深度学习是1个十分受欢迎的技术性，这书内容包括多种多样设备学习模型，包含时兴的机器学习算法，比如K近邻优化算法、逻辑回归、朴素贝叶斯、K平均值优化算法、决策树及其神经网络算法。此外，还探讨了数据预处理、超主要参数提升和集成化方式等主题风格。阅读文章完这书以后，用户将学好搭建用以文本文档归类、图像识别技术、广告词检验等每日任务的系统软件，还将学得怎么使用scikit-learn类库的API从类型自变量、文字和图象中获取特点，怎样评定实体模型的特性，并对怎样提高实体模型的特性创建判断力。此外，还将把握结合实际应用scikit-learn搭建高效率实体模型需要的专业技能，并可以根据好用的对策进行高級每日任务。近些年，Python語言变成了广火爆的计算机语言，而它在深度学习行业也是非常好的主要表现。scikit-learn是1个用Python語言撰写的机器学习算法库，它能够保持一连串常见的机器学习算法，是1个好专用工具。这书根据14章內容，详尽地详细介绍了一连串设备学习模型和scikit-learn的应用方法。这书从深度学习的基础知识说起，包含了简易线性回归、K-近邻优化算法、特征提取、多元线性回归、逻辑回归、朴素贝叶斯、离散系统归类、决策树重归、随机森林、感知机、支持向量机、神经网络算法、K-平均值优化算法、主成分分析等关键话题讨论。这书合适深度学习行业的技术工程师学习培训，也合适愿意掌握scikit-learn的大数据工程师阅读文章。根据阅读文章这书，用户将合理提高自己在设备学习模型的搭建和评定层面的工作能力，并可以高效率地处理深度学习难点。目录 第 1章 机器学习基础 1 1.1 定义机器学习 1 1.2 从经验中学习 2 1.3 机器学习任务 3 1.4 训练数据、测试数据和验证数据 4 1.5 偏差和方差 6 1.6 scikit-learn简介 8 1.7 安装scikit-learn 8 1.7.1 使用pip安装 9 1.7.2 在Windows系统下安装 9 1.7.3 在Ubuntu 16.04系统下安装 10 1.7.4 在Mac OS系统下安装 10 1.7.5 安装Anaconda 10 1.7.6 验证安装 10 1.8 安装pandas、Pillow、NLTK和matplotlib 11 1.9 小结 11 第 2章 简单线性回归 12 2.1 简单线性回归 12 2.1.1 用代价函数评价模型的拟合性 15 2.1.2 求解简单线性回归的OLS 17 2.2 评价模型 19 2.3 小结 21 第3章 用K-近邻算法分类和回归 22 3.1 K-近邻模型 22 3.2 惰性学习和非参数模型 23 3.3 KNN模型分类 23 3.4 KNN模型回归 31 3.5 小结 36 第4章 特征提取 37 4.1 从类别变量中提取特征 37 4.2 特征标准化 38 4.3 从文本中提取特征 39 4.3.1 词袋模型 39 4.3.2 停用词过滤 42 4.3.3 词干提取和词形还原 43 4.3.4 tf-idf权重扩展词包 45 4.3.5 空间有效特征向量化与哈希技巧 48 4.3.6 词向量 49 4.4 从图像中提取特征 52 4.4.1 从像素强度中提取特征 53 4.4.2 使用卷积神经网络激活项作为特征 54 4.5 小结 56 第5章 从简单线性回归到多元线性回归 58 5.1 多元线性回归 58 5.2 多项式回归 62 5.3 正则化 66 5.4 应用线性回归 67 5.4.1 探索数据 67 5.4.2 拟合和评估模型 69 5.5 梯度下降法 72 5.6 小结 76 第6章 从线性回归到逻辑回归 77 6.1 使用逻辑回归进行二元分类 77 6.2 垃圾邮件过滤 79 6.2.1 二元分类性能指标 81 6.2.2 准确率 82 6.2.3 精准率和召回率 83 6.2.4 计算F1值 84 6.2.5 ROC AUC 84 6.3 使用网格搜索微调模型 86 6.4 多类别分类 88 6.5 多标签分类和问题转换 93 6.6 小结 97 第7章 朴素贝叶斯 98 7.1 贝叶斯定理 98 7.2 生成模型和判别模型 100 7.3 朴素贝叶斯 100 7.4 在scikit-learn中使用朴素贝叶斯 102 7.5 小结 106 第8章 非线性分类和决策树回归 107 8.1 决策树 107 8.2 训练决策树 108 8.2.1 选择问题 109 8.2.2 基尼不纯度 116 8.3 使用scikit-learn类库创建决策树 117 8.4 小结 120 第9章 集成方法：从决策树到随机森林 121 9.1 套袋法 121 9.2 推进法 124 9.3 堆叠法 126 9.4 小结 128 第 10章 感知机 129 10.1 感知机 129 10.1.1 激活函数 130 10.1.2 感知机学习算法 131 10.1.3 使用感知机进行二元分类 132 10.1.4 使用感知机进行文档分类 138 10.2 感知机的局限性 139 10.3 小结 140 第 11章 从感知机到支持向量机 141 11.1 核与核技巧 141 11.2 最大间隔分类和支持向量 145 11.3 用scikit-learn分类字符 147 11.3.1 手写数字分类 147 11.3.2 自然图片字符分类 150 11.4 小结 152 第 12章 从感知机到人工神经网络 153 12.1 非线性决策边界 154 12.2 前馈人工神经网络和反馈人工神经网络 155 12.3 多层感知机 155 12.4 训练多层感知机 157 12.4.1 反向传播 158 12.4.2 训练一个多层感知机逼近XOR函数 162 12.4.3 训练一个多层感知机分类手写
评论区