Python与机器学习实战 PDF 高质量版

  • 更新时间:
  • 6762人关注
  • 点击下载

给大家带来的一篇关于Python算法相关的电子书资源,介绍了关于集成学习、神经网络、决策树、机器学习、Python方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小182 MB,何宇健编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.4分

资源详情相关推荐
Python与机器学习实战
  • 出版社:电子工业出版社
  • 作者:何宇健
  • 大小:182 MB
  • 类别:Python算法
  • 热度:304
  • 《Python机器学习》配套资源
  • Python+TensorFlow机器学习实战
  • Python机器学习及实践:从零开始通往Kaggle竞赛之路
  • Python大战机器学习:数据科学家的第一个小目标
  • 读者评价

    详细介绍了机器学习的各种算法,很丰富很实用 还有对应的代码。
    非常实用,代码在GitHub上很方便,书中内容简洁明了,容易上手,很适合初学者
    最近在学机器学习。所以就买了,有代码啥的。可以学习一下。

    内容介绍

    Python与机器学习这一话题是如此的宽广,仅靠一本书自然不可能涵盖到方方面面,甚至即使出一个系列也难能做到这点。单就机器学习而言,其领域就包括但不限于如下:有监督学习(Supervised Learning),无监督学习(Unsupervised Learning)和半监督学习(Semi-Supervised Learning)。而具体的问题又大致可以分两类:分类问题(Classification)和回归问题(Regression)。Python本身带有许多机器学习的第三方库,但《Python与机器学习实战》在绝大多数情况下只会用到Numpy这个基础的科学计算库来进行算法代码的实现。这样做的目的是希望读者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。不过作为补充,《Python与机器学习实战》会在适当的时候应用scikit-learn这个成熟的第三方库中的模型。《Python与机器学习实战》适用于想了解传统机器学习算法的学生和从业者,想知道如何高效实现机器的算法的程序员,以及想了解机器学习的算法能如何进行应用的职员、经理等。

