[正版新书]Scikit-Learn机器学习技术与实践 人工智能机器学习教程 计算机信息phython编程语言书籍 机

                                                                                                            店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

如遇套装商品/书籍无法选择选项，请联系在线客服。如不联系统一不发货，做不发货处理。

                 

商品基本信息,请以下列介绍为准
图书名称：	Scikit-Learn机器学习核心技术与实践
作者：	谭贞军
定价：	79.00
ISBN号：	9787302599487
出版社：	清华大学出版社

内容简介

《Scikit-Learn机器学习核心技术与实践》循序渐进地讲解了使用 Scikit-Learn 

开发机器学习程序的核心知识，并通过具体实例的实现过程演练了使用 Scikit-

Learn 的方法和流程。全书共10章，包括人工智能与Scikit-Learn 简介，加载数

据集，监督学习，无监督学习，模型选择和评估，数据集转换，实现大数据计

算，英**联赛比分预测系统（Matplotlib Scikit-Learn Flask Pandas），AI考

勤管理系统（face-recognition Matplotlib Django Scikit-Learn Dlib），实时

电影**系统（Scikit-Learn Flask Pandas）。本书简洁而不失其技术深度，内

容丰富全面，易于阅读。 《Scikit-Learn机器学习核心技术与实践》适用于已经

了解Python语言基础语法的读者，以及想进一步学习机器学习和深度学习技术

的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业教材。

编辑引荐

《Scikit-Learn机器学习核心技术与实践》的特色如下：

内容全面实用 

本书在讲解中结合了多个实用性很强的项目案例，带领读者掌握Scikit-Learn开发

的相关知识，以解决实际工作中的问题。

实例驱动教学

本书采用理论加实例的教学方式，通过这些实例实现了对知识点的横向切入和纵

向比较，让读者有更多的实践演练机会，并且可以从不同的方位展现一个知识点

的用法。 

扫码看视频讲解

本书每个二级目录后面都放置了一个二维码，扫描二维码可以在线观看视频讲解，

读者可以一边阅读图书，一边在线观看视频，提高学习效率，加深对书中案例的理

解和应用。

目录

第1 章 人工智能与Scikit-Learn 简介   1

1.1 人工智能技术的兴起  2

1.1.1 人工智能介绍        2

1.1.2 人工智能的研究领域       2

1.1.3 和人工智能相关的几个重要概念       3

1.1.4 人工智能的两个重要发展阶段       4

1.2 机器学习和深度学习  4

1.2.1 机器学习        5

1.2.2 深度学习        5

1.2.3 机器学习和深度学习的区别     6

1.3　初步认识Scikit-Learn     7

1.3.1 Scikit-Learn 介绍    7

1.3.2 使用pip 安装Scikit-Learn        7

1.3.3 使用Anaconda 安装Scikit-Learn      8

1.3.4 解决速度过慢的问题       9

1.4 准备开发工具     10

第2 章 加载数据集         11

2.1 标准数据集API        12

2.1.1 波士顿房价数据集（适用于回归任务）      12

2.1.2 威斯康星州乳腺癌数据集（适用于分类问题）         13

2.1.3 糖尿病数据集（适用于回归任务）      13

2.1.4 手写数字数据集（适用于分类任务）      14

2.1.5 Fisher 的鸢尾花数据集（适用于分类问题）      15

2.1.6 红酒数据集（适用于分类问题）            15

2.2 自定义数据集     16

2.2.1 生成聚类数据       16

2.2.2 生成同心圆样本点         17

2.2.3 生成模拟分类数据集      18

2.2.4 生成太极型非凸集样本点       19

第3 章 监督学习         21

3.1 广义线性模型     22

3.1.1 普通小二乘法    22

3.1.2 岭回归          24

3.1.3 Lasso 回归     25

3.2 线性判别分析和二次判别分析    27

3.2.1 使用线性判别分析来降维       28

3.2.2 LDA 和QDA 分类器的数学公式      30

3.2.3 收缩      30

3.3 内核岭回归         32

3.4 支持向量机         33

3.4.1 分类      34

3.4.2 回归      36

3.4.3 密度估计和异常检测      38

3.5 随机梯度下降     39

3.5.1 分类            40

3.5.2 回归      42

3.5.3 稀疏数据的随机梯度下降       42

第4 章 无监督学习         49

4.1 高斯混合模型     50

4.1.1 高斯混合       50

4.1.2 变分贝叶斯高斯混合     53

4.2 流形学习     55

4.3 聚类        57

4.3.1 KMeans 算法        57

4.3.2 MiniBatchKMeans 算法          60

4.4 双聚类         62

4.4.1 谱聚类算法    63

4.4.2 光谱联合聚类算法         66

