Python机器学习

图书标准信息

• 作者 [新加坡]李伟梦（Wei-Meng Lee） 著； 李周芳 译
• 出版社 清华大学出版社
• 出版时间 2020-06
• 版次 1
• ISBN 9787302551973
• 定价 68.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸

【内容简介】

《Python机器学习》面向机器学习新手，主要内容如下：
  ● Python机器学习的一些基本库，包括NumPy、Pandas和matplotlib库
  ● 常见的机器学习算法，包括回归、聚类、分类和异常检测
  ● 使用Python和Scikit-learn库进行机器学习
  ● 将机器学习模型部署为Web服务
  ● 使用Microsoft Azure Machine Learning Studio进行机器学习
  ● 演习机器学习模型构建方案的实例

【作者简介】

Wei-Meng Lee是一名技术专家，也是Developer Learning Solutions公司(http://www.learn2development.net)的创始人，该公司专门从事最新技术的实践培训。

Wei-Meng具有多年的培训经验，他的培训课程特别强调“边做边学”。他动手学习编程的方法使理解这个主题比仅阅读书籍、教程和文档容易得多。

Wei-Meng这个名字经常出现在网上和印刷出版物，如DevX.com、MobiForge.com和CoDe杂志。

【目录】

第1章  机器学习简介   1

1.1  什么是机器学习?   2

1.1.1  在本书中机器学习将解决什么问题?   3

1.1.2  机器学习算法的类型   4

1.2  可得到的工具   7

1.2.1  获取Anaconda   8

1.2.2  安装Anaconda   8

1.3  本章小结   17

第2章  使用NumPy扩展Python   19

2.1  NumPy是什么?   19

2.2  创建NumPy数组   20

2.3  数组索引   22

2.3.1  布尔索引   22

2.3.2  切片数组   23

2.3.3  NumPy切片是一个引用   25

2.4  重塑数组   26

2.5  数组数学   27

2.5.1  点积   29

2.5.2  矩阵   30

2.5.3  累积和   31

2.5.4  NumPy排序   32

2.6  数组赋值   34

2.6.1  通过引用复制   34

2.6.2  按视图复制(浅复制)   35

2.6.3  按值复制(深度复制)   37

2.7  本章小结   37

第3章  使用Pandas处理表格数据   39

3.1  Pandas是什么?   39

3.2  Pandas Series   40

3.2.1  使用指定索引创建Series   41

3.2.2  访问Series中的元素   41

3.2.3  指定Datetime范围作为Series的索引   42

3.2.4  日期范围   43

3.3  Pandas DataFrame   44

3.3.1  创建DataFrame   45

3.3.2  在DataFrame中指定索引   46

3.3.3  生成DataFrame的描述性统计信息   47

3.3.4  从DataFrame中提取   48

3.3.5  选择DataFrame中的单个单元格   54

3.3.6  基于单元格值进行选择   54

3.3.7  转置DataFrame   54

3.3.8  检查结果是DataFrame还是Series   55

3.3.9  在DataFrame中排序数据   55

3.3.10  将函数应用于DataFrame   57

3.3.11  在DataFrame中添加和删除行和列   60

3.3.12  生成交叉表   63

3.4  本章小结   64

第4章  使用matplotlib显示数据   67

4.1  什么是matplotlib?   67

4.2  绘制折线图   67

4.2.1  添加标题和标签   69

4.2.2  样式   69

4.2.3  在同一图表中绘制多条线   71

4.2.4  添加图例   72

4.3  绘制柱状图   73

4.3.1  在图表中添加另一个柱状图   74

4.3.2  更改刻度标签   76

4.4  绘制饼图   77

4.4.1  分解各部分   79

4.4.2  显示自定义颜色   79

4.4.3  旋转饼状图   80

4.4.4  显示图例   81

4.4.5  保存图表   83

4.5  绘制散点图   83

4.5.1  合并图形   84

4.5.2  子图   85

4.6  使用Seaborn绘图   86

4.6.1  显示分类图   87

4.6.2  显示lmplot   89

4.6.3  显示swarmplot   90

4.7  本章小结   92

第5章  使用Scikit-learn开始机器学习   93

5.1  Scikit-learn简介   93

5.2  获取数据集   93

5.2.1  使用Scikit-learn数据集   94

5.2.2  使用Kaggle数据集   97

5.2.3  使用UCI机器学习存储库   97

