Python机器学习手册：从数据预处理到深度学习
韩慧昌, 林然, 徐江 译
出版时间：2019年07月
页数：368
本书提供了约200个独立的解决方案，来帮助你解决在日常开发中可 能遇到的机器学习方面的问题。如果你熟悉Python和它的库（包括Pandas和scikit-learn），你就能应对加载数据、处理文本或数值型数据、模型选择、降维等特定问题。
书中的每个解决方案都给出了相应的代码，你可以直接把它们复制并粘贴到测试数据集中，看看它们是否能正常运行。接下来，你还可以对这些代码进行插入、组合和修改操作，以构建自己的应用。 除了代码，书中还对每个解决方案进行了讨论，解释其原理并介绍相关的背景知识。本书的重点不在于讲解机器学习的理论和概念，而在于帮助你掌握构建实用的机器学习应用的要点。
本书包含如下方面的解决方案:
● 向量、矩阵和数组
● 处理数值型数据和分类数据，处理文本、图像，处理时间和日 期
● 用特征提取或特征选择方法进行降维
● 模型的评估及选择
● 线性回归和逻辑回归、树和森林、K近邻
● 支持向量机(SVM)、朴素贝叶斯、聚类和神经网络
● 保存和加载训练后的模型
书中的每个解决方案都给出了相应的代码，你可以直接把它们复制并粘贴到测试数据集中，看看它们是否能正常运行。接下来，你还可以对这些代码进行插入、组合和修改操作，以构建自己的应用。 除了代码，书中还对每个解决方案进行了讨论，解释其原理并介绍相关的背景知识。本书的重点不在于讲解机器学习的理论和概念，而在于帮助你掌握构建实用的机器学习应用的要点。
本书包含如下方面的解决方案:
● 向量、矩阵和数组
● 处理数值型数据和分类数据，处理文本、图像，处理时间和日 期
● 用特征提取或特征选择方法进行降维
● 模型的评估及选择
● 线性回归和逻辑回归、树和森林、K近邻
● 支持向量机(SVM)、朴素贝叶斯、聚类和神经网络
● 保存和加载训练后的模型
- 第1章 向量、矩阵和数组
- 1.0 简介
- 1.1 创建一个向量
- 1.2 创建一个矩阵
- 1.3 创建一个稀疏矩阵
- 1.4 选择元素
- 1.5 展示一个矩阵的属性
- 1.6 对多个元素同时应用某个操作
- 1.7 找到最大值和最小值
- 1.8 计算平均值、方差和标准差
- 1.9 矩阵变形
- 1.10 转置向量或矩阵
- 1.11 展开一个矩阵
- 1.12 计算矩阵的秩
- 1.13 计算行列式
- 1.14 获取矩阵的对角线元素
- 1.15 计算矩阵的迹
- 1.16 计算特征值和特征向量
- 1.17 计算点积
- 1.18 矩阵的相加或相减
- 1.19 矩阵的乘法
- 1.20 计算矩阵的逆
- 1.21 生成随机数
- 第2章 加载数据
- 2.0 简介
- 2.1 加载样本数据集
- 2.2 创建仿真数据集
- 2.3 加载CSV文件
- 2.4 加载Excel文件
- 2.5 加载JSON文件
- 2.6 查询SQL数据库
- 第3章 数据整理
- 3.0 简介
- 3.1 创建一个数据帧
- 3.2 描述数据
- 3.3 浏览数据帧
- 3.4 根据条件语句来选择行
- 3.5 替换值
- 3.6 重命名列
- 3.7 计算最小值、最大值、总和、平均值与计数值
- 3.8 查找唯一值
- 3.9 处理缺失值
- 3.10 删除一列
- 3.11 删除一行
- 3.12 删除重复行
- 3.13 根据值对行分组
- 3.14 按时间段对行分组
- 3.15 遍历一个列的数据
- 3.16 对一列的所有元素应用某个函数
- 3.17 对所有分组应用一个函数
- 3.18 连接多个数据帧
- 3.19 合并两个数据帧
- 第4章 处理数值型数据
- 4.0 简介
- 4.1 特征的缩放
- 4.2 特征的标准化
- 4.3 归一化观察值
- 4.4 生成多项式和交互特征
- 4.5 转换特征
- 4.6 识别异常值
- 4.7 处理异常值
- 4.8 将特征离散化
- 4.9 使用聚类的方式将观察值分组
- 4.10 删除带有缺失值的观察值
- 4.11 填充缺失值
- 第5章 处理分类数据
- 5.0 简介
- 5.1 对nominal型分类特征编码
- 5.2 对ordinal分类特征编码
- 5.3 对特征字典编码
- 5.4 填充缺失的分类值
- 5.5 处理不均衡分类
- 第6章 处理文本
- 6.0 简介
- 6.1 清洗文本
- 6.2 解析并清洗HTML
- 6.3 移除标点
- 6.4 文本分词
- 6.5 删除停止词（stop word）
- 6.6 提取词干
- 6.7 标注词性
- 6.8 将文本编码成词袋（Bag of Words）
- 6.9 按单词的重要性加权
- 第7章 处理日期和时间
- 7.0 简介
- 7.1 把字符串转换成日期
- 7.2 处理时区
- 7.3 选择日期和时间
- 7.4 将日期数据切分成多个特征
- 7.5 计算两个日期之间的时间差
- 7.6 对一周内的各天进行编码
- 7.7 创建一个滞后的特征
- 7.8 使用滚动时间窗口
- 7.9 处理时间序列中的缺失值
- 第8章 图像处理
- 8.0 简介
- 8.1 加载图像
- 8.2 保存图像
- 8.3 调整图像大小
- 8.4 裁剪图像
- 8.5 平滑处理图像
- 8.6 图像锐化
- 8.7 提升对比度
- 8.8 颜色分离
