Python机器学习（原书第3版）
正版保障 假一赔十 可开发票
￥ 82.51 5.5折 ￥ 149 全新
库存11件
广东广州
认证卖家担保交易快速发货售后保障
作者塞巴斯蒂安
出版社机械工业出版社
ISBN9787111681373
出版时间2022-04
装帧平装
开本16开
定价149元
货号29250251
上书时间2024-10-26
商品详情
- 品相描述：全新
- 商品描述
-
前言
通过新闻和社交媒体的报道，你可能已经了解到，机器学习已成为当代 激动人心的技术之一。像谷歌、Facebook、苹果、亚马逊和IBM这样的大公司基于各自的考虑，已经在机器学习的研究和应用方面投入了巨资。机器学习似乎已经成为我们这个时代的流行词，但这绝不是昙花一现。这个激动人心的领域为我们开启了许多新的可能性，已经成为我们日常生活中不可或缺的一部分。智能手机的语音助手、为客户推荐合适的产品、防止信用卡欺诈、过滤垃圾邮件，以及检测和诊断疾病等都是明证，类似的应用层出不穷。
机器学习入门
如果有志从事机器学习方面的工作，想更好地解决问题或开展机器学习方面的研究，那么本书就是为你而备。然而，对新手而言，机器学习背后的理论、概念可能艰深晦涩，但近几年已经出版了许多机器学习方面的著作，这有助于大家通过研发强大的机器学习算法走上机器学习之路。
理论与实践相结合
通过实际的机器学习应用示例来接触实际代码是深入该领域的好方法。此外，具体的示例也有助于通过把所学的材料直接付诸行动来阐明宽泛的概念。然而请记住，更强大的力量意味着更重大的责任！
除了提供使用Python编程语言和基于Python的机器学习库进行机器学习的实践经验之外，本书还将介绍机器学习算法背后的数学概念，这些对成功地应用机器学习至关重要。因此，本书与一般纯粹的实践手册有所不同，书中不仅会对有关机器学习概念的必要细节进行讨论，而且还将对机器学习算法的工作原理、使用方法，以及如何避免 常见的陷阱（ 为重要）做出直观且翔实的解释。
为什么要选择Python
在深入机器学习领域之前，请先回答一个 重要的问题：“为什么要选择Python？”答案很简单：Python功能强大且易于取得。Python已经成为数据科学 常用的编程语言，因为它不仅可以让我们忘记编程的冗长乏味，而且为我们提供了可以把想法落地、把概念直接付诸行动的环境。
探索机器学习领域
如果在谷歌专业网站以“机器学习”作为关键词进行搜索，可能会找到325万个出版物。当然，我们无法对过去60年来所出现的各种不同算法和应用逐一进行考证。然而，本书将开启一个激动人心的旅程，它将涵盖所有重要的主题和概念，让你在这些领域能够捷足先登。如果你发现本书所提供的知识还不足以解渴，那么没关系，你还可以利用本书所引用的其他有价值的许多资源来追踪该领域的重要突破。
我们认为，对机器学习的研究可以帮助我们成为更好的科学家、思想家和问题解决者。本书将与你分享这些知识。要获得知识就要学习，关键在于保持热情，实践出真知。
前面的路或许崎岖不平，有些主题可能颇具挑战性，但希望你能抓住这个机会，更多地思考本书所带来的回报。请记住，我们将共同踏上这段旅程，帮助你掌握许多强大的武器，让你以数据驱动的方式来解决 棘手的问题。
本书的目标读者
如果你已经详细研究了机器学习方面的理论，那么本书可以教你如何把知识付诸实践。如果你以前使用过机器学习技术，想要更加深入地了解其工作原理，那么本书也是为你而写的。
如果你是机器学习领域的新手，那么不必担心，你更有理由为阅读本书而感到兴奋！我保证机器学习将会改变你解决问题的思路，并让你看到如何通过释放数据的力量来解决问题。如果你想了解如何开始用Python来回答有关数据方面的关键问题，那么请阅读本书。无论是想从零开始，还是想扩展自己已有的数据科学知识，本书都是必不可少且不可忽视的资源。
本书内容
第1章介绍用于解决不同问题的主要机器学习子领域。另外，还将讨论创建典型的机器学习模型构建流水线的基本步骤，从而形成贯穿后续各章的脉络。
第2章追溯机器学习的起源，介绍二元感知分类器和自适应线性神经元。还会简单介绍模式分类的基本原理，同时关注算法优化和机器学习的交互。
第3章描述机器学习的基本分类算法，并使用 流行、 全面的开源机器学习软件库之一scikit-learn提供实际示例。
第4章讨论如何解决未处理数据集中 常见的问题，如数据缺失。也会讨论用来识别数据集中信息量 的特征的几种方法，并教你如何处理不同类型的变量以作为机器学习算法的适当输入。
第5章描述在减少数据集中特征数量的同时保留大部分有用和具有可识别性信息的基本技术。讨论基于主成分分析的标准降维方法，并将其与监督学习和非线性变换技术进行比较。
第6章讨论在预测模型的性能评价中该做什么和不该做什么。此外，还将讨论模型评估的不同度量以及优化机器学习算法的技术。
第7章介绍有效结合多种学习算法的不同概念。讲解如何构建专家小组来克服个别学习者的弱点，从而产生更准确、更可靠的预测。
第8章讨论将文本数据转换为对机器学习算法有意义的表达方式的基本步骤，以根据文本内容预测人们的意见。
第9章继续使用第8章中的预测模型，并介绍使用嵌入式机器学习模型开发Web应用的基本步骤。
第10章讨论根据目标变量和响应变量之间的线性关系建模，从而进行连续预测的基本技术。在介绍不同的线性模型之后，还将讨论多项式回归和基于
导语摘要
本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门之作。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。
作者简介
目录
译者序
前言
作者简介
审校者简介
第1章 赋予计算机从数据中学习的能力1
1.1 构建能把数据转换为知识的智能机器1
1.2 三种不同类型的机器学习1
