python机器学手册:从数据预处理到深度学 编程语言 作者 新华正版
￥ 45.45 5.1折 ￥ 89 全新
库存29件
河北保定
认证卖家担保交易快速发货售后保障
作者作者
出版社电子工业出版社
ISBN9787121369629
出版时间2019-07
版次1
装帧平装
开本16
页数368页
字数503千字
定价89元
货号xhwx_1201908379
上书时间2024-10-04
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
"采用基于任务的方式介绍机器学
涵盖在构建机器学模型时可能遇到的常见任务
提供近200个小任务的解决方案，以及代码
在代码中加深对理论的理解
"
目录：
章 向量、矩阵和数组
1.0 简介
1.1 创建一个向量
问题描述
解决方案
讨论
延伸阅读
1.2 创建一个矩阵
问题描述
解决方案
讨论
延伸阅读
1.3 创建一个稀疏矩阵
问题描述
解决方案
讨论
延伸阅读
1.4 选择元素
问题描述
解决方案
讨论
1.5 展示一个矩阵的属
问题描述
解决方案
讨论
1.6 对多个元素同时应用某个作
问题描述
解决方案
讨论
1.7 找到大值和小值
问题描述
解决方案
讨论
1.8 计算均值、方差和标准差
问题描述
解决方案
讨论
1.9 矩阵变形
问题描述
解决方案
讨论
1.10 转置向量或矩阵
问题描述
解决方案
讨论
1.11 展开一个矩阵
问题描述
解决方案
讨论
1.12 计算矩阵的秩
问题描述
解决方案
讨论
延伸阅读
1.13 计算行列式
问题描述
解决方案
讨论
延伸阅读
1.14 获取矩阵的对角线元素
问题描述
解决方案
讨论
1.15 计算矩阵的迹
延伸阅读
1.16 计算特征值和特征向量
问题描述
解决方案
讨论
延伸阅读
1.17 计算点积
问题描述
解决方案
讨论
延伸阅读
1.18 矩阵的加/减
问题描述
解决方案
讨论
1.19 矩阵的乘法
问题描述
解决方案
讨论
延伸阅读
1.20 计算矩阵的逆
问题描述
解决方案
讨论
1.21 生成数
问题描述
解决方案
讨论
第2章 加载数据
2.0 简介
2.1 加载样本数据集
问题描述
解决方案
讨论
延伸阅读
2.2 创建数据集
问题描述
解决方案
讨论
延伸阅读
2.3 加载csv文件
问题描述
解决方案
讨论
2.4 加载一个excel文件
问题描述
解决方案
讨论
2.5 加载json文件
问题描述
解决方案
讨论
延伸阅读
2.6 查询sql数据库
问题描述
解决方案
讨论
延伸阅读
第3章 数据整理
3.0 简介
3.1 创建一个数据帧
问题描述
解决方案
讨论
3.2描述数据
问题描述
解决方案
讨论
3.3 浏览数据帧
问题描述
解决方案
讨论
3.4 根据条件语句来选择行
问题描述
解决方案
讨论
3.5 替换值
问题描述
解决方案
讨论
3.6 重命名列
问题描述
解决方案
讨论
3.7 计算小值、大值、和、均值与值
问题描述
解决方案
讨论
3.8 查找值
问题描述
解决方案
讨论
3.9 处理缺失值
问题描述
解决方案
讨论
3.10 删除一列
问题描述
解决方案
讨论
3.11 删除一行
问题描述
解决方案
讨论
3.12 删除重复行
问题描述
解决方案
讨论
3.13 根据值对行进行分组
问题描述
解决方案
讨论
3.14 按时间段对行进行分组
问题描述
解决方案
讨论
延伸阅读
3.15 遍历一个列的数据
问题描述
解决方案
讨论
3.16 对一列的所有元素应用某个函数
问题描述
讨论
3.17 对所有分组应用一个函数
问题描述
解决方案
讨论
3.18 连接多个数据帧
问题描述
解决方案
讨论
3.19 合并两个数据帧
问题描述
解决方案
讨论
延伸阅读
第4章 处理数值型数据
