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
Python机器学习

Python机器学习 中文第2版电子书

官方价: 45

更 新:

Python机器学习 (pdf、epub、mobi、azw3)下载

下载地址:https://pan.baidu.com/s/15R9t536k0HcRI3Hh9InMn

分享码:fzp1

给大家带来的一篇关于Python相关的电子书资源,介绍了关于Python、机器学习、基础教程方面的内容,本书是由机械工业出版社出版,格式根据源资源分为PDF、epub、mobi、azw3其中一种或多种格式,资源大小59.6 MB,塞巴斯蒂安·拉施编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.5,更多相关的学习资源可以参阅 程序设计电子书Python电子书、等栏目。

Python机器学习

机器学习与预测分析早已变更企业和其他组织的运作方式 ,Python机器学习(原书第2版)名将着客户进入预测分析的全世界。本书共18章,除了简单详解机器学习及Python在机器学习中的应用,还操作系统描述了数据标准化、数据预处理、实体模型提高、柔性生产培训学习、重回、聚类分析法、神经元网络、神经网络算法等内容。

这书将机器学习背后的基本基础知识与应用社会实践活动联系出來,依据这种方式 让客户焦点于如何适当地探讨问题、排忧解难。这书讲解了如何使用Python的重要元素以及强悍的机器学习库,一块儿还呈现了如何适当运用一个一个数据分析实体模型。

这书可做为培训学习电子信息科学的初学者及想推进拓展电子信息科学制造行业掌握的客户的教材内容。相同,这书也适合计算机硬件等相关专业的大学毕业、研究生文章阅读。

目录

  • 第1章 赋予计算机从数据中学习的能力
  • 第2章 训练简单的机器学习分类算法
  • 第3章 scikit-learn机器学习分类器一览
  • 第4章 构建良好的训练集——预处理
  • 第5章 通过降维压缩数据
  • 第6章 模型评估和超参数调优的最佳实践
  • 第7章 综合不同模型的组合学习
  • 第8章 应用机器学习于情感分析
  • 第9章 将机器学习模型嵌入网络应用
  • 第10章 用回归分析预测连续目标变量
  • 第11章 用聚类分析处理无标签数据
  • 第12章 从零开始实现多层人工神经网络
  • 第13章 用TensorFlow并行训练神经网络
  • 第14章 深入探讨TensorFlow的工作原理
  • 第15章 深度卷积神经网络图像识别
  • 第16章 用递归神经网络为序列数据建模

上一篇:重构:改善既有代码的设计  下一篇:幕后产品:打造突破式产品思维

展开 +

收起 -

Python 相关电子书
Python 学习笔记
网友NO.942074

python机器学习实战之最近邻kNN分类器

K近邻法是有监督学习方法,原理很简单,假设我们有一堆分好类的样本数据,分好类表示每个样本都一个对应的已知类标签,当来一个测试样本要我们判断它的类别是,就分别计算到每个样本的距离,然后选取离测试样本最近的前K个样本的标签累计投票,得票数最多的那个标签就为测试样本的标签。 源代码详解: #-*- coding:utf-8 -*- #!/usr/bin/python # 测试代码 约会数据分类 import KNN KNN.datingClassTest1() 标签为字符串 KNN.datingClassTest2() 标签为整形 # 测试代码 手写字体分类 import KNN KNN.handwritingClassTest() from numpy import * # 科学计算包 import operator # 运算符模块 from os import listdir # 获得指定目录中的内容(手写字体文件夹下样本txt) 类型命令行 ls import matplotlib # 画图可视化操作 import matplotlib.pyplot as plot # 显示一个 二维图 def myPlot(x, y, labels): fig = plot.figure()#创建一个窗口 ax = fig.add_subplot(111)# 画一个图 #ax.scatter(x,y) ax.scatter(x,y,15.0*array(labels),15.0*array(labels)) # 支持 分类颜色显示 ax.axis([-2,25,-0.2,2.0]) plot.xlabel('Percentage of Time Spent Playing Video Games')# 坐标轴名称 plot.ylabel('Liters of Ice Cream Consumed Per Week') plot.show() # 创建假 的数据测试 def createDataSet(): groop = array([[1.0, 1.1],[1.0, 1.0],[0, 0],[0, 0.1]]) # numpy的array 数组格式 labels = ['A','A','B','B']# 标签 list return groop,……

