Python机器学习（原书第2版）

本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门必读之作。  本书将带领你进入预测分析的世界，并展示为什么Python会成为数据科学领域首屈一指的计算机语言。如果你想更好地从数据中得到问题的答案，或者想要提升并扩展现有机器学习系统的性能，那么这本基于数据科学实践的书籍非常值得一读。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践...(展开全部)  本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门必读之作。  本书将带领你进入预测分析的世界，并展示为什么Python会成为数据科学领域首屈一指的计算机语言。如果你想更好地从数据中得到问题的答案，或者想要提升并扩展现有机器学习系统的性能，那么这本基于数据科学实践的书籍非常值得一读。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。  不管你是学习数据科学的初学者，还是想进一步拓展对数据科学领域的认知，本书都是一个重要且不可错过的资源，它能帮助你了解如何使用Python解决数据中的关键问题。  本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门必读之作。  本书将带领你进入预测分析的世界，并展示为什么Python会成为数据科学领域首屈一指的计算机语言。如果你想更好地从数据中得到问题的答案，或者想要提升并扩展现有机器学习系统的性能，那么这本基于数据科学实践的书籍非常值得一读。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。  不管你是学习数据科学的初学者，还是想进一步拓展对数据科学领域的认知，本书都是一个重要且不可错过的资源，它能帮助你了解如何使用Python解决数据中的关键问题。  本书将机器学习背后的基本理论与应用实践联系起来，通过这种方式让你聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用Python的核心元素以及强大的机器学习库，同时还展示了如何正确使用一系列统计模型。  在本书第1版的基础上，作者对第2版进行了大量更新和扩展，纳入最近的开源技术，包括scikit-learn、Keras和TensorFlow，提供了使用Python构建高效的机器学习与深度学习应用的必要知识与技术。  通过阅读本书，你将学到：  探索并理解数据科学、机器学习与深度学习的主要框架  通过机器学习模型与神经网络对数据提出新的疑问  在机器学习中使用新的Python开源库的强大功能  掌握如何使用TensorFlow库来实现深度神经网络  在可访问的Web应用中嵌入机器学习模型  使用回归分析预测连续目标的结果  使用聚类发现数据中的隐藏模式与结构  使用深度学习技术分析图片  使用情感分析深入研究文本与社交媒体数据  塞巴斯蒂安·拉施卡（Sebastian  Raschka）  密歇根州立大学博士，他在计算生物学领域提出了几种新的计算方法，还被科技博客Analytics  Vidhya评为GitHub上最具影响力的数据科学家。他在Python编程方面积累了丰富经验，曾为如何实际应用数据科学、机器学