第5 章 模型选择和评估       69

5.1 交叉验证：评估估算器的表现     70

5.1.1 计算交叉验证的指标      71

5.1.2 交叉验证迭代器    75

5.2 调整估计器的**参数     76

5.2.1 网格追踪法：穷尽的网格搜索      77

5.2.2 随机参数优化       80

5.3 模型评估: 量化预测的质量  82

5.3.1 得分参数scoring ：定义模型评估规则       83

5.3.2 分类指标       85

第6 章 数据集转换         89

6.1 Pipeline（管道）和 FeatureUnion（特征联合）         90

6.1.1 Pipeline ： 链式评估器     90

6.1.2 FeatureUnion（特征联合）：特征层          93

6.2 特征提取     95

6.2.1 从字典类型加载特征      95

6.2.2 特征哈希       96

6.2.3 提取文本特征       97

6.2.4 提取图像特征       99

6.3 预处理数据       102

6.3.1 标准化处理        102

6.3.2 非线性转换        103

6.4 无监督降维       106

6.4.1 PCA ：主成分分析       106

6.4.2 随机投影     110

第7 章 实现大数据计算     117

7.1 计算扩展策略          118

7.1.1 使用外核学习实例进行拓展           118

7.1.2 使用外核方法进行分类        119

7.2 计算性能           129

7.2.1 预测延迟     129

7.2.2 预测吞吐量        137

第8 章 英**联赛比分预测系统（Matplotlib Scikit-Learn Flask Pandas）         143

8.1 英**联赛介绍          144

8.2 系统模块介绍          144

8.3 数据集       144

8.3.1 获取api-football 密钥    145

8.3.2 获取数据     145

8.3.3 收集数据     150

8.4 特征提取和数据可视化       152

8.4.1 提取数据     153

8.4.2 数据可视化        154

8.5 模型选择和训练      161

8.5.1 机器学习函数     161

8.5.2 数据降维     172

8.5.3 MLP 神经网络    175

8.6 模型评估           178

8.6.1 近邻模型和混淆矩阵模型     179

8.6.2 随机森林模型和混淆矩阵模型           186

8.6.3 SVM 模型和混淆矩阵模型           190

8.7 Web 可视化     197

8.7.1 获取预测数据     197

8.7.2 Flask Web 主页    200

第9 章 AI 考勤管理系统（face-recognition Matplotlib Django Scikit-Learn Dlib）          203

9.1 背景介绍           204

9.2 系统需求分析          204

9.2.1 可行性分析        204

9.2.2 系统操作流程分析       204

9.2.3 系统模块设计     204

9.3 系统配置           205

9.3.1 Django 配置文件         205

9.3.2 路径导航文件     206

9.4 用户注册和登录验证   207

9.4.1 登录验证     207

9.4.2 添加新用户        208

9.4.3 设计数据模型     210

9.5 采集照片和机器学习   210

9.5.1 设置采集对象     210

9.5.2 采集照片     212

9.5.3 训练照片模型     214

9.6 考勤打卡           216

9.6.1 上班打卡签到     216

9.6.2 下班打卡     218

9.7 可视化考勤数据      220

9.7.1 统计近两周员工的考勤数据           220

9.7.2 查看本人在指定时间段内的考勤信息     225

9.7.3 查看某员工在指定时间段内的考勤信息     229

第10 章 实时电影**系统（Scikit-Learn Flask Pandas）      233

10.1 系统介绍         234

10.1.1 背景介绍    234

10.1.2 **系统和搜索引擎          234

10.1.3 项目介绍    235

10.2 系统模块         235

10.3 数据采集和整理   235

10.3.1 数据整理    236

10.3.2 电影详情数据    239

10.3.3 提取电影特征    247

10.4 情感分析和序列化操作     252

10.5 Web 端实时**       253

10.5.1 Flask 启动页面          253

10.5.2 模板文件    256

10.5.3 后端处理    263

作者简介

谭贞军，哈尔滨工业大学计算机硕士，平常喜爱Android应用开发和底层开发，

在谷歌市场已经发布多款经典应用程序。热衷于人工智能、机器学习、Android

开发和物联网开发，对AI项目的架构设计和实现原理有非常深刻的认识和理解，

应用开发经验也十分丰富。另外还十分精通Python、C、C 、Java、C#开发语

言，熟悉软件规划、项目架构和项目推广。近年来随着AI和大数据业务的兴起，

深入研究了人工智能开发应用，并且基于Python的AI研发一直是擅长的领域。

1