网友NO.679391

python实现机器学习多元线性回归总结

总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。 一元线性回归实现代码 下面是多元线性回归用Python实现的代码: import numpy as npdef linearRegression(data_X,data_Y,learningRate,loopNum): W = np.zeros(shape=[1, data_X.shape[1]]) # W的shape取决于特征个数,而x的行是样本个数,x的列是特征值个数 # 所需要的W的形式为 行=特征个数,列=1 这样的矩阵。但也可以用1行,再进行转置:W.T # X.shape[0]取X的行数,X.shape[1]取X的列数 b = 0 #梯度下降 for i in range(loopNum): W_derivative = np.zeros(shape=[1, data_X.shape[1]]) b_derivative, cost = 0, 0 WXPlusb = np.dot(data_X, W.T) + b # W.T:W的转置 W_derivative += np.dot((WXPlusb - data_Y).T, data_X) # np.dot:矩阵乘法 b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y) cost += (WXPlusb - data_Y)*(WXPlusb - data_Y) W_derivative = W_derivative / data_X.shape[0] # data_X.shape[0]:data_X矩阵的行数,即样本个数 b_derivative = b_derivative / data_X.shape[0] W = W - learningRate*W_derivative b = b - learningRate*b_derivative cost = cost/(2*data_X.shape[0]) if i % 100 == 0: print(cost) print(W) print(b)if __name__== __main__: X = np.random.normal(0, 10, 100) noise = np.random.normal(0, 0.05, 20) W = np.array([[3, 5, 8, 2, 1]]) #设5个特征值 X = X.reshape(20, 5) #reshape成20行5列 noise = noise.reshape(20, 1) Y = np.dot(X, W.T)+6 + noise linearRegression……

网友NO.724050

python机器学习实战之树回归详解

本文实例为大家分享了树回归的具体代码,供大家参考,具体内容如下 #-*- coding:utf-8 -*- #!/usr/bin/python ''''' 回归树 连续值回归预测 的 回归树 ''' # 测试代码 # import regTrees as RT RT.RtTreeTest() RT.RtTreeTest('ex0.txt') RT.RtTreeTest('ex2.txt') # import regTrees as RT RT.RtTreeTest('ex2.txt',ops=(10000,4)) # import regTrees as RT RT.pruneTest() # 模型树 测试 # import regTrees as RT RT.modeTreeTest(ops=(1,10) # 模型回归树和普通回归树 效果比较 计算相关系数 # import regTrees as RT RT.MRTvsSRT() from numpy import * # Tab 键值分隔的数据 提取成 列表数据集 成浮点型数据 def loadDataSet(fileName): # dataMat = [] # 目标数据集 列表 fr = open(fileName) for line in fr.readlines(): curLine = line.strip().split('\t') fltLine = map(float,curLine) #转换成浮点型数据 dataMat.append(fltLine) return dataMat # 按特征值 的数据集二元切分 特征(列) 对应的值 # 某一列的值大于value值的一行样本全部放在一个矩阵里,其余放在另一个矩阵里 def binSplitDataSet(dataSet, feature, value): mat0 = dataSet[nonzero(dataSet[:,feature] value)[0],:][0] # 数组过滤 mat1 = dataSet[nonzero(dataSet[:,feature] = value)[0],:][0] # return mat0,mat1 # 常量叶子节点 def regLeaf(dataSet):# 最后一列为标签 为数的叶子节点 return mean(dataSet[:,-1])# 目标变量的均值 # 方差 def regErr(dataSet): return var(dataSet[:,-1]) * shape(dataSet)[0]# 目标变……

网友NO.376635

Python 机器学习库 NumPy入门教程

NumPy是一个Python语言的软件包,它非常适合于科学计算。在我们使用Python语言进行机器学习编程的时候,这是一个非常常用的基础库。 本文是对它的一个入门教程。 介绍 NumPy是一个用于科技计算的基础软件包,它是Python语言实现的。它包含了: 强大的N维数组结构 精密复杂的函数 可集成到C/C++和Fortran代码的工具 线性代数,傅里叶变换以及随机数能力 除了科学计算的用途以外,NumPy也可被用作高效的通用数据的多维容器。由于它适用于任意类型的数据,这使得NumPy可以无缝和高效的集成到多种类型的数据库中。 获取NumPy 由于这是一个Python语言的软件包,因此需要你的机器上首先需要具备Python语言的环境。关于这一点,请自行在网络上搜索获取方法。 关于如何获取NumPy也请参阅scipy.org官网上的Installing packages。本文不再赘述。 笔者推荐使用pip的方式安装Python包,命令如下: pip3 install numpy 本文的代码在如下的环境中验证和测试: 硬件:MacBook Pro 2015 OS:macOS High Sierra 语言环境:Python 3.6.2 软件包:numpy 1.13.3 可以在这里获取到本文的所有源码:https://github.com/paulQuei/numpy_tutorial 另外, 为了简单起见,本文我们会通过Python的print函数来进行结果的验证 为了拼写方便,我们会默认import numpy as np 基础属性与数组创建 NumPy的基础是一个……

丹奈

丹奈 发起

资源
21
粉丝
38
喜欢
509
评论
2

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明