5.2.4  生成自己的数据集   97

5.3  Scikit-learn入门   100

5.3.1  使用LinearRegression类对模型进行拟合   101

5.3.2  进行预测   101

5.3.3  绘制线性回归线   102

5.3.4  得到线性回归线的斜率和截距   103

5.3.5  通过计算残差平方和检验模型的性能   104

5.3.6  使用测试数据集评估模型   105

5.3.7  持久化模型   106

5.4  数据清理   108

5.4.1  使用NaN清理行   108

5.4.2  删除重复的行   110

5.4.3  规范化列   112

5.4.4  去除异常值   113

5.5  本章小结   117

第6章  有监督的学习——线性回归   119

6.1  线性回归的类型   119

6.2  线性回归   120

6.2.1  使用Boston数据集   120

6.2.2  数据清理   125

6.2.3  特征选择   126

6.2.4  多元回归   129

6.2.5  训练模型   131

6.2.6  获得截距和系数   133

6.2.7  绘制三维超平面   134

6.3  多项式回归   136

6.3.1  多项式回归公式   138

6.3.2  Scikit-learn中的多项式回归   138

6.3.3  理解偏差和方差   142

6.3.4  对Boston数据集使用多项式多元回归   145

6.3.5  绘制三维超平面   146

6.4  本章小结   149

第7章  有监督的学习——使用逻辑回归进行分类   151

7.1  什么是逻辑回归?   151

7.1.1  理解概率   153

7.1.2  logit函数   153

7.1.3  sigmoid曲线   155

7.2  使用威斯康星乳腺癌诊断数据集   156

7.2.1  检查特征之间的关系   157

7.2.2  使用一个特征训练   161

7.2.3  使用所有特性训练模型   164

7.3  本章小结   174

第8章  有监督的学习——使用支持向量机分类   175

8.1  什么是支持向量机?   175

8.1.1  最大的可分性   176

8.1.2  支持向量   177

8.1.3  超平面的公式   178

8.1.4  为SVM使用Scikit-learn   179

8.1.5  绘制超平面和边距   182

8.1.6  进行预测   183

8.2  内核的技巧   184

8.2.1  添加第三个维度   185

8.2.2  绘制三维超平面   187

8.3  内核的类型   189

8.3.1  C   193

8.3.2  径向基函数(RBF)内核   195

8.3.3  gamma   196

8.3.4  多项式内核   198

8.4  使用SVM解决实际问题   199

8.5  本章小结   202

第9章  有监督的学习——使用k-近邻(kNN)分类   203

9.1  k-近邻是什么?   203

9.1.1  用Python实现kNN   204

9.1.2  为kNN使用Scikit-learn的KNeighborsClassifier类   209

9.2  本章小结   218

第10章  无监督学习——使用k-means聚类   219

10.1  什么是无监督学习?   219

10.1.1  使用k-means的无监督学习   220

10.1.2  k-means中的聚类是如何工作的   220

10.1.3  在Python中实现k-means   223

10.1.4  在Scikit-learn中使用k-means   228

10.1.5  利用Silhouette系数评价聚类的大小   230

10.2  使用k-means解决现实问题   234

10.2.1  导入数据   234

10.2.2  清理数据   235

10.2.3  绘制散点图   236

10.2.4  使用k-means聚类   236

10.2.5  寻找最优尺寸类   238

10.3  本章小结   239

第11章  使用 Azure Machine Learning Studio   241

11.1  什么是Microsoft Azure Machine Learning Studio?   241

11.1.1  以泰坦尼克号实验为例   241

11.1.2  使用Microsoft Azure Machine Learning Studio   243

11.1.3  训练模型   254

11.1.4  将学习模型作为Web服务发布   258

11.2  本章小结   263

第12章  部署机器学习模型   265

12.1  部署ML   265

12.2  案例研究   266

12.2.1  加载数据   267

12.2.2  清理数据   267

12.2.3  检查特征之间的相关性   269

12.2.4  绘制特征之间的相关性   270

12.2.5  评估算法   273

12.2.6  训练并保存模型   275

12.3  部署模型   277

12.4  创建客户机应用程序来使用模型   279

12.5  本章小结   281