《机器学习Web应用》配套资源

《机器学习Web应用》配套资源

  • 大小:2.07 MB
  • 类型:机器学习
  • 格式:PDF
  • 出版:人民邮电出版社
  • 作者:[意]、Andrea、Isoni、爱索尼
  • 更新:2022-06-23 21:30:46
vip 立即下载( 2.07 MB )
关注公众号免费下载
版权投诉 / 资源反馈(本资源由用户 瞿竹雨 投稿)

给寻找配套资源的朋友们精选了机器学习类书籍配套资源,介绍了关于机器学习、Web应用、机器学习方面的内容,本书是由人民邮电出版社出版,已被594人关注,由贺锐逸测试纠错,目前本书在机器学习类综合评分为:7.6分。

机器学习资源推荐

资源介绍

编辑推荐

Python是一门通用型编程语言,也是一门相对容易学习的语言。因此,数据科学家在为中小规模的数据集制作原型、实现可视化和分析数据时,经常选择使用Python。本书填补了机器学习和Web开发之间的鸿沟。本书重点讲解在Web应用中实现预测分析功能的难点,重点介绍Python语言及相关框架、工具和库,展示了如何搭建机器学习系统。你将从本书学到机器学习的核心概念,学习如何将数据部署到用Django框架开发的Web应用;还将学到如何挖掘Web、文档和服务器端数据以及如何搭建推荐引擎。随后,你将进一步探索功能强大的Django框架,学习搭建一个简单、具备现代感的影评情感分析应用,它可是用机器学习算法驱动的!本书是写给正努力成为数据科学家的读者以及新晋的数据科学家的。读者应该具备一些机器学习经验。如果你对开发智能(具备预测功能的)Web应用感兴趣,或正在从事相关开发工作,本书非常适合你。掌握一定的Django知识,学习本书将会更加轻松。我们还希望读者具备一定的Python编程背景和扎实的统计学知识。通过阅读本书,你将能够:● 熟悉机器学习基本概念和机器学习社区使用的一些术语。● 用多种工具和技术从网站挖掘数据。● 掌握Django框架的核心概念。● 了解常用的聚类和分类技术,并用Python实现它们。● 掌握用Django搭建Web应用所需的所有bi备知识。● 用Python语言的Django库成功搭建和部署电影推荐系统。

内容简介

机器学习可用来处理由用户产生的、数量不断增长的Web数据。本书讲解如何用Python语言、Django框架开发一款Web商业应用,以及如何用一些现成的库和工具(sklearn、scipy、nltk和Django等)处理和分析应用所生成或使用的数据。本书不仅涉及机器学习的核心概念,还介绍了如何将数据部署到用Django框架开发的Web应用,包括Web、文档和服务器端数据的挖掘和推荐引擎的搭建方法。本书适合有志于成为或刚刚成为数据科学家的读者学习,也适合对机器学习、Web数据挖掘等技术实践感兴趣的读者参考阅读。

作者简介

Andrea Isoni博士是一名数据科学家、物理学家,他在软件开发领域有着丰富的经验,在机器学习算法和技术方面,拥有广博的知识。此外,他还有多种语言的使用经验,如Python、C C 、Java、JavaScript、C#、SQL、HTML。他还用过Hadoop框架。译者简介杜春晓,英语语言文学学士,软件工程硕士。其他译著有《Python数据挖掘入门与实践》《Python数据分析实战》和《电子达人——我的第一本Raspberry Pi入门手册》等。新浪微博:@宜_生。

