Python机器学习技术 模型关系管理

"《Python机器学习技术：模型关系管理》以案例分析为主线介绍不同的集成学习方法，首先阐述弱集成学习如何解决项目痛点问题，然后以痛点为起点，集中讨论强集成学习如何解构子项目问题，最后通过深度学习分析非结构化数据。 《Python机器学习技术：模型关系管理》的核心框架： 特征工程技术 机器学习算法 弱集成学习：决策树集成 强集成学习：“特征工程+机器学习”集成 混合专家：“神经网络+神经网络”集成 特色卖点： 以小数据为启程，重点阐述大数据技术的原理与流程 应用常用依赖包，编写简洁代码，实现数据分析 以集成学习为核心知识点，展开对相关知识的讨论 借助描述性案例讲解模型配置，借助项目案例讲解数据挖掘流程 以描述性挖掘、归因性探索、预测性应用并举的方式分析案例 行为中涉及的数学公式大多辅以图形理解，对数理知识的要求并不高"

第1部分机器学习概念与特征工程
第1章机器学习的基础概念/002
1.1数据源/002
1.1.1数值：单元格/002
1.1.2图像：像素点/003
1.1.3文本：词向量/004
1.2模型的基本形式：回归/006
1.2.1文氏图：方差分解/006
1.2.2分布图：分布与随机/007
1.2.3角色：监督与非监督/008
1.2.4模型应用：归因与预测/008
1.3模型与算法/013
1.3.1模型进化：从1.0到4.0/013
1.3.2算法驱动：参数与超参数/014
1.4SMD学习技术/014
1.4.1统计学习：线性回归/014
1.4.2机器学习：支持向量机/015
1.5机器学习误差源/018
1.5.1误差源/018
1.5.2偏差与方差窘境/019
1.6模型拟合诊断/020
1.6.1模型拟合/020
1.6.2模型的评估指标/021
1.7数据分区技术/024
1.7.1数据分区：训练与评估/025
1.7.2交叉验证：分区的升级/026
1.8集成学习方法/028
1.8.1强分类器：特征工程+模型/029
1.8.2弱分类器：模型+模型/029
1.8.3混合专家：神经网络/029
1.9运算加速度/029
1.9.1大数据挑战/030
1.9.2数据的高效运算/030

第2章特征工程技术/032
2.1数据变换/032
2.1.1特征规范化：对中处理/033
2.1.2样本规范化：距离相似度/035
2.2数据编码/036
2.2.1独热编码：无序性/037
2.2.2数据分箱：业务标签/038
...