4.0 简介
4.1 特征的缩放
问题描述
解决方案
讨论
延伸阅读
4.2 特征的标准化
问题描述
解决方案
讨论
4.3 归一化观察值
问题描述
解决方案
讨论
4.4 生成多项式和交互特征
问题描述
解决方案
讨论
4.5 转换特征
问题描述
解决方案
讨论
4.6 识别异常值
问题描述
解决方案
讨论
延伸阅读
4.7 处理异常值
问题描述
解决方案
讨论
延伸阅读
4.8 将特征离散化
问题描述
解决方案
讨论
延伸阅读
4.9 使用聚类的方式将观察值分组
问题描述
解决方案
讨论
4.10 删除带有缺失值的观察值
问题描述
解决方案
讨论
延伸阅读
4.11 填充缺失值
问题描述
解决方案
讨论
延伸阅读
第5章 处理分类数据
5.0 简介
5.1 对nominal型分类特征编码
问题描述
解决方案
讨论
延伸阅读
5.2 对ordinal分类特征编码
问题描述
解决方案
讨论
5.3 对特征字典编码
问题描述
解决方案
讨论
延伸阅读
5.4 填充缺失的分类值
问题描述
解决方案
讨论
延伸阅读
5.5 处理不均衡分类
问题描述
解决方案
讨论
第6章 处理文本
6.0 简介
6.1 清洗文本
问题描述
解决方案
讨论
延伸阅读
6.2 解析并清洗html
问题描述
解决方案
讨论
延伸阅读
6.3 移除标点
问题描述
解决方案
讨论
6.4 文本分词
问题描述
解决方案
讨论
6.5 删除停止词（stop word）
问题描述
解决方案
讨论
6.6 提取词干
问题描述
解决方案
讨论
延伸阅读
6.7 标注词
问题描述
解决方案
讨论
延伸阅读
6.8 将文本编码成词袋（bag of words）
问题描述
解决方案
讨论
延伸阅读
6.9 按单词的重要加权
问题描述
解决方案
讨论
延伸阅读
第7章 处理期和时间
7.0 简介
7.1 把字符串转换成期
问题描述
解决方案
讨论
延伸阅读
7.2 处理时区
问题描述
解决方案
讨论
7.3 选择期和时间
问题描述
解决方案
讨论
7.4 将期数据切分成多个特征
问题描述
解决方案
讨论
7.5 计算两个期之间的时间差
问题描述
解决方案
讨论
延伸阅读
7.6 对一周内的各天进行编码
问题描述
解决方案
讨论
延伸阅读
7.7 创建一个滞后的特征
问题描述
解决方案
讨论
7.8 使用滚动时间窗
问题描述
解决方案
讨论
延伸阅读
7.9 处理时间序列中的缺失值
问题描述
解决方案
讨论
第8章 图像处理
8.0 简介
8.1 加载图像
问题描述
解决方案
讨论
延伸阅读
8.2保存图像
问题描述
解决方案
讨论
8.3缩放图像
问题描述
解决方案
讨论
8.4裁剪图像
问题描述
解决方案
讨论
延伸阅读
8.5 图像滑
问题描述
解决方案
讨论
延伸阅读
8.6 图像锐化
问题描述
解决方案
讨论
8.7 提升对比度
问题描述
解决方案
讨论
8.8 分离
问题描述
解决方案
讨论
8.9 图像二值化
问题描述
解决方案
讨论
8.10 移除背景
问题描述
解决方案
讨论
8.11 边缘检测
问题描述
解决方案
讨论
8.12 角点检测
问题描述
解决方案
讨论
延伸阅读
8.13 为机器学创建特征
问题描述
解决方案
讨论
8.14 将均值编码成特征
问题描述
解决方案
讨论
8.15 将彩直方图编码成特征
问题描述
解决方案
讨论
延伸阅读
第9章 利用特征提取进行特征降维
9.0 简介
9.1 使用主成分进行特征降维
问题描述
解决方案
讨论
延伸阅读
9.2 对线不可分数据进行特征降维
问题描述
解决方案
讨论
延伸阅读
9.3 通过大化类间可分进行特征降维
问题描述
解决方案
讨论
延伸阅读
9.4 使用矩阵分解法进行特征降维
问题描述
解决方案
讨论
延伸阅读
9.5 对稀疏数据进行特征降维
