标签分类
当前位置:首页 > 程序设计电子书 > Python电子书网盘下载
机器学习系统设计:Python语言实现 机器学习系统设计:Python语言实现
浅陌轻殇

浅陌轻殇 提供上传

资源
10
粉丝
12
喜欢
8
评论
5

    机器学习系统设计:Python语言实现 PDF 完整中文版

    Python电子书
    • 发布时间:

    给大家带来的一篇关于Python相关的电子书资源,介绍了关于机器学习、系统设计、python语言方面的内容,本书是由机械工业出版社出版,格式为PDF,资源大小84.5 MB,戴维·朱利安编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.7,更多相关的学习资源可以参阅 程序设计电子书Python电子书Python视频、等栏目。

  • 机器学习系统设计:Python语言实现 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1P9zgd9JcBfgsrPCiF10DmA
  • 分享码:wnz9
  • 机器学习系统设计:Python语言实现 PDF

    设备学习模型不可以得出精确結果的缘故有许多。从设计方案的视角来思考这种系统软件,人们可以深层次了解其最底层计算方法和能用的提升方式。这书为人们出示了深度学习设计方案全过程的夯实基础,可以使人们为特殊难题创建起订制的设备学习模型。人们将会早已掌握或应用过某些为处理疑难问题的商业设备学习模型,比如垃圾短信检验或电影分级,可是要着手于处理更加繁杂的难题,则其重中之重是让这种实体模型适用人们自身特殊的要求。

    目录

    • 译者序
    • 前言
    • 第1章 机器学习的思维1
    • 1.1 人机界面1
    • 1.2 设计原理4
    • 1.2.1 问题的类型6
    • 1.2.2 问题是否正确7
    • 1.2.3 任务8
    • 1.2.4 统一建模语言27
    • 1.3 总结31
    • 第2章 工具和技术32
    • 2.1 Python与机器学习33
    • 2.2 IPython控制台33
    • 2.3 安装SciPy栈34
    • 2.4 NumPy35
    • 2.4.1 构造和变换数组38
    • 2.4.2 数学运算39
    • 2.5 Matplotlib41
    • 2.6 Pandas45
    • 2.7 SciPy47
    • 2.8 Scikit-learn50
    • 2.9 总结57
    • 第3章 将数据变为信息58
    • 3.1 什么是数据58
    • 3.2 大数据59
    • 3.2.1 大数据的挑战60
    • 3.2.2 数据模型62
    • 3.2.3 数据分布63
    • 3.2.4 来自数据库的数据67
    • 3.2.5 来自互联网的数据68
    • 3.2.6 来自自然语言的数据70
    • 3.2.7 来自图像的数据72
    • 3.2.8 来自应用编程接口的数据72
    • 3.3 信号74
    • 3.4 数据清洗76
    • 3.5 数据可视化78
    • 3.6 总结80
    • 第4章 模型—从信息中学习81
    • 4.1 逻辑模型81
    • 4.1.1 一般性排序83
    • 4.1.2 解释空间84
    • 4.1.3 覆盖空间86
    • 4.1.4 PAC学习和计算复杂性87
    • 4.2 树状模型88
    • 4.3 规则模型92
    • 4.3.1 有序列表方法94
    • 4.3.2 基于集合的规则模型95
    • 4.4 总结98
    • 第5章 线性模型100
    • 5.1 最小二乘法101
    • 5.1.1 梯度下降102
    • 5.1.2 正规方程法107
    • 5.2 logistic回归109
    • 5.3 多分类113
    • 5.4 正则化115
    • 5.5 总结117
    • 第6章 神经网络119
    • 6.1 神经网络入门119
    • 6.2 logistic单元121
    • 6.3 代价函数126
    • 6.4 神经网络的实现128
    • 6.5 梯度检验133
    • 6.6 其他神经网络架构134
    • 6.7 总结135
    • 第7章 特征—算法眼中的世界136
    • 7.1 特征的类型137
    • 7.1.1 定量特征137
    • 7.1.2 有序特征138
    • 7.1.3 分类特征138
    • 7.2 运算和统计139
    • 7.3 结构化特征141
    • 7.4 特征变换141
    • 7.4.1 离散化143
    • 7.4.2 归一化144
    • 7.4.3 校准145
    • 7.5 主成分分析149
    • 7.6 总结151
    • 第8章 集成学习152
    • 8.1 集成学习的类型152
    • 8.2 Bagging方法153
    • 8.2.1 随机森林154
    • 8.2.2 极端随机树155
    • 8.3 Boosting方法159
    • 8.3.1 AdaBoost161
    • 8.3.2 梯度Boosting163
    • 8.4 集成学习的策略165
    • 8.5 总结168
    • 第9章 设计策略和案例研究169
    • 9.1 评价模型的表现169
    • 9.2 模型的选择174
    • 9.3 学习曲线176
    • 9.4 现实世界中的案例研究178
    • 9.4.1 建立一个推荐系统178
    • 9.4.2 温室虫害探测185
    • 9.5 机器学习一瞥188
    • 9.6 总结190

