新書推薦：
《
宋朝三百年
》
售價：NT$
790.0
《
行动中的理性
》
售價：NT$
440.0
《
礼制考古经典选读
》
售價：NT$
1340.0
《
MATLAB实用教程（第六版）
》
售價：NT$
695.0
《
中国思想的再发现（壹卷：近观系列，沟口雄三教授以其精湛的学术洞察力，旨在呈现一个全面而立体的中国思想图景）
》
售價：NT$
325.0
《
图以载道——传统绘画的图像叙事
》
售價：NT$
390.0
《
骨科康复学（第2版）
》
售價：NT$
1140.0
《
笔记启蒙 ： 英国皇家学会与科学革命
》
售價：NT$
390.0
|
| 編輯推薦： |
实践、实践、实践
本书通过不同的例子展示机器学习在具体项目中的应用和实践经验
使用 scikit-learn 作为编程框架，强调简单、快速地建立模型
|
| 內容簡介： |
本书系统地讲解了机器学习的基本知识，以及在实际项目中使用机器学习的基本步骤和方法；详细地介绍了在进行数据处理、分析时怎样选择合适的算法，以及建立模型并优化等方法，通过不同的例子展示了机器学习在具体项目中的应用和实践经验，是一本非常好的机器学习入门和实践的书籍。
不同于很多讲解机器学习的书籍，本书以实践为导向，使用 scikit-learn 作为编程框架，强调简单、快速地建立模型，解决实际项目问题。读者通过对本书的学习，可以迅速上手实践机器学习，并利用机器学习解决实际问题。本书非常适合于项目经理、有意从事机器学习开发的程序员，以及高校相关专业在的读学生阅读。
|
| 關於作者： |
|
魏贞原，IBM 高级项目经理，主要负责银行客户的复杂系统开发。同时是 IBM CIC量子计算 COE 团队的 Python 领域专家（Subject Matter Expert），负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决 数 据 科 学 的 问 题。并 运 营知 之Python公众号，定期分享 Python 在机器学习和深度学习中的实践知识。
|
| 目錄：
|
第一部分 初始
1 初识机器学习.................................................................................. 2
1.1 学习机器学习的误区 ........................................................................................ 2
1.2 什么是机器学习 ................................................................................................ 3
1.3 Python 中的机器学习........................................................................................ 3
1.4 学习机器学习的原则 ........................................................................................ 5
1.5 学习机器学习的技巧 ........................................................................................ 5
1.6 这本书不涵盖以下内容 .................................................................................... 6
1.7 代码说明 ............................................................................................................ 6
1.8 总结.................................................................................................................... 6
2 Python 机器学习的生态圈 .............................................................. 7
2.1 Python ................................................................................................................. 7
2.2 SciPy ................................................................................................................... 9
2.3 scikit-learn .......................................................................................................... 9
2.4 环境安装 .......................................................................................................... 10
2.5 总结.................................................................................................................. 12
3 第一个机器学习项目..................................................................... 13
3.1 机器学习中的 Hello World 项目 .................................................................... 13
3.2 导入数据.......................................................................................................... 14
3.3 概述数据.......................................................................................................... 15
3.4 数据可视化...................................................................................................... 18
3.5 评估算法.......................................................................................................... 20
3.6 实施预测.......................................................................................................... 23
3.7 总结.................................................................................................................. 24
4 Python 和 SciPy 速成 ................................................................... 25
4.1 Python 速成 ..................................................................................................... 25
4.2 NumPy 速成..................................................................................................... 34
4.3 Matplotlib 速成 ................................................................................................ 36
4.4 Pandas 速成...................................................................................................... 39
4.5 总结.................................................................................................................. 41
第二部分 数据理解
5 数据导入....................................................................................... 44
5.1 CSV 文件 ......................................................................................................... 44
5.2 Pima Indians 数据集 ........................................................................................ 45
5.3 采用标准 Python 类库导入数据..................................................................... 46
5.4 采用 NumPy 导入数据.................................................................................... 46
5.5 采用 Pandas 导入数据..................................................................................... 47
5.6 总结.................................................................................................................. 47
6 数据理解....................................................................................... 48
6.1 简单地查看数据.............................................................................................. 48
6.2 数据的维度...................................................................................................... 49
6.3 数据属性和类型.............................................................................................. 50
6.4 描述性统计...................................................................................................... 50
6.5 数据分组分布（适用于分类算法） .............................................................. 51
6.6 数据属性的相关性.......................................................................................... 52
6.7 数据的分布分析.............................................................................................. 53
6.8 总结.................................................................................................................. 54
7 数据可视化 ................................................................................... 55
7.1 单一图表.......................................................................................................... 55