问题描述
解决方案
讨论
延伸阅读
0章 使用特征选择进行降维
10.0 简介
10.1 数值型特征方差的阈值化
问题描述
解决方案
讨论
10.2 二值特征的方差阈值化
问题描述
解决方案
讨论
10.3 处理高度相关的特征
问题描述
解决方案
讨论
10.4 删除与分类任务不相关的特征
问题描述
解决方案
讨论
10.5 递归式特征消除
问题描述
解决方案
讨论
延伸阅读
1章 模型评估
11.0 简介
11.1 交验证模型
问题描述
解决方案
讨论
延伸阅读
11.2 创建一个基准回归模型
问题描述
解决方案
讨论
11.3 创建一个基准分类模型
问题描述
解决方案
讨论
延伸阅读
11.4 评估二元分类器
问题描述
解决方案
讨论
延伸阅读
11.5 评估二元分类器的阈值
问题描述
解决方案
讨论
延伸阅读
11.6 评估多元分类器
问题描述
解决方案
讨论
11.7 分类器能的可视化
问题描述
解决方案
讨论
延伸阅读
11.8 评估回归模型
问题描述
解决方案
讨论
延伸阅读
11.9 评估聚类模型
问题描述
解决方案
讨论
延伸阅读
11.10 创建自定义评估指标
问题描述
解决方案
讨论
延伸阅读
11.11 可视化训练集规模的影响
问题描述
解决方案
讨论
延伸阅读
11.12 生成对评估指标的报告
问题
解决方案
讨论
延伸阅读
11.13 可视化超参数值的效果
问题描述
解决方案
讨论
延伸阅读
2章 模型选择
12.0 简介
12.1 使用穷举搜索选择佳模型
问题描述
解决方案
讨论
延伸阅读
12.2 使用搜索选择佳模型
问题描述
解决方案
讨论
延伸阅读
12.3 从多种学算法中选择佳模型
问题描述
解决方案
讨论
12.4 将数据预处理加入模型选择过程
问题描述
解决方案
讨论
12.5 用并行化加速模型选择
问题描述
解决方案
讨论
12.6 使用针对特定算法的方法加速模型选择
问题描述
解决方案
讨论
延伸阅读
12.7 模型选择后的能评估
问题描述
解决方案
讨论
3章 线回归
13.0 简介
13.1 拟合一条直线
问题描述
解决方案
讨论
13.2 处理特征之间的影响
问题描述
解决方案
讨论
13.3 拟合非线关系
问题描述
解决方案
讨论
13.4 通过正则化减少方差
问题描述
解决方案
讨论
13.5 使用套索回归减少特征
问题描述
解决方案
讨论
4章 树和森林
14.0 简介
14.1 训练决策树分类器
问题描述
解决方案
讨论
延伸阅读
14.2 训练决策树回归模型
问题描述
解决方案
讨论
延伸阅读
14.3 可视化决策树模型
问题描述
解决方案
讨论
延伸阅读
14.4 训练森林分类器
问题描述
解决方案
讨论
延伸阅读
14.5 训练森林回归模型
问题描述
解决方案
讨论
延伸阅读
14.6 识别森林中的重要特征
问题描述
解决方案
讨论
14.7 选择森林中的重要特征
问题描述
解决方案
讨论
延伸阅读
14.8 处理不均衡的分类
问题描述
解决方案
讨论
14.9 控制决策树的规模
问题描述
解决方案
讨论
14.10 通过boosting提高能
问题描述
解决方案
讨论
延伸阅读
14.11 使用袋外误差（out-of-bag error）评估森林模型
问题描述
解决方案
讨论
5章 knn
15.0 简介
15.1 找到一个观察值的近邻
问题描述
解决方案
讨论
15.2 创建一个knn分类器
问题描述
解决方案
讨论
15.3 确定佳的邻域点集的大小
问题描述
解决方案
讨论
15.4 创建一个基于半径的近邻分类器
问题描述
解决方案
讨论
6章 逻辑回归
16.0 简介
16.1 训练二元分类器
问题描述
解决方案
讨论
16.2 训练多元分类器
问题描述
解决方案
讨论
16.3 通过正则化来减小方差
问题描述