1.2.1 用监督学习预测未来2
1.2.2 用强化学习解决交互问题3
1.2.3 用无监督学习发现隐藏的结构4
1.3 基本术语与符号4
1.3.1 本书中使用的符号和约定5
1.3.2 机器学习的术语6
1.4 构建机器学习系统的路线图6
1.4.1 预处理——整理数据6
1.4.2 训练和选择预测模型7
1.4.3 评估模型并对未曾谋面的数据进行预测8
1.5 将Python用于机器学习8
1.5.1 利用Python Package Index安装Python及其他软件包8
1.5.2 采用Anaconda Python发行版和软件包管理器8
1.5.3 用于科学计算、数据科学和机器学习的软件包9
1.6 本章小结9
第2章 训练简单的机器学习分类算法10
2.1 人工神经元——机器学习的早期历史10
2.1.1 人工神经元的正式定义11
2.1.2 感知器学习规则12
2.2 用Python实现感知器学习算法14
2.2.1 面向对象的感知器API14
2.2.2 在鸢尾花数据集上训练感知器模型16
2.3 自适应线性神经元和学习收敛20
2.3.1 通过梯度下降 小化代价函数21
2.3.2 用Python实现Adaline22
2.3.3 通过特征缩放改善梯度下降26
2.3.4 大规模机器学习与随机梯度下降27
2.4 本章小结31
第3章 scikit-learn机器学习分类器32
3.1 选择分类算法32
3.2 了解scikit-learn的步——训练感知器32
3.3 基于逻辑回归的分类概率建模37
3.3.1 逻辑回归与条件概率37
3.3.2 学习逻辑代价函数的权重39
3.3.3 将Adaline实现转换为一个逻辑回归算法41
3.3.4 用scikit-learn训练逻辑回归模型44
3.3.5 通过正则化解决过拟合问题46
3.4 使用支持向量机 化分类间隔48
3.4.1 对分类间隔 化的直观认识48
3.4.2 用松弛变量解决非线性可分问题50
3.4.3 其他的scikit-learn实现51
3.5 用核支持向量机求解非线性问题51
3.5.1 处理线性不可分数据的核方法52
3.5.2 利用核技巧发现高维空间的分离超平面53
3.6 决策树学习56
3.6.1 化信息增益——获得 收益56
3.6.2 构建决策树59
3.6.3 多个决策树的随机森林组合62
3.7 k-近邻——一种惰性学习算法64
3.8 本章小结66
第4章 构建良好的训练数据集——数据预处理67
4.1 处理缺失数据67
4.1.1 识别数据中的缺失值67
4.1.2 删除有缺失值的训练样本或特征68
4.1.3 填补缺失值69
4.1.4 了解scikit-learn估计器API69
4.2 处理类别数据70
4.2.1 用pandas实现类别数据的编码70
4.2.2 映射序数特征71
4.2.3 为分类标签编码71
4.2.4 为名义特征做独热编码72
4.3 把数据集划分为独立的训练数据集和测试数据集74
4.4 保持相同的特征缩放76
4.5 选择有意义的特征78
4.5.1 L1和L2正则化对模型复杂度的惩罚78
4.5.2 L2正则化的几何解释78
4.5.3 L1正则化的稀疏解决方案79
4.5.4 序列特征选择算法82
4.6 用随机森林评估特征的重要性86
4.7 本章小结88
第5章 通过降维压缩数据89
5.1 用主成分分析实现无监督降维89
5.1.1 主成分分析的主要步骤89
5.1.2 逐步提取主成分90
5.1.3 总方差和解释方差92
5.1.4 特征变换93
5.1.5 用scikit-learn实现主成分分析95
5.2 基于线性判别分析的监督数据压缩97
5.2.1 主成分分析与线性判别分析97
5.2.2 线性判别分析的内部工作原理98
5.2.3 计算散布矩阵98
5.2.4 为新特征子空间选择线性判别100
5.2.5 将样本投影到新的特征空间102
5.2.6 用scikit-learn实现LDA103
5.3 非线性映射的核主成分分析104
5.3.1 核函数与核技巧104
5.3.2 用Python实现核主成分分析107
5.3.3 投影新的数据点112
5.3.4 scikit-learn的核主成分分析115
5.4 本章小结116
第6章 模型评估和超参数调优的 佳实践117
6.1 用流水线方法简化工作流117
6.1.1 加载威斯康星乳腺癌数据集117
6.1.2 在流水线中集成转换器和估计器118
6.2 使用k折交叉验证评估模型性能120
6.2.1 holdout方法120
6.2.2 k折交叉验证121
6.3 用学习和验证曲线调试算法123
内容摘要
本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门之作。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。
主编推荐
本书自第1版出版以来，备受广大读者欢迎。与同类书相比，本书除了介绍如何用Python和基于Python的机器学习软件库进行实践外，还对机器学习概念的必要细节进行讨论，同时对机器学习算法的工作原理、使用方法以及如何避免掉入常见的陷阱提供直观且翔实的解释，是Python机器学习入门之作。它的内容涵盖了众多高效Python库，包括scikit-learn、Keras和TensorFlow等，系统性地梳理和分析了各种经典算法，并通过Python语言以具体代码示例的方式深入浅出地介绍了各种算法的应用，还给出了从情感分析到神经网络的一些实践技巧，这些内容能使你快速解决你和你的团队面临的一些重要问题。
— 没有更多了 —
以下为对购买帮助不大的评价