    目录

    • 第1章 Python与机器学习入门 1
    • 1.1 机器学习绪论 1
    • 1.1.1 什么是机器学习 2
    • 1.1.2 机器学习常用术语 3
    • 1.1.3 机器学习的重要性 6
    • 1.2 人生苦短,我用Python 7
    • 1.2.1 为何选择Python 7
    • 1.2.2 Python 在机器学习领域的优势 8
    • 1.2.3 Anaconda的安装与使用 8
    • 1.3 第—个机器学习样例 12
    • 1.3.1 获取与处理数据 13
    • 1.3.2 选择与训练模型 14
    • 1.3.3 评估与可视化结果 15
    • 1.4 本章小结 17
    • 第2章 贝叶斯分类器 18
    • 2.1 贝叶斯学派 18
    • 2.1.1 贝叶斯学派与频率学派 19
    • 2.1.2 贝叶斯决策论 19
    • 2.2 参数估计 20
    • 2.2.1 极大似然估计(ML估计) 21
    • 2.2.2 极大后验概率估计(MAP估计) 22
    • 2.3 朴素贝叶斯 23
    • 2.3.1 算法陈述与基本架构的搭建 23
    • 2.3.2 MultinomialNB的实现与评估 31
    • 2.3.3 GaussianNB的实现与评估 40
    • 2.3.4 MergedNB的实现与评估 43
    • 2.3.5 算法的向量化 50
    • 2.4 半朴素贝叶斯与贝叶斯网 53
    • 2.4.1 半朴素贝叶斯 53
    • 2.4.2 贝叶斯网 54
    • 2.5 相关数学理论 55
    • 2.5.1 贝叶斯公式与后验概率 55
    • 2.5.2 离散型朴素贝叶斯算法 56
    • 2.5.3 朴素贝叶斯和贝叶斯决策 58
    • 2.6 本章小结 59
    • 第3章 决策树 60
    • 3.1 数据的信息 60
    • 3.1.1 信息论简介 61
    • 3.1.2 不确定性 61
    • 3.1.3 信息的增益 65
    • 3.1.4 决策树的生成 68
    • 3.1.5 相关的实现 77
    • 3.2 过拟合与剪枝 92
    • 3.2.1 ID3、C4.5的剪枝算法 93
    • 3.2.2 CART剪枝 100
    • 3.3 评估与可视化 103
    • 3.4 相关数学理论 111
    • 3.5 本章小结 113
    • 第4章 集成学习 114
    • 4.1 “集成”的思想 114
    • 4.1.1 众擎易举 115
    • 4.1.2 Bagging与随ji森林 115
    • 4.1.3 PAC框架与Boosting 119
    • 4.2 随ji森林算法 120
    • 4.3 AdaBoost算法 124
    • 4.3.1 AdaBoost算法陈述 124
    • 4.3.2 弱模型的选择 126
    • 4.3.3 AdaBoost的实现 127
    • 4.4 集成模型的性能分析 129
    • 4.4.1 随ji数据集上的表现 130
    • 4.4.2 异或数据集上的表现 131
    • 4.4.3 螺旋数据集上的表现 134
    • 4.4.4 蘑菇数据集上的表现 136
    • 4.5 AdaBoost算法的解释 138
    • 4.6 相关数学理论 139
    • 4.6.1 经验分布函数 139
    • 4.6.2 AdaBoost与前向分步加法模型 140
    • 4.7 本章小结 142
    • 第5章 支持向量机 144
    • 5.1 感知机模型 145
    • 5.1.1 线性可分性与感知机策略 145
    • 5.1.2 感知机算法 148
    • 5.1.3 感知机算法的对偶形式 151
    • 5.2 从感知机到支持向量机 153
    • 5.2.1 间隔最大化与线性SVM 154
    • 5.2.2 SVM算法的对偶形式 158
    • 5.2.3 SVM的训练 161
    • 5.3 从线性到非线性 163
    • 5.3.1 核技巧简述 163
    • 5.3.2 核技巧的应用 166
    • 5.4 多分类与支持向量回归 180
    • 5.4.1 一对多方法(One-vs-Rest) 180
    • 5.4.2 一对一方法(One-vs-One) 181
    • 5.4.3 有向无环图方法(Directed Acyclic Graph Method) 181
    • 5.4.4 支持向量回归(Support Vector Regression) 182
    • 5.5 相关数学理论 183
    • 5.5.1 梯度下降法 183
    • 5.5.2 拉格朗日对偶性 185
    • 5.6 本章小结 187
    • 第6章 神经网络 188
    • 6.1 从感知机到多层感知机 189
    • 6.2 前向传导算法 192
    • 6.2.1 算法概述 193
    • 6.2.2 激活函数(Activation Function) 195
    • 6.2.3 损失函数(Cost Function) 199
    • 6.3 反向传播算法 200
    • 6.3.1 算法概述 200
    • 6.3.2 损失函数的选择 202
    • 6.3.3 相关实现 205
    • 6.4 特殊的层结构 211
    • 6.5 参数的更新 214
    • 6.5.1 Vanilla Update 217
    • 6.5.2 Momentum Update 217
    • 6.5.3 Nesterov Momentum Update 219
    • 6.5.4 RMSProp 220
    • 6.5.5 Adam 221
    • 6.5.6 Factory 222
    • 6.6 朴素的网络结构 223
    • 6.7 “大数据”下的网络结构 227
    • 6.7.1 分批(Batch)的思想 228
    • 6.7.2 交叉验证 230
    • 6.7.3 进度条 231
    • 6.7.4 计时器 233
    • 6.8 相关数学理论 235
    • 6.8.1 BP算法的推导 235
    • 6.8.2 Softmax log-likelihood组合 238
    • 6.9 本章小结 240
    • 第7章 卷积神经网络 241
    • 7.1 从NN到CNN 242
    • 7.1.1 “视野”的共享 242
    • 7.1.2 前向传导算法 243
    • 7.1.3 全连接层(Fully Connected Layer) 250
    • 7.1.4 池化(Pooling) 251
    • 7.2 利用TensorFlow重写NN 252
    • 7.2.1 反向传播算法 252
    • 7.2.2 重写Layer结构 253
    • 7.2.3 实现SubLayer结构 255
    • 7.2.4 重写CostLayer结构 261
    • 7.2.5 重写网络结构 262
    • 7.3 将NN扩展为CNN 263
    • 7.3.1 实现卷积层 263
    • 7.3.2 实现池化层 266
    • 7.3.3 实现CNN中的特殊层结构 267
    • 7.3.4 实现LayerFactory 268
    • 7.3.5 扩展网络结构 270
    • 7.4 CNN的性能 272
    • 7.4.1 问题描述 272
    • 7.4.2 搭建CNN模型 273
    • 7.4.3 模型分析 280
    • 7.4.4 应用CNN的方法 283
    • 7.4.5 Inception 286
    • 7.5 本章小结 289
    • 附录A Python入门 290
    • 附录B Numpy入门 303
    • 附录C TensorFlow入门 310
    展开阅读