- 8.9 图像二值化
- 8.10 移除背景
- 8.11 边缘检测
- 8.12 角点检测
- 8.13 为机器学习创建特征
- 8.14 将颜色平均值编码成特征
- 8.15 将色彩直方图编码成特征
- 第9章 利用特征提取进行特征降维
- 9.0 简介
- 9.1 使用主成分进行特征降维
- 9.2 对线性不可分数据进行特征降维
- 9.3 通过最大化类间可分性进行特征降维
- 9.4 使用矩阵分解法进行特征降维
- 9.5 对稀疏数据进行特征降维
- 第10章 使用特征选择进行降维
- 10.0 简介
- 10.1 数值型特征方差的阈值化
- 10.2 二值特征的方差阈值化
- 10.3 处理高度相关性的特征
- 10.4 删除与分类任务不相关的特征
- 10.5 递归式特征消除
- 第11章 模型评估
- 11.0 简介
- 11.1 交叉验证模型
- 11.2 创建一个基准回归模型
- 11.3 创建一个基准分类模型
- 11.4 评估二元分类器
- 11.5 评估二元分类器的阈值
- 11.6 评估多元分类器
- 11.7 分类器性能的可视化
- 11.8 评估回归模型
- 11.9 评估聚类模型
- 11.10 创建自定义评估指标
- 11.11 可视化训练集规模的影响
- 11.12 生成对评估指标的报告
- 11.13 可视化超参数值的效果
- 第12章 模型选择
- 12.0 简介
- 12.1 使用穷举搜索选择最佳模型
- 12.2 使用随机搜索选择最佳模型
- 12.3 从多种学习算法中选择最佳模型
- 12.4 将数据预处理加入模型选择过程
- 12.5 用并行化加速模型选择
- 12.6 使用针对特定算法的方法加速模型选择
- 12.7 模型选择后的性能评估
- 第13章 线性回归
- 13.0 简介
- 13.1 拟合一条直线
- 13.2 处理特征之间的影响
- 13.3 拟合非线性关系
- 13.4 通过正则化减少方差
- 13.5 使用套索回归减少特征
- 第14章 树和森林
- 14.0 简介
- 14.1 训练决策树分类器
- 14.2 训练决策树回归模型
- 14.3 可视化决策树模型
- 14.4 训练随机森林分类器
- 14.5 训练随机森林回归模型
- 14.6 识别随机森林中的重要特征
- 14.7 选择随机森林中的重要特征
- 14.8 处理不均衡的分类
- 14.9 控制决策树的规模
- 14.10 通过boosting提高性能
- 14.11 使用袋外误差（Out-of-Bag Error）评估随机森林模型
- 第15章 KNN
- 15.0 简介
- 15.1 找到一个观察值的最近邻
- 15.2 创建一个KNN分类器
- 15.3 确定最佳的邻域点集的大小
- 15.4 创建一个基于半径的最近邻分类器
- 第16章 逻辑回归
- 16.0 简介
- 16.1 训练二元分类器
- 16.2 训练多元分类器
- 16.3 通过正则化来减小方差
- 16.4 在超大数据集上训练分类器
- 16.5 处理不均衡的分类
- 第17章 支持向量机
- 17.0 简介
- 17.1 训练一个线性分类器
- 17.2 使用核函数处理线性不可分的数据
- 17.3 计算预测分类的概率
- 17.4 识别支持向量
- 17.5 处理不均衡的分类
- 第18章 朴素贝叶斯
- 18.0 简介
- 18.1 为连续的数据训练分类器
- 18.2 为离散数据和计数数据训练分类器
- 18.3 为具有二元特征的数据训练朴素贝叶斯分类器
- 18.4 校准预测概率
- 第19章 聚类
- 19.0 简介
- 19.1 使用K-Means聚类算法
- 19.2 加速K-Means聚类
- 19.3 使用Meanshift聚类算法
- 19.4 使用DBSCAN聚类算法
- 19.5 使用层次合并聚类算法
- 第20章 神经网络
- 20.0 简介
- 20.1 为神经网络预处理数据
- 20.2 设计一个神经网络
- 20.3 训练一个二元分类器
- 20.4 训练一个多元分类器
- 20.5 训练一个回归模型
- 20.6 做预测
- 20.7 可视化训练历史
- 20.8 通过权重调节减少过拟合
- 20.9 通过提前结束减少过拟合
- 20.10 通过Dropout减少过拟合
- 20.11 保存模型训练过程
- 20.12 使用k折交叉验证评估神经网络
- 20.13 调校神经网络
- 20.14 可视化神经网络
- 20.15 图像分类
- 20.16 通过图像增强来改善卷积神经网络的性能
- 20.17 文本分类
- 第21章 保存和加载训练后的模型
- 21.0 简介
- 21.1 保存和加载scikit-learn模型
- 21.2 保存和加载Keras模型
书名：Python机器学习手册：从数据预处理到深度学习
作者：Chris Albon 著
译者：韩慧昌, 林然, 徐江 译
国内出版社：电子工业出版社
出版时间：2019年07月
页数：368
书号：978-7-121-36962-9
原版书书名：Machine Learning with Python Cookbook
原版书出版商：O'Reilly Media
购买选项
|
© 2024，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|