解决方案
讨论
16.4 在超大数据集上训练分类器
问题描述
解决方案
讨论
延伸阅读
16.5 处理不均衡的分类
问题描述
解决方案
讨论
7章 支持向量机
17.0 简介
17.1 训练一个线分类器
问题描述
解决方案
讨论
17.2 使用核函数处理线不可分的数据
问题描述
解决方案
讨论
17.3 计算预测分类的概率
问题描述
解决方案
讨论
17.4 识别支持向量
问题描述
解决方案
讨论
17.5 处理不均衡的分类
问题描述
解决方案
讨论
8章 朴素贝叶斯
18.0 简介
18.1 为连续的数据训练分类器
问题描述
解决方案
讨论
延伸阅读
18.2 为离散数据和数据训练分类器
问题描述
解决方案
讨论
18.3 为具有二元特征的数据训练朴素贝叶斯分类器
问题描述
解决方案
讨论
18.4 校准预测概率
问题描述
解决方案
讨论
9章 聚类
19.0 简介
19.1 使用k-means聚类算法
问题描述
解决方案
讨论
延伸阅读
19.2 加速k-means聚类
问题描述
解决方案
讨论
19.3 使用meanshift聚类
问题描述
解决方案
讨论
延伸阅读
19.4 使用dbscan聚类
问题描述
解决方案
讨论
延伸阅读
19.5 使用层次合并算法聚类
问题描述
解决方案
讨论
第20章 神经网络
20.0 简介
20.1 为神经网络预处理数据
问题描述
解决方案
讨论
20.2 设计一个神经网络
问题描述
解决方案
讨论
延伸阅读
20.3 训练一个二元分类器
问题描述
解决方案
讨论
20.4 训练一个多元分类器
问题描述
解决方案
讨论
20.5 训练一个回归模型
问题描述
解决方案
讨论
20.6 做预测
问题描述
解决方案
讨论
20.7 可视化训练历史
问题描述
解决方案
讨论
20.8 通过权重调节减少过拟合
问题描述
解决方案
讨论
20.9 通过提前结束来减少过拟合
问题描述
解决方案
讨论
20.10 通过dropout来减少过拟合
问题描述
解决方案
讨论
20.11 保存模型训练过程
问题描述
解决方案
讨论
20.12 使用k折交验证评估神经网络
问题描述
解决方案
讨论
20.13 调校神经网络
问题描述
解决方案
讨论
20.14 可视化神经网络
问题描述
解决方案
讨论
20.15图像分类
问题描述
解决方案
讨论
20.16 通过图像增强来改善卷积神经网络的能
问题描述
解决方案
讨论
延伸阅读
20.17文本分类
问题描述
解决方案
讨论
第21章 保存和加载训练后的模型
21.0 简介
21.1 保存和加载一个scikit-learn模型
问题描述
解决方案
讨论
21.2 保存和加载keras模型
问题描述
解决方案
讨论
内容简介：
这是一本关于python的图书，采用基于任务的方式来介绍如何在机器学中使用python。书中有近200个独立的解决方案（并提供了相关代码，读者可以复制并粘贴这些代码，用在自己的程序中），针对的都是数据科学家或机器学工程师在构建模型时可能遇到的常见任务，涵盖简单的矩阵和向量运算到特征工程以及神经网络的构建。本书不是机器学的入门书，适合熟悉机器学的理论和概念的读者摆在案头作为参，他们可以借鉴书中的代码，快速解决在机器学的常开发中遇到的挑战。
作者简介：
克里斯？阿尔本（chri albon）是肯尼亚创业公司brck的首席数据科学家。他此前创立了ai公司new knowledge和数据科学播客partially derivative。chri在统计学、人工智能和软件工程方面拥有十年的工作经验。
精彩内容：
"序
