深入浅出Python机器学习 段小手 著 著 专业科技 文轩网

第1章概述
1.1什么是机器学习——从一个小故事开始/002
1.2机器学习的一些应用场景——蝙蝠公司的业务单元/003
1.3机器学习应该如何入门——世上无难事/005
1.4有监督学习与无监督学习/007
1.5机器学习中的分类与回归/008
1.6模型的泛化、过拟合与欠拟合/008
1.7小结/009
第2章基于Python语言的环境配置
2.1Python的下载和安装/012
2.2JupyterNotebook的安装与使用方法/013
2.2.1使用pip进行JupyterNotebook的下载和安装/013
2.2.2运行JupyterNotebook/014
2.2.3JupyterNotebook的使用方法/015
2.3一些必需库的安装及功能简介/017
2.3.1Numpy——基础科学计算库/017
2.3.2Scipy——强大的科学计算工具集/018
2.3.3pandas——数据分析的利器/019
2.3.4matplotlib——画出优美的图形/020
2.4scikit-learn——非常流行的Python机器学习库/021
2.5小结/022
第3章K最近邻算法——近朱者赤，近墨者黑
3.1K最近邻算法的原理/024
3.2K最近邻算法的用法/025
3.2.1K最近邻算法在分类任务中的应用/025
3.2.2K最近邻算法处理多元分类任务/029
3.2.3K最近邻算法用于回归分析/031
3.3K最近邻算法项目实战——酒的分类/034
3.3.1对数据集进行分析/034
3.3.2生成训练数据集和测试数据集/036
3.3.3使用K最近邻算法进行建模/038
3.3.4使用模型对新样本的分类进行预测/039
3.4小结/041
第4章广义线性模型——“耿直”的算法模型
4.1线性模型的基本概念/044
4.1.1线性模型的一般公式/044
4.1.2线性模型的图形表示/045
4.1.3线性模型的特点/049
4.2最基本的线性模型——线性回归/050
4.2.1线性回归的基本原理/050
4.2.2线性回归的性能表现/051
4.3使用L2正则化的线性模型——岭回归/053
4.3.1岭回归的原理/053
4.3.2岭回归的参数调节/054
4.4使用L1正则化的线性模型——套索回归/058
4.4.1套索回归的原理/058
4.4.2套索回归的参数调节/059
4.4.3套索回归与岭回归的对比/060
4.5小结/062
第5章朴素贝叶斯——打雷啦，收衣服啊
5.1朴素贝叶斯基本概念/064
5.1.1贝叶斯定理/064
5.1.2朴素贝叶斯的简单应用/064
5.2朴素贝叶斯算法的不同方法/068
5.2.1贝努利朴素贝叶斯/068
5.2.2高斯朴素贝叶斯/071
5.2.3多项式朴素贝叶斯/072
5.3朴素贝叶斯实战——判断肿瘤是良性还是恶性/075
5.3.1对数据集进行分析/076
5.3.2使用高斯朴素贝叶斯进行建模/077
5.3.3高斯朴素贝叶斯的学习曲线/078
5.4小结/080
第6章决策树与随机森林——会玩读心术的算法
6.1决策树/082
6.1.1决策树基本原理/082
6.1.2决策树的构建/082
6.1.3决策树的优势和不足/088
6.2随机森林/088
6.2.1随机森林的基本概念/089
6.2.2随机森林的构建/089
6.2.3随机森林的优势和不足/092
6.3随机森林实例——要不要和相亲对象进一步发展/093
6.3.1数据集的准备/093
6.3.2用get_dummies处理数据/094
6.3.3用决策树建模并做出预测/096
6.4小结/098
第7章支持向量机SVM——专治线性不可分
7.1支持向量机SVM基本概念/100
7.1.1支持向量机SVM的原理/100
7.1.2支持向量机SVM的核函数/102
7.2SVM的核函数与参数选择/104
7.2.1不同核函数的SVM对比/104
7.2.2支持向量机的gamma参数调节/106
7.2.3SVM算法的优势与不足/108
7.3SVM实例——波士顿房价回归分析/10
7.3.1初步了解数据集/109
7.3.2使用SVR进行建模/110
7.4小结/114
第8章神经网络——曾入“冷宫”，如今得宠
8.1神经网络的前世今生/116
8.1.1神经网络的起源/116
8.1.2第一个感知器学习法则/116
8.1.3神经网络之父——杰弗瑞·欣顿/117
8.2神经网络的原理及使用/118
8.2.1神经网络的原理/118
8.2.2神经网络中的非线性矫正/119
8.2.3神经网络的参数设置/121
8.3神经网络实例——手写识别/127
8.3.1使用MNIST数据集/128
8.3.2训练MLP神经网络/129
8.3.3使用模型进行数字识别/130
