标签分类
当前位置:首页 > 人工智能电子书 > 机器学习电子书网盘下载
Python机器学习及实践:从零开始通往Kaggle竞赛之路 Python机器学习及实践:从零开始通往Kaggle竞赛之路
m0_38045485

m0_38045485 提供上传

资源
16
粉丝
30
喜欢
470
评论
10

    Python机器学习及实践:从零开始通往Kaggle竞赛之路 PDF 高清版

    机器学习电子书
    • 发布时间:

    给大家带来的一篇关于机器学习相关的电子书资源,介绍了关于Python、机器学习、Kaggle、竞赛之路方面的内容,本书是由清华大学出版社出版,格式为PDF,资源大小48.3 MB,范淼,李超编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.4,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • Python机器学习及实践:从零开始通往Kaggle竞赛之路 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1NqhFuFabFvzdnzOxl1omIg
  • 分享码:8kk2
  • Python机器学习及实践:从零开始通往Kaggle竞赛之路 PDF

    这书朝向全部对深度学习与大数据挖掘的实践活动及比赛很感兴趣的用户,重零开始,以Python计算机语言为基本,不在涉及到很多数学分析模型与繁杂程序编写专业知识的前提条件下,逐渐领着用户了解而且把握时下很时兴的深度学习、大数据挖掘与自然语言理解专用工具,如Scikitlearn、NLTK、Pandas、gensim、XGBoost、Google Tensorflow等。本书共有4章。靠前章介绍篇,详细介绍深度学习定义与Python程序编写专业知识;第2章基本篇,叙述怎么使用Scikitlearn做为基本深度学习专用工具;第3章实战篇,涉及到如何依靠非常好技术性或是实体模型全面提高具有深度学习系统软件的特性;第4章比赛篇,以Kaggle服务平台为另一半,协助用户一步一步应用这书详细介绍过的实体模型和方法,进行3项具备象征性的比赛每日任务。

    目录

    • 第1章简介篇
    • 1.1机器学习综述
    • 1.1.1任务
    • 1.1.2经验
    • 1.1.3性能
    • 1.2Python编程库
    • 1.2.1为什么使?
    • 1.2.2Python机器学习的优势
    • 1.2.3NumPy&SciPy
    • 1.2.4Matplotlib
    • 1.2.5Scikit-learn
    • 1.2.6
    • 1.2.7An
    • 1.3Python环境配置
    • 1.3.1Windows系统环境
    • 1.3.2MacOS系统环境
    • 1.4Python编程基础
    • 1.4.1Python基本语法
    • 1.4.2Python数据类型
    • 1.4.3Python数据运算
    • 1.4.4Python流程控制
    • 1.4.5Python函数(模块)设计
    • 1.4.6Python编程库(包)的导入.
    • 1.4.7Python基础综合实践.
    • 1.5章末小结
    • 第2章基础篇
    • 2.1监督学习经典模型
    • 2.1.1分类学习
    • 2.1.1.1线性分类器
    • 2.1.1.2支持向量机(分类)
    • 2.1.1.3朴素贝叶斯
    • 2.1.1.4K近邻(分类)
    • 2.1.1.5决策树
    • 2.1.1.6集成模型(分类)
    • 2.1.2回归预测
    • 2.1.2.1线性回归器
    • 2.1.2.2支持向量机(回归)
    • 2.1.2.3K近邻(回归)
    • 2.1.2.4回归树
    • 2.1.2.5集成模型(回归)
    • 2.2无监督学习经典模型
    • 2.2.1数据聚类
    • 2.2.1.1K均值算法
    • 2.2.2特征降维
    • 2.2.2.1主成分分析
    • 2.3章末小结
    • 第3章进阶篇
    • 3.1模型实用技巧
    • 3.1.1特征提升
    • 3.1.2模型正则化
    • 3.1.3模型检验
    • 3.1.4超参数搜索
    • 3.2流行库/模型实践
    • 3.2.1自然语言处理包(NLTK)
    • 3.2.2词向量(Word2Vec)技术
    • 3.2.3XGBoost模型
    • 3.2.4Tensorflow框架
    • 3.3章末小结
    • 第4章实战篇
    • 4.1Kaggle平台简介
    • 4.2Titanic罹难乘客预测
    • 4.3IMDB影评得分估计
    • 4.4MNIST手写体数字图片识别.
    • 4.5章末小结.
    • 后记
    • 参考文献

    上一篇:iOS应用程序开发方法与实践  下一篇:Spark技术内幕:深入解析Spark内核架构设计与实现原理

    展开 +

    收起 -

    码小辫二维码
     

    机器学习相关电子书
    学习笔记
    网友NO.215493

    给你选择Python语言实现机器学习算法的三大理由

    基于以下三个原因,我们选择Python作为实现机器学习算法的编程语言:(1) Python的语法清晰;(2) 易于操作纯文本文件;(3) 使用广泛,存在大量的开发文档。 可执行伪代码 Python具有清晰的语法结构,大家也把它称作可执行伪代码(executable pseudo-code)。默认安装的Python开发环境已经附带了很多高级数据类型,如列表、元组、字典、集合、队列等,无需进一步编程就可以使用这些数据类型的操作。使用这些数据类型使得实现抽象的数学概念非常简单。此外,读者还可以使用自己熟悉的编程风格,如面向对象编程、面向过程编程、或者函数式编程。不熟悉Python的读者可以参阅附录A,该附录详细介绍了Python语言、Python使用的数据类型以及安装指南。 Python语言处理和操作文本文件非常简单,非常易于处理非数值型数据。Python语言提供了丰富的正则表达式函数以及很多访问Web页面的函数库,使得从HTML中提取数据变得非常简单直观。 Python比较流行 Python语言使用广泛,代码范例也很多,便于读者快速学习和掌握。此外,在开发实际应用程序时,也可以利用丰富的模块库缩短开发周期。 在科学和金融领域,Python语言得到了广泛应用。SciPy和NumPy等许多科学函数库都实现了向量和矩阵操作,这些函数库增加了代码的可读性,学过线性代数的……

    网友NO.654782

    python机器学习理论与实战(五)支持向量机

    做机器学习的一定对支持向量机(support vector machine-SVM)颇为熟悉,因为在深度学习出现之前,SVM一直霸占着机器学习老大哥的位子。他的理论很优美,各种变种改进版本也很多,比如latent-SVM, structural-SVM等。这节先来看看SVM的理论吧,在(图一)中A图表示有两类的数据集,图B,C,D都提供了一个线性分类器来对数据进行分类?但是哪个效果好一些? (图一) 可能对这个数据集来说,三个的分类器都一样足够好了吧,但是其实不然,这个只是训练集,现实测试的样本分布可能会比较散一些,各种可能都有,为了应对这种情况,我们要做的就是尽可能的使得线性分类器离两个数据集都尽可能的远,因为这样就会减少现实测试样本越过分类器的风险,提高检测精度。这种使得数据集到分类器之间的间距(margin)最大化的思想就是支持向量机的核心思想,而离分类器距离最近的样本成为支持向量。既然知道了我们的目标就是为了寻找最大边距,怎么寻找支持向量?如何实现?下面以(图二)来说明如何完成这些工作。 (图二) 假设(图二)中的直线表示一个超面,为了方面观看显示成一维直线,特征都是超面维度加一维度的,图中也可以看出,特征是二维,而分类器是一维的。如果特征是三维的,分类器就是一个平面。假设超……

    网友NO.613418

    《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.183276

    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……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明