在过去几年中，机器学已经渗透到企业、非营利组织和的常运作中。随着机器学热度的增长，在对机器学从业者的指导方面上，涌现了一批高质量的文献。这类文献培养了整整一代的数据科学家和机器学工程师。这类文献从提供学资源的角度来探讨机器学，为人们讲解机器学是什么以及它的工作。尽管这种方法富有成效，但却遗漏了一部分内容：机器学常开发中的细节。这是笔者写本书的动机——本书不是写给读者的学机器学理论的大部头，而是写给专业人士的“扳手型”工具书。我希望你把它放在书桌上，把你感兴趣的某些页折起来，在常开发中需要解决实际问题时拿过来翻一翻。
更具体地说，本书采用基于任务的方式来介绍机器学，有近200个独立的解决方案（你可以复制并粘贴这些代码，而它们将正常运行），针对的都是数据科学家或机器学工程师在构建模型时可能遇到的常见的任务。
本书的终目标是成为人们在构建真实的机器学系统时的参书。例如，设你有一个jon文件，其中包含1000个具有缺失值的分类特征和数值型特征，并且目标向量的分类不均衡，你想得到一个可解释的模型。本书提供的解决方案可以帮助你解决如下问题：
?加载jon文件（2.5 节）
?特征的标准化（4.2 节）
?对特征字典编码（5.3节）
?填充缺失的分类值（5.4节）
?使用主成分进行特征降维（9.1节）
?使用搜索选择佳模型（12.2节）
?训练森林分类器（14.4节）
?选择森林中的重要特征（14.7节）
目标是让你：
1. 复制/粘贴代码，并确信它能很好地运行在玩具数据集（toy dataet） 上。
2. 阅读每一节后面的讨论以增进对代码背后的理论的理解，并了解哪些参数是需要重点虑的因素。
3. 对书中的代码进行各种组合与修改，以构建实际的应用。
哪些人适合阅读本书
本书不是机器学的入门书。如果你对机器学的基本概念还不太了解，或者从未花时间学过机器学，请不要购买本书。本书适合机器学的实践者阅读，他们熟悉机器学的理论和概念，可以参书中的代码快速解决在常开发中遇到的挑战。
另外，本书定读者熟悉python编程语言和包管理。
哪些人不适合阅读本书
如前所述，本书不是机器学的入门书。因此，它不应该是你的本机器学书。如果你还不熟悉交验证、森林和梯度下降等概念，那么相比那些专门介绍这些主题的书来说，本书可能不会为你带来收获。建议你先阅读一本入门类机器学图书，再阅读本书来学机器学的实用解决方案。
书中用到的术语
机器学利用了很多领域的技术，包括计算机科学、统计学和数学。因此，在关于机器学的讨论中会使用各种各样的术语：
观察值 （obervation）
我们观察到的单个单位——例如一个人、一次销售或一条记录。
学算法（learning algorithm）
用来学模型的佳参数的算法——例如线回归、朴素贝叶斯或决策树。
模型（model）
学算法的输出。学算法训练出的模型可以用来做预测。
参数（parameter）
一个模型在训练过程中学到的权重或系数。
超参数（hyperparameter）
一个学算法在训练前需要设置的一组参数。
能（performance）
用来评估模型的指标。
损失（lo）
一个需要在训练中小化或大化的指标。
训练（train）
使用类似于梯度下降之类的数学方法将一个学算法应用到数据上。
拟合（fit）
使用分析方法将一个机器学算法应用到数据上。
数据（data）
一组观察值。
致谢
没有一些朋友和陌生人的帮助，这本书是不可能完成的。很难列出提供过帮助的所有人的名字，但我想至少提一下这些人：angela baa、terea borcuch、jutin bozonier、andre debruin、numa dhamani、dan friedman、joel gru、arah guido、bill kambouroglou、mat kelcey、lizzie kumar、hilary parker、niti paudyal、ebatian rachka和hreya hankar。
我欠他们所有人一瓶啤酒，或者五瓶。"
— 没有更多了 —
以下为对购买帮助不大的评价