目录

  • 第1章 Python机器学习实践入门 1
  • 1.1 机器学习常用概念 1
  • 1.2 数据的准备、处理和可视化—NumPy、pandas和matplotlib教程 6
  • 1.2.1 NumPy的用法 6
  • 1.2.2 理解pandas模块 23
  • 1.2.3 matplotlib教程 32
  • 1.3 本书使用的科学计算库 35
  • 1.4 机器学习的应用场景 36
  • 1.5 小结 36
  • 第2章 无监督机器学习 37
  • 2.1 聚类算法 37
  • 2.1.1 分布方法 38
  • 2.1.2 质心点方法 40
  • 2.1.3 密度方法 41
  • 2.1.4 层次方法 44
  • 2.2 降维 52
  • 2.3 奇异值分解(SVD) 57
  • 2.4 小结 58
  • 第3章 有监督机器学习 59
  • 3.1 模型错误评估 59
  • 3.2 广义线性模型 60
  • 3.2.1 广义线性模型的概率解释 63
  • 3.2.2 k近邻 63
  • 3.3 朴素贝叶斯 64
  • 3.3.1 多项式朴素贝叶斯 65
  • 3.3.2 高斯朴素贝叶斯 66
  • 3.4 决策树 67
  • 3.5 支持向量机 70
  • 3.6 有监督学习方法的对比 75
  • 3.6.1 回归问题 75
  • 3.6.2 分类问题 80
  • 3.7 隐马尔可夫模型 84
  • 3.8 小结 93
  • 第4章 Web挖掘技术 94
  • 4.1 Web结构挖掘 95
  • 4.1.1 Web爬虫 95
  • 4.1.2 索引器 95
  • 4.1.3 排序—PageRank算法 96
  • 4.2 Web内容挖掘 97句法解析 97
  • 4.3 自然语言处理 98
  • 4.4 信息的后处理 108
  • 4.4.1 潜在狄利克雷分配 108
  • 4.4.2 观点挖掘(情感分析) 113
  • 4.5 小结 117
  • 第5章 推荐系统 118
  • 5.1 效用矩阵 118
  • 5.2 相似度度量方法 120
  • 5.3 协同过滤方法 120
  • 5.3.1 基于记忆的协同过滤 121
  • 5.3.2 基于模型的协同过滤 126
  • 5.4 CBF方法 130
  • 5.4.1 商品特征平均得分方法 131
  • 5.4.2 正则化线性回归方法 132
  • 5.5 用关联规则学习,构建推荐系统 133
  • 5.6 对数似然比推荐方法 135
  • 5.7 混合推荐系统 137
  • 5.8 推荐系统评估 139
  • 5.8.1 均方根误差(RMSE)评估 140
  • 5.8.2 分类效果的度量方法 143
  • 5.9 小结 144
  • 第6章 开始Django之旅 145
  • 6.1 HTTP—GET和POST方法的基础 145
  • 6.1.1 Django的安装和服务器的搭建 146
  • 6.1.2 配置 147
  • 6.2 编写应用—Django最重要的功能 150
  • 6.2.1 model 150
  • 6.2.2 HTML网页背后的URL和view 151
  • 6.2.3 URL声明和view 154
  • 6.3 管理后台 157
  • 6.3.1 shell接口 158
  • 6.3.2 命令 159
  • 6.3.3 RESTful应用编程接口(API) 160
  • 6.4 小结 162
  • 第7章 电影推荐系统Web应用 163
  • 7.1 让应用跑起来 163
  • 7.2 model 165
  • 7.3 命令 166
  • 7.4 实现用户的注册、登录和登出功能 172
  • 7.5 信息检索系统(电影查询) 175
  • 7.6 打分系统 178
  • 7.7 推荐系统 180
  • 7.8 管理界面和API 182
  • 7.9 小结 184
  • 第8章 影评情感分析应用 185
  • 8.1 影评情感分析应用用法简介 185
  • 8.2 搜索引擎的选取和应用的代码 187
  • 8.3 Scrapy的配置和情感分析应用代码 189
  • 8.3.1 Scrapy的设置 190
  • 8.3.2 Scraper 190
  • 8.3.3 Pipeline 193
  • 8.3.4 爬虫 194
  • 8.4 Django model 196

以上就是本次关于配套资源的介绍和部分内容,我们还整理了以往更新的其它相关电子书资源内容,可以在下方直接下载,关于相关的资源我们在下方做了关联展示,需要的朋友们也可以参考下。