7.2 多重图表.......................................................................................................... 58
7.3 总结.................................................................................................................. 61
第三部分 数据准备
8 数据预处理 ................................................................................... 64
8.1 为什么需要数据预处理.................................................................................. 64
8.2 格式化数据...................................................................................................... 65
8.3 调整数据尺度.................................................................................................. 65
8.4 正态化数据...................................................................................................... 67
8.5 标准化数据...................................................................................................... 68
8.6 二值数据 .......................................................................................................... 69
8.7 总结.................................................................................................................. 70
9 数据特征选定................................................................................ 71
9.1 特征选定 .......................................................................................................... 72
9.2 单变量特征选定 .............................................................................................. 72
9.3 递归特征消除 .................................................................................................. 73
9.4 主要成分分析 .................................................................................................. 75
9.5 特征重要性 ...................................................................................................... 76
9.6 总结.................................................................................................................. 76
第四部分 选择模型
10 评估算法....................................................................................... 78
10.1 评估算法的方法 ............................................................................................ 78
10.2 分离训练数据集和评估数据集 .................................................................... 79
10.3 K 折交叉验证分离 ........................................................................................ 80
10.4 弃一交叉验证分离 ........................................................................................ 81
10.5 重复随机分离评估数据集与训练数据集 .................................................... 82
10.6 总结................................................................................................................ 83
11 算法评估矩阵 ................................................................................ 85
11.1 算法评估矩阵 ................................................................................................ 85
11.2 分类算法矩阵 ................................................................................................ 86
11.3 回归算法矩阵................................................................................................ 93
11.4 总结................................................................................................................ 96
12 审查分类算法................................................................................ 97
12.1 算法审查........................................................................................................ 97
12.2 算法概述........................................................................................................ 98
12.3 线性算法........................................................................................................ 98
12.4 非线性算法.................................................................................................. 101
12.5 总结.............................................................................................................. 105
13 审查回归算法.............................................................................. 106
13.1 算法概述...................................................................................................... 106
13.2 线性算法...................................................................................................... 107
13.3 非线性算法................................................................................................... 111
13.4 总结.............................................................................................................. 113
14 算法比较..................................................................................... 115
14.1 选择最佳的机器学习算法 .......................................................................... 115
14.2 机器学习算法的比较 .................................................................................. 116
14.3 总结.............................................................................................................. 118
15 自动流程..................................................................................... 119
15.1 机器学习的自动流程 .................................................................................. 119
15.2 数据准备和生成模型的 Pipeline ................................................................ 120
15.3 特征选择和生成模型的 Pipeline ................................................................ 121
15.4 总结.............................................................................................................. 122
第五部分 优化模型
16 集成算法..................................................................................... 124
16.1 集成的方法 .................................................................................................. 124
16.2 装袋算法 ...................................................................................................... 125
16.3 提升算法 ...................................................................................................... 129
16.4 投票算法 ...................................................................................................... 131
16.5 总结.............................................................................................................. 132
17 算法调参..................................................................................... 133
17.1 机器学习算法调参...................................................................................... 133
