Python机器学习经典实例电子书封面 读者评价 很多代码，但是重复的太多了。比如用逻辑回归写了个代码，预处理部分写了函数，然后从sklearn调用Logistic_regression，然后fit,predict,然后到svm部分呢，预处理部分写了个代码，然后又调用sklearn svm.fit ,predict,问题是预处理部分的代码都很类似。没必要每个例子都重复一遍的。不够简洁，也许这就是cookbook的特点吧 本书（《Python 机器学习经典实例》）的标题经典实例让我非常感兴趣。 一直认为学习任何新事物，先上手实现简单的demo，再分析这个demo做了什么，怎么做，才能更快的学习。如果是在初始阶段就大量的学习理论，只会对要学习的东西感到痛苦，这个有什么用啊？或者虽然每个字都能看懂，但放一起就不知道在说什么了。幸运的是本书就同书名一样，上手就是实例，也穿插了必要的专有名词解释，总体来说还是能够跟得上进度。并且给出了所使用的数据，能够和书中得到相同的结果，这一反馈更能够增强学习的意愿与兴趣。但是另一方面，只给出结果，而没有原因，在一定程度上只是学会了书里面的知识，而无法从虚拟的例子映射到实际的现实问题。但鱼和熊掌不可得兼，专注做好一件事，对于机器学习的通俗解释，可以从另一本书中找到答案（还没找到这本书）。 专业评价 用火的Python语言、通过各种各样的机器学习算法来解决实际问题！书中介绍的主要问题如下。 - 探索分类分析算法并将其应用于收入等级评估问题 - 使用预测建模并将其应用到实际问题中 - 了解如何使用无监督学习来执行市场细分 - 探索数据可视化技术以多种方式与数据进行交互 - 了解如何构建推荐引擎 - 理解如何与文本数据交互并构建模型来分析它 - 使用隐马尔科夫模型来研究语音数据并识别语音 内容简介 在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。 本书是为想用机器学习算法开发应用程序的Python 程序员准备的。它适合Python 初学者阅读，不过熟悉Python 编程方法对体验示例代码大有裨益。 作者介绍 Prateek Joshi 人工智能专家，重点关注基于内容的分析和深度学习，曾在英伟达、微软研究院、高通公司以及硅谷的几家早期创业公司任职。 译者简介： 陶俊杰 长期从事数据分析工作，酷爱Python，每天都和Python面对面，乐此不疲。本科毕业于北京交通大学机电学院，硕士毕业于北京交通大学经管学院。曾就职于中国移动设计院，目前在京东任职。 陈小莉 长期从事数据分析工作，喜欢Python。本科与硕士毕业于北京交通大学电信学院。目前在中科院从事科技文献与专利分析工作。 目录 第1章 监督学习 1 1.1 简介 1 1.2 数据预处理技术 2 1.2.1 准备工作 2 1.2.2 详细步骤 2 1.3 标记编码方法 4 1.4 创建线性回归器 6 1.4.1 准备工作 6 1.4.2 详细步骤 7 1.5 计算回归准确性 9 1.5.1 准备工作 9 1.5.2 详细步骤 10 1.6 保存模型数据 10 1.7 创建岭回归器 11 1.7.1 准备工作 11 1.7.2 详细步骤 12 1.8 创建多项式回归器 13 1.8.1 准备工作 13 1.8.2 详细步骤 14 1.9 估算房屋价格 15 1.9.1 准备工作 15 1.9.2 详细步骤 16 1.10 计算特征的相对重要性 17 1.11 评估共享单车的需求分布 19 1.11.1 准备工作 19 1.11.2 详细步骤 19 1.11.3 更多内容 21 第2章 创建分类器 24 2.1 简介 24 2.2 建立简单分类器 25 2.2.1 详细步骤 25 2.2.2 更多内容 27 2.3 建立逻辑回归分类器 27 2.4 建立朴素贝叶斯分类器 31 2.5 将数据集分割成训练集和测试集 32 2.6 用交叉验证检验模型准确性 33 2.6.1 准备工作 34 2.6.2 详细步骤 34 2.7 混淆矩阵可视化 35 2.8 提取性能报告 37 2.9 根据汽车特征评估质量 38 2.9.1 准备工作 38 2.9.2 详细步骤 38 2.10 生成验证曲线 40 2.11 生成学习曲线 43 2.12 估算收入阶层 45 第3章 预测建模 48 3.1 简介 48 3.2 用SVM建立线性分类器 49 3.2.1 准备工作 49 3.2.2 详细步骤 50 3.3 用SVM建立非线性分类器 53 3.4 解决类型数量不平衡问题 55 3.5 提取置信度 58 3.6 寻找最优超参数 60 3.7 建立事件预测器 62 3.7.1 准备工作 62 3.7.2 详细步骤 62 3.8 估算交通流量 64 3.8.1 准备工作 64 3.8.2 详细步骤 64 第4章 无监督学习聚类 67 4.1 简介 67 4.2 用k-means算法聚类
评论区