机器学习相关资源

  • 机器学习实战:基于Scikit-Learn和TensorFlow

    机器学习实战:基于Scikit-Learn和TensorFlow

    本书作者曾经是谷歌工程师,在2013年至2016年主导了YouTube的视频分类工程,拥有丰富的机器学习项目经验。本书从开发者的实践角度,在动手写代码的过程中,循序渐进地了解机器学习的理论知

    大小:13.99 MB机器学习电子书

  • 大数据时代的算法:机器学习、人工智能及其典型实例

    大数据时代的算法:机器学习、人工智能及其典型实例

    《 大数据时代的算法:机器学习、人工智能及其典型实例 》介绍在互联网行业中经常涉及的算法,包括排序算法、查找算法、资源分配算法、路径分析算法、相似度分析算法,以及与机器学习

    大小:34.1 MB大数据电子书

  • 机器学习实践指南:案例应用解析

    机器学习实践指南:案例应用解析

    机器学习实践指南:案例应用解析 作者:麦好 著 出版时间:2014年版 《机器学习实践指南:案例应用解析》是机器学习及数据分析领域不可多得的一本著作,也是为数不多的既有大量实践应用案例又包含算法理论剖析的著作,作者针对机器学习算法既抽象复杂又涉及多门数学学科的特点,力求理论联系实际,始终以算法应用为主线,由浅入深以全新的角度诠释机器学习。全书分为准备篇、基础篇、统计分析实战篇和机器学习实战篇。准备篇介绍了机器学

    大小:102.22MB机器学习电子书

  • 图解机器学习

    图解机器学习

    内容简介 本书用丰富的图示,从最小二乘法出发,对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况;第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法;第Ⅳ部分介绍了各种无监督学习算法;第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码,可以用来进行简单的测试。 本书适合所有对机器学习有兴趣的初学者阅读。 187张图解轻松入门 提供可执行

    大小:59.4 MB机器学习电子书

  • 数据挖掘:实用机器学习工具与技术

    数据挖掘:实用机器学习工具与技术

    数据挖掘:实用机器学习工具与技术(原书第3版) 是机器学习和数据挖掘领域的经典畅销教材,被众多国外名校选为教材。书中详细介绍用于数据挖掘领域的机器学习技术和工具以及实践方法,

    大小:138.4 MB数据挖掘电子书

  • 《MATLAB金融算法分析实战:基于机器学习的股票量化分析》配套内容

    《MATLAB金融算法分析实战:基于机器学习的股票量化分析》配套内容

    本书全面而系统的讲解了MATLAB 金融算法设计应用,详解金融数据挖掘中趋向和发趋势指标,并结合具体的机器学习算法分析,深入的让读者学习和掌握MATLAB金融数据机器学习算法。本书注重实战,通过大量的案例,以帮助读者更好地学习本书内容。 本书共分15章。主要内容有:MATLAB入门与提高、MATLAB高级应用、时间序列数据处理、量化投资趋向指标、量化投资反趋向指标、BP神经网络上证指数预测、 BP神经网络多指标预测、RBF神经网络多指标预测、Hop

    大小:16.9 MBMATLAB配套资源

  • Python与机器学习实战

    Python与机器学习实战

    本书用到Numpy这个基础的科学计算库来进行算法代码的实现,能够从实现的过程中更好地理解机器学习算法的细节,以及了解Numpy的各种应用,适用于想了解传统机器学习算法的学生和从业者等

    大小:182 MBPython算法电子书

下载地址

学习笔记

23小时34分钟前回答

机器学习的框架推荐Python的原因

13个机器学习的框架偏向于Python的原因,供大家参考,具体内容如下 前言 主要有以下原因: 1. Python是解释语言,程序写起来非常方便 写程序方便对做机器学习的人很重要。 因为经常需要对模型进行各种各样的修改,这在编译语言里很可能是牵一发而动全身的事情,Python里通常可以用很少的时间实现。 举例来说,在C等编译语言里写一个矩阵乘法,需要自己分配操作数(矩阵)的……