17.2 网格搜索优化参数...................................................................................... 134
17.3 随机搜索优化参数...................................................................................... 135
17.4 总结.............................................................................................................. 136
第六部分 结果部署
18 持久化加载模型 .......................................................................... 138
18.1 通过 pickle 序列化和反序列化机器学习的模型 ...................................... 138
18.2 通过 joblib 序列化和反序列化机器学习的模型....................................... 140
18.3 生成模型的技巧.......................................................................................... 141
18.4 总结.............................................................................................................. 141
第七部分 项目实践
19 预测模型项目模板....................................................................... 144
19.1 在项目中实践机器学习.............................................................................. 145
19.2 机器学习项目的 Python 模板..................................................................... 145
19.3 各步骤的详细说明...................................................................................... 146
19.4 使用模板的小技巧 ...................................................................................... 148
19.5 总结.............................................................................................................. 149
20 回归项目实例.............................................................................. 150
20.1 定义问题 ...................................................................................................... 150
20.2 导入数据 ...................................................................................................... 151
20.3 理解数据 ...................................................................................................... 152
20.4 数据可视化 .................................................................................................. 155
20.5 分离评估数据集 .......................................................................................... 159
20.6 评估算法 ...................................................................................................... 160
20.7 调参改善算法 .............................................................................................. 164
20.8 集成算法 ...................................................................................................... 165
20.9 集成算法调参 .............................................................................................. 167
20.10 确定最终模型 ............................................................................................ 168
20.11 总结 ............................................................................................................ 169
21 二分类实例 ................................................................................. 170
21.1 问题定义 ...................................................................................................... 170
21.2 导入数据 ...................................................................................................... 171
21.3 分析数据 ...................................................................................................... 172
21.4 分离评估数据集 .......................................................................................... 180
21.5 评估算法 ...................................................................................................... 180
21.6 算法调参...................................................................................................... 184
21.7 集成算法...................................................................................................... 187
21.8 确定最终模型.............................................................................................. 190
21.9 总结.............................................................................................................. 190
22 文本分类实例.............................................................................. 192
22.1 问题定义...................................................................................................... 192
22.2 导入数据...................................................................................................... 193
22.3 文本特征提取.............................................................................................. 195
22.4 评估算法...................................................................................................... 196
22.5 算法调参...................................................................................................... 198
22.6 集成算法...................................................................................................... 200
22.7 集成算法调参.............................................................................................. 201
22.8 确定最终模型.............................................................................................. 202
22.9 总结.............................................................................................................. 203
|
| 內容試閱：
|
这是最好的时代，也是最坏的时代，这是英国文豪狄更斯的名著《双城记》开篇的第一句话，一百多年来不断被人引用。这里再次引用它来形容智能革命给我们带来的未来社会。从 2016 年 AlphaGo 在围棋比赛中战胜韩国选手李世石，到 2017 年 Master 战胜世界排名第一的围棋选手柯洁，人工智能再一次引起了世人的注意。在大数据出现之前，人工智能的概念虽然一直存在，但是计算机一直不擅长处理需要依赖人类的智慧解决的问题，现在换个思路就可以解决这些问题，其核心就是变智能问题为数据问题。由此，全世界开始了新一轮的技术革命智能革命。
自从 1687 年艾萨克牛顿发表了论文《自然定律》，对万有引力和三大运动定律进行了描述，人类社会进入了科学时代。在此之后，瓦特通过科学原理直接改进蒸汽机，开启了工业革命的篇章，由于机器的发明及运用成为这个时代的标志，因此历史学家称这个时代为机器时代。机器时代是利用机器代替人力，在原有的产业基础上加上蒸汽机形成新的产业，例如马车加上蒸汽机成为火车，改变了人的出行方式；帆船加上蒸汽机成为轮船，让货物的运输变得更加便捷。同时，原有的工匠被更加便宜的工人替代，社会的财富分配不均，社会进入动荡期，如英国大约花费了半个世纪的时间才完成了工业革命的变革。同样，第二次工业革命和信息革命，每一次变革都让财富更加集中，给社会带来动荡。第二次工业革命同样花费了半个世纪的时间，一代人才消除工业革命带来的影响，让大部分人受益。当前的智能革命也会带来财富的重新分配和社会的动荡，当然目前的政府对这次革命的过程都有了足够的了解，能够把社会的动荡控制在最小范围，但是在变革中的人依然需要经受这次变革带来的动荡。
每一次变革都是一次思维方式的改进， 工业革命是机器思维替代了农耕时代的思想；信息革命是香农博士（19162001 年）的信息论带来的思想方法替代机器思维，并成为社会主导思想；在这次智能革命中，以大数据为核心的思维方式将会主导这次变革。在历次的技术革命中，一个人、一家企业，甚至一个国家，可以选择的道路只有两条：要么加入变革的浪潮，成为前 2%的弄潮儿；要么观望徘徊，被淘汰。要成为 2%的弄潮儿，需要积极拥抱这次智能变革，掌握在未来社会不会被淘汰的技能。在以大数据为基石的智能社会，利用机器学习算法对数据进行挖掘，是使机器更智能的关键，掌握数据挖掘是拥抱智能社会的举措之一。本书就将介绍如何利用机器学习算法来解决问题，对数据进行挖掘。
作 者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