    读书笔记

    《Python机器学习经典实例》学习感悟

    初衷

    在看到一位产品经理制定机器学习的计划并实施后,产生了同样的念头,“非技术”都在了解学习机器学习,我有什么理由不去学呢?

    关于本书

    本书(《Python 机器学习经典实例》)的标题“经典实例”让我非常感兴趣。

    一直认为学习任何新事物,先上手实现简单的demo,再分析这个demo做了什么,怎么做,才能更快的学习。如果是在初始阶段就大量的学习理论,只会对要学习的东西感到痛苦,“这个有什么用啊?”或者“虽然每个字都能看懂,但放一起就不知道在说什么了”。

    幸运的是本书就同书名一样,上手就是实例,也穿插了必要的专有名词解释,总体来说还是能够跟得上进度。

    并且给出了所使用的数据,能够和书中得到相同的结果,这一反馈更能够增强学习的意愿与兴趣。

    但是另一方面,只给出“结果”,而没有“原因”,在一定程度上只是学会了“书里面的知识”,而无法从虚拟的例子映射到实际的现实问题。但鱼和熊掌不可得兼,专注做好一件事,对于“机器学习”的通俗解释,可以从另一本书中找到答案(还没找到这本书)。

    总结

    还是之前的观点,谈论一本书,要看书的受众、目标。而本书已经做到了它希望做到的 —— 给出机器学习的实例。

    上一篇:代码之外的功夫 程序员精进之路  下一篇:Python即学即用

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    Python相关电子书
    学习笔记
    网友NO.295309

    Python与Scikit-Learn的机器学习探索详解

    这篇文章主要介绍了基于Python和Scikit-Learn的机器学习探索的相关内容,小编觉得还是挺不错的,这里分享给大家,供需要的朋友学习和参考。 你好,%用户名%! 我叫Alex,我在机器学习和网络图分析(主要是理论)有所涉猎。我同时在为一家俄罗斯移动运营商开发大数据产品。这是我第一次在网上写文章,不喜勿喷。 现在,很多人想开发高效的算法以及参加机器学习的竞赛。所以他们过来问我:”该如何开始?”。一段时间以前,我在一个俄罗斯联邦政府的下属机构中领导了媒体和社交网络大数据分析工具的开发。我仍然有一些我团队使用过的文档,我乐意与你们分享。前提是读者已经有很好的数学和机器学习方面的知识(我的团队主要由MIPT(莫斯科物理与技术大学)和数据分析学院的毕业生构成)。 这篇文章是对数据科学的简介,这门学科最近太火了。机器学习的竞赛也越来越多(如,Kaggle, TudedIT),而且他们的资金通常很可观。 R和Python是提供给数据科学家的最常用的两种工具。每一个工具都有其优缺点,但Python最近在各个方面都有所胜出(仅为鄙人愚见,虽然我两者都用)。这一切的发生是因为Scikit-Learn库的腾空出世,它包含有完善的文档和丰富的机器学习算法。 请注意,我们将主要在这篇文章中探讨机器学习算……

