孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 占位居中 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台
商品
拍卖区
在售
已售
搜索历史
搜索
高级搜索

Python机器学习基础教程

Python机器学习基础教程
分享
扫描下方二维码分享到微信
打开微信，点击右上角”+“，
使用”扫一扫“即可将网页分享到朋友圈。
作者: [德] （Andreas C.Müller)【美】莎拉·吉多(Sarah Guido） 著 , （hysic） 译
出版社: 人民邮电出版社
2018-01
版次: 1
ISBN: 9787115475619
定价: 79.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 285页
字数: 443千字
正文语种: 简体中文
丛书: 图灵程序设计丛书
分类: 计算机与互联网
734人买过
  • 本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。 

    本书适合机器学习从业者或有志成为机器学习从业者的人阅读。 Andreas C.Müller，scikit-learn库维护者和核心贡献者。现任哥伦比亚大学数据科学研究院讲师，曾任纽约大学数据科学中心助理研究员、***公司计算机视觉应用的机器学习研究员。在波恩大学获得机器学习博士学位。 

    Sarah Guido，Mashable公司数据科学家，曾担任Bitly公司数据科学家。 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 

    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 

    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 

    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　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
  • 内容简介:
    本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。 

    本书适合机器学习从业者或有志成为机器学习从业者的人阅读。
  • 作者简介:
    Andreas C.Müller，scikit-learn库维护者和核心贡献者。现任哥伦比亚大学数据科学研究院讲师，曾任纽约大学数据科学中心助理研究员、***公司计算机视觉应用的机器学习研究员。在波恩大学获得机器学习博士学位。 

    Sarah Guido，Mashable公司数据科学家，曾担任Bitly公司数据科学家。
  • 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 

    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 

    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 

    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　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
查看详情
相关分类
计算机理论 编程与开发 操作系统 大数据与云计算 图形图像/多媒体 网站设计与网页开发 网络与通讯 硬件、嵌入式开发 办公软件 信息安全 辅助设计与工程计算 软件工程/开发项目管理
相关图书 / 更多
Python机器学习基础教程
Python程序设计基础 第2版
钟雪灵李立
￥33.86 起
Python机器学习基础教程
Python程序设计现代方法（第2版）
黑马程序员
￥16.99 起
Python机器学习基础教程
Python开发与财务应用（第2版 微课版）
吴晓霞乔凯丽蔡理强
￥17.33 起
Python机器学习基础教程
Python数据可视化：科技图表绘制
芯智
￥55.13 起
Python机器学习基础教程
PyTorch深度学习快速入门指南 [美] 戴维·朱利安
[美]戴维·朱利安（DavidJulian）
￥9.90 起
Python机器学习基础教程
Python编程三剑客第3版：Python编程从入门到实践第3版+快速上手第2版+极客项目编程第2版
[美]埃里克·马瑟斯
￥201.49 起
Python机器学习基础教程
Python图形化编程（微课版）
高永梅；杨乃如；卢海军
￥30.24 起
Python机器学习基础教程
Python程序编写学习辅导与上机实习 苏东伟，陈天翔主编
陈天翔 主编；苏东伟
￥11.78 起
Python机器学习基础教程
Python程序设计——从编程基础到专业应用 第2版
章宁李海峰
￥28.20 起
Python机器学习基础教程
Python数据分析与挖掘
作者
￥28.42 起
Python机器学习基础教程
Python数据可视化
钟雪灵 郑桂荣
￥32.69 起
Python机器学习基础教程
Python大数据分析与挖掘
作者
￥20.51 起
您可能感兴趣 / 更多
Python机器学习基础教程
不要挖鼻孔！！
[德]安妮特·朗根 著
￥20.89 起
Python机器学习基础教程
内燃机技术 （原书第8版）
[德]理夏德·范·巴舒伊森(RichardvanBasshuysen)弗雷德·舍费尔（FredSchaefer） 著
￥317.07 起
Python机器学习基础教程
古代遗产：欧洲的源起（贝克欧洲史
[德]哈特穆特·莱平著徐庆（HartmutLeppin） 译
￥34.03 起
Python机器学习基础教程
冷战和福利国家：1945~1989年的欧洲（贝克欧洲史
[德]哈特穆特·克尔布勒著张萍（HartmutKaelble） 译
￥24.50 起
Python机器学习基础教程
德意志人：一部诗人、作家、哲学家和思想家的自传
[德]约翰内斯·弗里德著刘晓编刘晓（JohannesFried） 译
￥48.20 起
Python机器学习基础教程
国家竞争与理性：1648~1789年的欧洲（贝克欧洲史
[德]格里特·瓦尔特著徐庆编徐庆（GerritWalther） 译
￥35.70 起
Python机器学习基础教程
革命与改革：1789~1850年的欧洲（贝克欧洲史
[德]安德里亚斯·法尔迈尔著李昱彤（AndreasFahrmeir） 译
￥34.98 起
Python机器学习基础教程
边境体验和君主秩序：1200~1500年的欧洲（贝克欧洲史
[德]贝恩德·施耐德穆勒著刘博（BerndSchneidmüller） 译
￥35.45 起
Python机器学习基础教程
帝国暴力和民族动员：1914~1945年的欧洲（贝克欧洲史
[德]鲁兹·拉斐尔（LutzRaphael）
￥34.03 起
Python机器学习基础教程
宗教战争与欧洲的扩张：1500~1648年的欧洲（贝克欧洲史
[德]路易丝·朔恩-许特著郭翕慈编郭翕慈（LuiseSchorn-Schütte） 译
￥26.50 起
Python机器学习基础教程
民主与全球化：1989年以来的欧洲（贝克欧洲史 第10卷）
[德]安德烈亚斯·维尔申著张世佶编张世佶（AndreasWirsching） 译
￥24.41 起
Python机器学习基础教程
前苏格拉底哲学家残篇:英文
[德]第尔斯（HermannDiels） 编著；[英]弗里曼(
￥14.20 起
© 2002-2025 Kongfz.com 孔夫子旧书网 版权所有
关于孔网 联系我们 帮助中心 版权隐私 广告业务 工作机会 移动版 图书目录 图书标签 热搜书籍 作家大全