当前位置:主页 > 计算机电子书 > 人工智能 > Python机器学习 pdf电子书
Python机器学习基础教程

Python机器学习基础教程 PDF 超清完整版

  • 更新:2024-03-22
  • 大小:28.3 MB
  • 类别:Python机器学习
  • 作者:安德里亚斯·穆勒
  • 出版:人民邮电出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

Python机器学习基础教程》是由人民邮电出版社出版的一本关于Python机器学习方面的书籍,作者是安德里亚斯·穆勒,主要介绍了关于Python、机器学习方面的知识内容,目前在Python机器学习类书籍综合评分为:7.4分。

码农点评

《Python机器学习基础教程》是一本非常适合机器学习入门的书籍,本书以Python语言作为介绍工具,全面讲解了机器学习的基本概念及其应用,不仅如此,本书还详细介绍了实践中最常用的机器学习算法,包括它们的优缺点,最重要的是,本书强调了待处理数据的呈现方式对机器学习的重要性,让读者对数据预处理有更深入的了解,无论是初学者还是已经对机器学习有一定了解的人,都可以从《Python机器学习基础教程》中获得有价值的知识和实践经验。

书籍介绍

Python机器学习基础教程

Python机器学习基础教程 电子书封面

读者评价

从本书提供的mglearn就可以看出来,这本书很不错。 mglearn是作者基于scikitlearn,做的二次开发,让功能更易用,UI更好看。 之前看了《Python数据科学手册》,读到机器学习的部分,完全就是云里雾里了。 但是这本书就不会有这个感觉。
强推,需要一定的python和机器学习的基础,里面没有理论只有实际运用,内容哪里过时了?基于python3.5的机器学习书,这本书已经走在很前面了。
在基于TensorFlow的深度学习框架大红大紫之前,其实在2010年前后流行过很多的经典机器学习框架。比如KNN,比如支撑向量机,比如随机森林。相对于深度学习的理论,这些经典的机器学习算法构建在更为精密的数学推导上。运筹学,最优化理论,数学分析,数理统计和随机过程构成了这些算法的理论基础,也是进一步学习各种基于神经网络的深度学习算法的基础。
本身介绍的scikit-learn是Python中对于经典机器学习框架的集大成者。在NumPy和SciPy之后,在TensorFlow之前,这本书和它介绍的scikit-learn框架和经典机器学习算法的理论非常值得一读。

内容介绍

《Python机器学习基础教程》是机器学习入门书,以Python语言介绍。主要内容包括:机器学习的基本概念及其应用;实践中最常用的机器学习算法以及这些算法的优缺点;在机器学习中待处理数据的呈现方式的重要性,以及应重点关注数据的哪些方面;模型评估和调参的高级方法,重点讲解交叉验证和网格搜索;管道的概念;如何将前面各章的方法应用到文本数据上,还介绍了一些文本特有的处理方法。

目录

  • 第1章 引言  1
  • 第2章 监督学习  21
  • 第3章 无监督学习与预处理  100
  • 第4章 数据表示与特征工程  161
  • 第5章 模型评估与改进  193
  • 第6章 算法链与管道  236
  • 第7章 处理文本数据  250
  • 第8章 全书总结  278
  • · · · · · ·

资源获取

资源地址1:https://pan.quark.cn/s/ff9bff9a52e4(密码:)

相关资源

网友留言

网友NO.26137
网友NO.26137

机器学习”在最近虽可能不至于到人尽皆知的程度,却也是非常火热的词汇。机器学习是英文单词“Machine Learning”(简称ML)的直译,从字面上便说明了这门技术是让机器进行“学习”的技术。然而我们知道机器终究是死的,所谓的“学习”归根结底亦只是人类“赋予”机器的一系列运算。这个“赋予”的过程可以有很多种实现,而Python正是其中相对容易上手、同时性能又相当不错的一门语言。本文打算先谈谈机器学习相关的一些比较宽泛的知识,再介绍并说明为何要使用Python来作为机器学习的工具。最后,我们会提供一个简短易懂的、具有实际意义的例子来给大家提供一个直观的感受。 具体而言,本章主要涉及的知识点有: 机器学习的定义及重要性; Python在机器学习领域的优异性; 如何在电脑上配置Python机器学习的环境; 机器学习一般性的步骤。

网友NO.49613
网友NO.49613

机器学习回归算法 倒退就是回到以前的状态: 一个往往比较落后的状态。在有关统计学的书籍中,您会发现回归可以衡量一个变量的平均值和其他值的对应值如何相互关联。 回归均值 查尔斯达尔文的表兄弟弗朗西斯高尔顿观察了几代人的甜豌豆大小,他得出的结论是,让大自然完成其工作将产生一系列规模。但是,如果我们选择性地培育甜豌豆的大小,它会产生更大的豌豆。然而随着自然的发展,更大的豌豆开始随着时间的推移产生更小的后代。 我们对豌豆有一定的大小要求,于是我们可以将这些值映射到特定的线或曲线。 另一个例子:猴子和股票 1973年,普林斯顿大学教授伯顿·马尔基尔(Burton Malkiel)在他的书“随机漫步华尔街”(The Random Walk Down Wall Street)中提出了一个主张,坚持认为蒙着眼睛的猴子可以通过投掷飞镖选择投资组合做专家同样出色的工作。在这样的选股比赛中,猴子击败了职业选手。但这中情况只出现了一两次,后续,猴子的表现能力又开始下降:它回归到了中庸之道。 什么是机器学习回归? 在该图中,线条最适合所有由点标记的数据。使用这一行,我们可以预测x = 70时会找到什么值(具有一定程度的不确定性)。 作为一种机器学习技术,回归在监督学习中找到了基础。我们使用它来预测连续和数值目标,并从处理我们已知的数据集值开始。它比较已知值和预测值,并将预期值和预测值之间的差异标记为误差/残差。