    网友NO.730038

    总结Python常用的机器学习库

    Python在科学计算中用途广泛:计算机视觉、人工智能、数学、天文等。它同样适用于机器学习也是意料之中的事。 这篇文章就列举并描述Python的最有用的机器学习工具和库。这个列表中,我们不要求这些库是用Python写的,只要有Python接口就够了。 我们的目的不是列出Python中所有机器学习库(搜索“机器学习”时Python包索引(PyPI)返回了139个结果),而是列出我们所知的有用并且维护良好的那些。 另外,尽管有些模块可以用于多种机器学习任务,我们只列出主要焦点在机器学习的库。比如,虽然Scipy1包含一些聚类算法,但是它的主焦点不是机器学习而是全面的科学计算工具集。因此我们排除了Scipy(尽管我们也使用它!)。 另一个需要提到的是,我们同样会根据与其他科学计算库的集成效果来评估这些库,因为机器学习(有监督的或者无监督的)也是数据处理系统的一部分。如果你使用的库与数据处理系统其他的库不相配,你就要花大量时间创建不同库之间的中间层。在工具集中有个很棒的库很重要,但这个库能与其他库良好集成也同样重要。 如果你擅长其他语言,但也想使用Python包,我们也简单地描述如何与Python进行集成来使用这篇文章列出的库。 Scikit-Learn Scikit Learn7是我们在CB Insights选用的机器学习工具。我们用它进行分类、特……

    网友NO.104064

    《Python机器学习经典实例》学习感悟

    初衷 在看到一位产品经理制定机器学习的计划并实施后,产生了同样的念头,非技术都在了解学习机器学习,我有什么理由不去学呢? 关于本书 本书(《 Python 机器学习经典实例 》)的标题经典实例让我非常感兴趣。 一直认为学习任何新事物,先上手实现简单的demo,再分析这个demo做了什么,怎么做,才能更快的学习。如果是在初始阶段就大量的学习理论,只会对要学习的东西感到痛苦,这个有什么用啊?或者虽然每个字都能看懂,但放一起就不知道在说什么了。 幸运的是本书就同书名一样,上手就是实例,也穿插了必要的专有名词解释,总体来说还是能够跟得上进度。 并且给出了所使用的数据,能够和书中得到相同的结果,这一反馈更能够增强学习的意愿与兴趣。 但是另一方面,只给出结果,而没有原因,在一定程度上只是学会了书里面的知识,而无法从虚拟的例子映射到实际的现实问题。但鱼和熊掌不可得兼,专注做好一件事,对于机器学习的通俗解释,可以从另一本书中找到答案(还没找到这本书)。 总结 还是之前的观点,谈论一本书,要看书的受众、目标。而本书已经做到了它希望做到的 给出机器学习的实例。 ……

    网友NO.165945

    使用Python机器学习降低静态日志噪声

    持续集成(CI)作业可以产生大量的数据。当作业失败时,找出了什么问题可能是一个繁琐的过程,需要对日志进行调查以发现根本原因-这通常是在作业总输出的一小部分中发现的。为了更容易地将最相关的数据从其他数据中分离出来,日志还原机器学习模型使用以前成功的作业运行来训练,以从失败的运行日志中提取异常。 此原则也可应用于其他用例,例如,从期刊或其他系统范围的常规日志文件。 利用机器学习降低噪声 一个典型的日志文件包含许多名义事件(“基线”)以及一些与开发人员相关的异常。基线可能包含难以检测和删除的随机元素,如时间戳或唯一标识符。要删除基线事件,我们可以使用k最近邻模式识别算法 (k-NN)。 的日志事件必须转换为数值。k-NN回归。使用通用特征提取工具HashingVectorizer允许将该进程应用于任何类型的日志。它对每个单词进行散列,并在稀疏矩阵中对每个事件进行编码。为了进一步减少搜索空间,令牌化将删除已知的随机单词,例如日期或IP地址。 一旦模型被训练,k-NN搜索告诉我们每个新事件与基线之间的距离。 Jupyter notebook演示了稀疏矩阵向量的过程,并绘制了稀疏矩阵向量图。 介绍LOGPREIN LogReallyPython软件透明地实现了这个过程。的最初目标是协助祖尔CI使用构建数据库进行作业失败……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明