問(wèn)題，包括自動(dòng)語(yǔ)音識別、文檔分類(lèi)、目標識別、以及語(yǔ)義切分。Gavin Hackeling 畢業(yè)于北卡羅來(lái)納大學(xué)和紐約大學(xué)，目前和他的妻子和貓生活在布魯克林。

目錄:第 1章　機器學(xué)習基礎　1
1．1　定義機器學(xué)習　1
1．2　從經(jīng)驗中學(xué)習　2
1．3　機器學(xué)習任務(wù)　3
1．4　訓練數據、測試數據和驗證數據　4
1．5　偏差和方差　6
1．6　scikit-learn簡(jiǎn)介　8
1．7　安裝scikit-learn　8
1．7．1　使用pip安裝　9
1．7．2　在Windows系統下安裝　9
1．7．3　在Ubuntu 16．04系統下安裝　10
1．7．4　在Mac OS系統下安裝　10
1．7．5　安裝Anaconda　10
1．7．6　驗證安裝　10
1．8　安裝pandas、Pillow、NLTK和matplotlib　11
1．9　小結　11
第 2章　簡(jiǎn)單線(xiàn)性回歸　12
2．1　簡(jiǎn)單線(xiàn)性回歸　12
2．1．1　用代價(jià)函數評價(jià)模型的擬合性　15
2．1．2　求解簡(jiǎn)單線(xiàn)性回歸的OLS　17
2．2　評價(jià)模型　19
2．3　小結　21
第3章　用K-近鄰算法分類(lèi)和回歸　22
3．1　K-近鄰模型　22
3．2　惰性學(xué)習和非參數模型　23
3．3　KNN模型分類(lèi)　23
3．4　KNN模型回歸　31
3．5　小結　36
第4章　特征提取　37
4．1　從類(lèi)別變量中提取特征　37
4．2　特征標準化　38
4．3　從文本中提取特征　39
4．3．1　詞袋模型　39
4．3．2　停用詞過(guò)濾　42
4．3．3　詞干提取和詞形還原　43
4．3．4　tf-idf權重擴展詞包　45
4．3．5　空間有效特征向量化與哈希技巧　48
4．3．6　詞向量　49
4．4　從圖像中提取特征　52
4．4．1　從像素強度中提取特征　53
4．4．2　使用卷積神經(jīng)網(wǎng)絡(luò )激活項作為特征　54
4．5　小結　56
第5章　從簡(jiǎn)單線(xiàn)性回歸到多元線(xiàn)性回歸　58
5．1　多元線(xiàn)性回歸　58
5．2　多項式回歸　62
5．3　正則化　66
5．4　應用線(xiàn)性回歸　67
5．4．1　探索數據　67
5．4．2　擬合和評估模型　69
5．5　梯度下降法　72
5．6　小結　76
第6章　從線(xiàn)性回歸到邏輯回歸　77
6．1　使用邏輯回歸進(jìn)行二元分類(lèi)　77
6．2　垃圾郵件過(guò)濾　79
6．2．1　二元分類(lèi)性能指標　81
6．2．2　準確率　82
6．2．3　精準率和召回率　83
6．2．4　計算F1值　84
6．2．5　ROC AUC　84
6．3　使用網(wǎng)格搜索微調模型　86
6．4　多類(lèi)別分類(lèi)　88
6．5　多標簽分類(lèi)和問(wèn)題轉換　93
6．6　小結　97
第7章　樸素貝葉斯　98
7．1　貝葉斯定理　98
7．2　生成模型和判別模型　100
7．3　樸素貝葉斯　100
7．4　在scikit-learn中使用樸素貝葉斯　102
7．5　小結　106
第8章　非線(xiàn)性分類(lèi)和決策樹(shù)回歸　107
8．1　決策樹(shù)　107
8．2　訓練決策樹(shù)　108
8．2．1　選擇問(wèn)題　109
8．2．2　基尼不純度　116
8．3　使用scikit-learn類(lèi)庫創(chuàng )建決策樹(shù)　117
8．4　小結　120
第9章　集成方法：從決策樹(shù)到隨機森林　121
9．1　套袋法　121
9．2　推進(jìn)法　124
9．3　堆疊法　126
9．4　小結　128
第 10章　感知機　129
10．1　感知機　129
10．1．1　激活函數　130
10．1．2　感知機學(xué)習算法　131
10．1．3　使用感知機進(jìn)行二元分類(lèi)　132
10．1．4　使用感知機進(jìn)行文檔分類(lèi)　138
10．2　感知機的局限性　139
10．3　小結　140
第 11章　從感知機到支持向量機　141
11．1　核與核技巧　141
11．2　最大間隔分類(lèi)和支持向量　145
11．3　用scikit-learn分類(lèi)字符　147
11．3．1　手寫(xiě)數字分類(lèi)　147
11．3．2　自然圖片字符分類(lèi)　150
11．4　小結　152
第 12章　從感知機到人工神經(jīng)網(wǎng)絡(luò )　153
12．1　非線(xiàn)性決策邊界　154
12．2　前饋人工神經(jīng)網(wǎng)絡(luò )和反饋人工神經(jīng)網(wǎng)絡(luò )　155
12．3　多層感知機　155
12．4　訓練多層感知機　157
12．4．1　反向傳播　158
12．4．2　訓練一個(gè)多層感知機逼近XOR函數　162
12．4．3　訓練一個(gè)多層感知機分類(lèi)手寫(xiě)數字　164
12．5　小結　165
第 13章　K-均值算法　166
13．1　聚類(lèi)　166
13．2　K-均值算法　168
13．2．1　局部最優(yōu)值　172
13．2．2　用肘部法選擇K值　173
13．3　評估聚類(lèi)　176
13．4　圖像量化　178
13．5　通過(guò)聚類(lèi)學(xué)習特征　180
13．6　小結　184
第 14章　使用主成分分析降維　185
14．1　主成分分析　185
14．1．1　方差、協(xié)方差和協(xié)方差矩陣　188
14．1．2　特征向量和特征值　190
14．1．3　進(jìn)行主成分分析　192
14．2　使用PCA對高維數據可視化　194
14．3　使用PCA進(jìn)行面部識別　196
14．4　小結　199