机器学习基础—基于Python和scikit-learn的机器学习应用(翻译版)
¥
18
2.6折
¥
69.8
八五品
仅1件
作者[美]海特·萨拉赫(Hyatt Saleh) 著;邹伟 译
出版社水利水电出版社
出版时间2020-11
版次1
装帧其他
货号15
上书时间2024-07-20
商品详情
- 品相描述:八五品
图书标准信息
-
作者
[美]海特·萨拉赫(Hyatt Saleh) 著;邹伟 译
-
出版社
水利水电出版社
-
出版时间
2020-11
-
版次
1
-
ISBN
9787517085065
-
定价
69.80元
-
装帧
其他
-
开本
16开
-
纸张
胶版纸
-
页数
196页
-
字数
228千字
- 【内容简介】
-
随着机器学习算法的普及,开发和优化这些算法的新工具也得到了发展。本书首先介绍了scikit-learn包,学习如何使用scikit-learn语法;学习监督模型和无监督模型之间的差异,以及为每个数据集选择适当算法的重要性;学习将无监督聚类算法应用到真实的数据集中,发现其中的规律,并在探索中解决无监督机器学习问题。其次,本书重点研究监督学习算法,学习如何使用scikit-learn包实现不同的监督算法以及如何开发神经网络架构;还将了解如何采用合乎逻辑的结果分析,并通过调节超参数来改善算法的性能。
本书理论讲解与练习实例相结合,并通过大量的活动指导读者进行真实数据集的模拟训练。学完本书将知道如何描述监督模型和无监督模型之间的差异,以及如何将一些流行的算法应用于现实生活中的数据集中,将获得诸多技能并有信心编写机器学习算法。
本书面向机器学习领域的新手和希望学习如何使用scikit-learn库开发机器学习算法的开发人员。读者需要具备Python编程方面的一些知识和经验,但不需要任何关于scikit-learn或机器学习算法的先验知识。
- 【目录】
-
章 scikit-learn简介
1.1 scikit-learn
1.1.1 scikit-learn的优点
1.1.2 scikit-learn的缺点
1.2 数据表示
1.2.1 数据表
1.2.2 特征矩阵和目标矩阵
1.2.3 练1:加载实例数据集并创建特征矩阵和目标矩阵
1.2.4 活动1:选择目标特征并创建一个目标矩阵
1.3 数据预处理
1.3.1 混乱的数据
1.3.2 练2:处理混乱的数据
1.3.3 处理分类特征
1.3.4 练3:在文本数据上应用特征工程
1.3.5 重新缩放数据
1.3.6 练4:归一化和标准化数据
1.3.7 活动2:预处理整个数据集
1.4 scikit-learn api
1.5 监督学和无监督学
1.5.1 监督学
1.5.2 无监督学
1.6 小结
第2章 无监督学:real-life应用
2.1 聚类
2.1.1 聚类类型
2.1.2 聚类的应用
2.2 探索数据集:批发客户数据集
2.3 数据可视化
2.3.1 使用pandas加载数据集
2.3.2 可视化工具
2.3.3 练5:从noisy circles数据集中绘制一个特征的直方图
2.3.4 活动3:使用数据可视化来帮助预处理过程
2.4 k-means算
2.4.1 理解算
2.4.2 练6:在数据集上导入和训练k-means算
2.4.3 活动4:将k-means算应用于数据集
2.5 mean-shift算
2.5.1 理解算
2.5.2 练7:在数据集上导入和训练mean-shift算
2.5.3 活动5:将mean-shift算应用于数据集
2.6 dbscan算
2.6.1 理解算
2.6.2 练8:在数据集上导入和训练dbscan算
2.6.3 活动6:将dbscan算应用于数据集
2.7 聚类能的评估
2.7.1 scikit-learn的可用指标
2.7.2 练9:评估silhouette coefficient分数和calinski-harabasz指数
2.7.3 活动7:测量和比较算的能
2.8 小结
第3章 监督学:关键步骤
3.1 模型验证和测试
3.1.1 数据拆分
3.1.2 拆分比
3.1.3 练10:对实例数据集进行数据拆分
3.1.4 交验证
3.1.5 练11:使用交验证将训练集拆分为训练集和验证集
3.1.6 活动8:对手写数字数据集的数据拆分
3.2 评估指标
3.2.1 分类任务的评估指标
3.2.2 练12:在分类任务上计算不同的评估指标
3.2.3 评估指标的选择
3.2.4 回归任务的评估指标
3.2.5 练13:计算回归任务的评估指标
3.2.6 活动9:评估在手写数据集上训练的模型的能
3.3 错误分析
3.3.1 偏差、方差、数据不匹配
3.3.2 练14:计算不同数据集的错误率
3.3.3 活动10:对经过训练的手写数字识别模型执行错误分析
3.4 小结
第4章 监督学算:预测年收入
4.1 探索数据集
4.2 朴素贝叶斯算
4.2.1 朴素贝叶斯算的工作
4.2.2 练15:朴素贝叶斯算应用
4.2.3 活动11:为人收入普查数据集训练朴素贝叶斯模型
4.3 决策树算
4.3.1 决策树算的工作
4.3.2 练16:决策树算应用
4.3.3 活动12:为人收入普查数据集训练决策树模型
4.4 支持向量机算
4.4.1 支持向量机算的工作
4.4.2 练17:支持向量机算应用
4.4.3 活动13:为人收入普查数据集训练支持向量机模型
4.5 错误分析
4.6 小结
第5章 人工神经网络:预测年收入
5.1 人工神经网络
5.1.1 它们是如何工作的
5.1.2 理解超参数
5.1.3 应用程序
5.1.4 局限
5.2 应用人工神经网络
5.2.1 scikit-learn的多层感知器
5.2.2 练18:多层感知器分类器的应用
5.2.3 活动14:为人收入普查数据集训练多层感知器
5.3 能分析
5.3.1 错误分析
5.3.2 超参数微调
5.3.3 模型比较
5.3.4 活动15:比较不同模型以选择适合人收入普查数据问题的方
5.4 小结
第6章 建立自己的程序
6.1 项目的定义
6.1.1 制定计划:关键阶段
6.1.2 了解数据集
6.1.3 活动16:执行银行营销数据集的准备和创建阶段
6.2 存储并加载一个经过训练的模型
6.2.1 存储模型
6.2.2 练19:存储经过训练的模型
6.2.3 加载模型
6.2.4 练20:加载存储的模型
6.2.5 活动17:存储并加载银行营销数据集的终模型
6.3 与经过训练的模型交互
6.3.1 练21:创建一个类和一个通道来与经过训练的模型交互
6.3.2 活动18:允许与银行营销数据集模型交互
6.4 小结
附录
章:scikit-learn简介
活动1:选择目标特征并创建一个目标矩阵
活动2:预处理整个数据集
第2章:无监督学:real-life应用
活动3:使用数据可视化来辅助预处理过程
活动4:将k-means算应用于数据集
……
点击展开
点击收起
— 没有更多了 —
以下为对购买帮助不大的评价