8.4小结/131
第9章数据预处理、降维、特征提取及聚类——快刀斩乱麻
9.1数据预处理/134
9.1.1使用StandardScaler进行数据预处理/134
9.1.2使用MinMaxScaler进行数据预处理/135
9.1.3使用RobustScaler进行数据预处理/136
9.1.4使用Normalizer进行数据预处理/137
9.1.5通过数据预处理提高模型准确率/138
9.2数据降维/140
9.2.1PCA主成分分析原理/140
9.2.2对数据降维以便于进行可视化/142
9.2.3原始特征与PCA主成分之间的关系/143
9.3特征提取/144
9.3.1PCA主成分分析法用于特征提取/145
9.3.2非负矩阵分解用于特征提取/148
9.4聚类算法/149
9.4.1K均值聚类算法/150
9.4.2凝聚聚类算法/153
9.4.3DBSCAN算法/154
9.5小结/157
第10章数据表达与特征工程——锦上再添花
10.1数据表达/160
10.1.1使用哑变量转化类型特征/160
10.1.2对数据进行装箱处理/162
10.2数据“升维”/166
10.2.1向数据集添加交互式特征/166
10.2.2向数据集添加多项式特征/170
10.3自动特征选择/173
10.3.1使用单一变量法进行特征选择/173
10.3.2基于模型的特征选择/178
10.3.3迭代式特征选择/180
10.4小结/182
第11章模型评估与优化——只有更好，没有优选
11.1使用交叉验证进行模型评估/184
11.1.1scikit-learn中的交叉验证法/184
11.1.2随机拆分和“挨个儿试试”/186
11.1.3为什么要使用交叉验证法/188
11.2使用网格搜索优化模型参数/188
11.2.1简单网格搜索/189
11.2.2与交叉验证结合的网格搜索/191
11.3分类模型的可信度评估/193
11.3.1分类模型中的预测准确率/194
11.3.2分类模型中的决定系数/197
11.4小结/198
第12章建立算法的管道模型——团结就是力量
12.1管道模型的概念及用法/202
12.1.1管道模型的基本概念/202
12.1.2使用管道模型进行网格搜索/206
12.2使用管道模型对股票涨幅进行回归分析/209
12.2.1数据集准备/209
12.2.2建立包含预处理和MLP模型的管道模型/213
12.2.3向管道模型添加特征选择步骤/214
12.3使用管道模型进行模型选择和参数调优/216
12.3.1使用管道模型进行模型选择/216
12.3.2使用管道模型寻找更优参数/217
12.4小结/220
第13章文本数据处理——亲，见字如“数”
13.1文本数据的特征提取、中文分词及词袋模型/222
13.1.1使用CountVectorizer对文本进行特征提取/222
13.1.2使用分词工具对中文文本进行分词/223
13.1.3使用词袋模型将文本数据转为数组/224
13.2对文本数据进一步进行优化处理/226
13.2.1使用n-Gram改善词袋模型/226
13.2.2使用tf-idf模型对文本数据进行处理/228
13.2.3删除文本中的停用词/234
13.3小结/236
第14章从数据获取到话题提取——从“研究员”到“段子手”
14.1简单页面的爬取/238
14.1.1准备Requests库和UserAgent/238
14.1.2确定一个目标网站并分析其结构/240
14.1.3进行爬取并保存为本地文件/241
14.2稍微复杂一点的爬取/244
14.2.1确定目标页面并进行分析/245
14.2.2Python中的正则表达式/247
14.2.3使用BeautifulSoup进行HTML解析/251
14.2.4对目标页面进行爬取并保存到本地/256
14.3对文本数据进行话题提取/258
14.3.1寻找目标网站并分析结构/259
14.3.2编写爬虫进行内容爬取/261
14.3.3使用潜在狄利克雷分布进行话题提取/263
14.4小结/265
第15章人才需求现状与未来学习方向——你是不是下一个“大牛”
15.1人才需求现状/268
15.1.1全球AI从业者达190万，人才需求3年翻8倍/268
15.1.2AI人才需求集中于一线城市，七成从业者月薪过万/269
15.1.3人才困境仍难缓解，政策支援亟不可待/269
15.2未来学习方向/270
15.2.1用于大数据分析的计算引擎/270
15.2.2深度学习开源框架/271
15.2.3使用概率模型进行推理/272
15.3技能磨炼与实际应用/272
15.3.1Kaggle算法大赛平台和OpenML平台/272
15.3.2在工业级场景中的应用/273
15.3.3对算法模型进行A/B测试/273
15.4小结/274
参考文献/275