数据科学与工程技术丛书

Python机器学习（原书第2版）

Python Machine Learning，Second Edition

（美）塞巴斯蒂安·拉½卡（Sebastian

Raschka）　（美）瓦希德·

米尔贾利利（Vahid

Mirjalili）　著

陈斌　译

ISBN：978-7-111-61150-9

本书纸版由机械工业出版社于2018年出版，电子版由华章分社（北京华章图

文信息有限公司，北京奥维博世图书发行有限公司）在中华人民共和½境内

（不包括中½香港、澳门特别行政区及中½台湾地区）制½与发行。

版权所有，侵权必究

客服热线：+

86-10-68995265

客服信箱：service@bbbvip.com

官方½址：www.hzmedia.com.cn

新浪微博

@华章数媒

微信公众号 华章电子书（微信号：hzebook）

2

目½

译者序

关于½者

关于审校人员

前言

第1章　赋予计算机从数据中学习的½力

1.1　构建把数据½换为知识的智½机器

1.2　三种不同类型的机器学习

1.2.1　用有监督学习预测未来

1.2.2　用强化学习解决交互问题

1.2.3　用无监督学习发现隐藏结构

1.3　基本术语与符号

1.4　构建机器学习系统的路线图

1.4.1　预处理——整理数据

1.4.2　训练和选择预测模型

1.4.3　评估模型和预测新样本数据

1.5　用Python进行机器学习

1.5.1　从Python包索引安装Python和其他包

1.5.2　采用Anaconda　Python和½件包管理器

1.5.3　科学计算、数据科学和机器学习½件包

1.6　小结

第2章　训练简单的机器学习分类算法

2.1　人工神经元——机器学习早期历史一瞥

2.1.1　人工神经元的正式定义

2.1.2　感知器学习规则

2.2　在Python中实现感知器学习算法

2.2.1　面向对象的感知器API

2.2.2　在鸢尾花数据集上训练感知器模型

2.3　自适应神经元和学习收敛

2.3.1　梯度下降为最小代价½数

2.3.2　用Python实现Adaline

2.3.3　通过调整特征大小改善梯度下降

2.3.4　大规模机器学习与随机梯度下降

2.4　小结

第3章　scikit-learn机器学习分类器一览

3.1　选择分类算法

3.2　了解scikit-learn½件库的第一步——训练感知器

3.3　基于逻辑回½的分类概率建模

3.3.1　逻辑回½的直觉与条件概率

3.3.2　学习逻辑代价½数的权重

3.3.3　把½换的Adaline用于逻辑回½算法

3.3.4　用scikit-learn训练逻辑回½模型

3

3.3.5　通过正则化解决过拟合问题

3.4　支持向量机的最大½量分类

3.4.1　最大边际的直觉

3.4.2　用松弛变量处理非线性可分

3.4.3　其他的scikit-learn实现

3.5　用核支持向量机求解非线性问题

3.5.1　处理线性不可分数据的核方法

3.5.2　利用核技巧，发现高维空间的分离超平面

3.6　决策树学习

3.6.1　最大限度地获取信息——获得最大收益

3.6.2　构建决策树

3.6.3　通过随机森林组合多个决策树

3.7　K-近邻——一种懒惰的学习算法

3.8　小结

第4章　构建良½的训练集——预处理

4.1　处理缺失数据

4.1.1　识别数据中的缺失数值

4.1.2　删除缺失的数据

4.1.3　填补缺失的数据

4.1.4　了解scikit-learn评估器API

4.2　处理分类数据

4.2.1　名词特征和序数特征

4.2.2　映射序数特征

4.2.3　分类标签编码

4.2.4　为名词特征做热编码

4.3　分裂数据集为独立的训练集和测试集

4.4　把特征保持在同一尺度上

4.5　选择有意义的特征

4.5.1　L1和L2正则化对模型复杂度的惩½

4.5.2　L2正则化的几½解释

4.5.3　L1正则化的稀疏解决方案

4.5.4　为序数特征选择算法

4.6　用随机森林评估特征的重要性

4.7　小结

第5章　通过降维压缩数据

5.1　用主成分分析实现无监督降维

5.1.1　主成分分析的主要步骤

5.1.2　逐步提取主成分

5.1.3　总方差和解释方差

5.1.4　特征变换

5.1.5　scikit-learn的主成分分析

5.2　基于线性判别分析的有监督数据压缩

5.2.1　主成分分析与线性判别分析

4

5.2.2　线性判别分析的内部逻辑

5.2.3　计算散布矩阵

5.2.4　在新的特征子空间选择线性判别式

5.2.5　将样本投½到新的特征空间

5.2.6　用scikit-learn实现的LDA

5.3　非线性映射的核主成分分析

5.3.1　核½数与核技巧

5.3.2　用Python实现核主成分分析

5.3.3　投½新的数据点

5.3.4　scikit-learn的核主成分分析

5.4　小结

第6章　模型评估和超参数调优的最½实践

6.1　用管道方法简化工½流

6.1.1　加½½威斯康星乳腺癌数据集

6.1.2　集成管道中的½换器和评估器

6.2　½用k折交叉验证评估模型的性½

6.2.1　抵抗方法

6.2.2　k折交叉验证

6.3　用学习和验证曲线调试算法

6.3.1　用学习曲线诊断偏差和方差问题

6.3.2　用验证曲线解决过拟合和欠拟合问题

6.4　通过½格搜索为机器学习模型调优

6.4.1　通过½格搜索为超参数调优

6.4.2　以嵌套式交叉验证来选择算法

6.5　比较不同的性½评估指标

6.5.1　含混矩阵分析

6.5.2　优化分类模型的准确度和召回率

6.5.3　绘制受试者操½特性图

6.5.4　多元分类评分指标

6.6　处理类的不平衡问题

6.7　小结

第7章　综合不同模型的组合学习

7.1　集成学习

7.2　采用多数票机制的集成分类器

7.2.1　实现基于多数票的简单分类器

7.2.2　用多数票原则进行预测

7.2.3　评估和优化集成分类器

7.3　套袋——基于导引样本构建分类器集成

7.3.1　套袋简介

7.3.2　应用套袋技术对葡萄酒数据集中的样本分类

7.4　通过自适应增强来利用弱学习者

7.4.1　增强是如½实现的

7.4.2　用scikit-learn实现AdaBoost

5

评论

G986

谢谢楼主的分享！

2023-01-31 11:08:11回复

加载更多