    资源下载

    相关资源

    • Python机器学习:预测分析核心算法

      Python机器学习:预测分析核心算法

      在学习和研究机器学习的时候,面临令人眼花缭乱的算法,机器学习新手往往会不知所措。本书从算法和Python语言实现的角度,帮助读者认识机器学习。 本书专注于两类核心的算法族,即惩罚

      大小:22.4 MBPython机器学习

      立即下载
    • 机器学习:使用OpenCV和Python进行智能图像处理

      机器学习:使用OpenCV和Python进行智能图像处理

      OpenCV是1个综合性了經典和优秀计算机视觉、机器学习算法的开源系统库。根据与PythonAnaconda版本号融合,我也能够 获得你所必须的全部开源系统测算库。 这书最先详细介绍归类和重归等统计分

      大小:11.4 MB人工智能

      立即下载
    • Python项目案例开发从入门到实战:爬虫、游戏和机器学习(从入门到实战·微课视频)

      Python项目案例开发从入门到实战以Python 3.5为编程环境,从基本的程序设计思想入手,逐步展开Python语言教学,是一本面向广大编程学习者的程序设计类图书。本书以案例带动知识点的讲解,将Python知识点分解到各个不同的案例,每个案例各有侧重点,同时展示实际项目的设计思想和设计理念,使读者可以举一反三。 案例具有实用性,例如校园网搜索引擎、小小翻译器、抓取百度图片这些爬虫案例略加修改可以应用到实际项目中;还有通过微信通信协议

      大小:269.1 MBPython案例

      立即下载
    • Python机器学习

      Python机器学习

      《Python机器学习》是一本关于Python的电子书资源,涉及Python、机器学习等相关内容,本文提供大小为198MB的超清第2PDF格式电子书下载,希望大家能够喜欢。

      大小:59.6 MBPython

      立即下载
    • NLTK基础教程:用NLTK和Python库构建机器学习应用

      NLTK基础教程:用NLTK和Python库构建机器学习应用

      本书主要介绍如何通过NLTK库与一些Python库的结合从而实现复杂的NLP任务和机器学习应用。全书共分为10章。第1章对NLP进行了简单介绍。第2章、第3章和第4章主要介绍一些通用的预处理技术、专

      大小:9.87 MBNLTK

      立即下载
    • Python机器学习算法

      Python机器学习算法

      这是一本机器学习入门读物,注重理论与实践的结合,以典型的机器学习算法为例,从算法原理出发,由浅入深,详细介绍算法的理论,并配合目前流行的Python语言,从零开始,增强实际的算法实践能力

      大小:30.1 MB机器学习

      立即下载
    • 机器学习:Python实践

      机器学习:Python实践

      本书系统地讲解了机器学习的基本知识,以实践为导向,使用 scikit-learn 作为编程框架,强调简单、快速地建立模型,并利用机器学习解决实际问题

      大小:124.7 MB人工智能

      立即下载

    学习笔记

    14小时5分钟前回答

    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……

    21小时58分钟前回答

    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……

    网友NO.48260
    网友NO.48260

    机器学习(Machine Learning)是人工智能的分支,专门研究计算机怎样模拟或实现人类的学习行为,机器学习是运用算法来分析数据、从中学习、测定或预测现实世界的某些事务,赋予它如何执行任务的能力。数据是载体,智能是目标,而机器学习是从数据通往智能的技术途径。例如,基于历史数据,监督分类算法就被用来分类潜在客户或贷款意向。 通俗的说,机器学习就是从数据中挖掘出有价值的信息。数据本身是无意识的,为了自动呈现出有价值的信息。首先要给数据一个抽象的表示,接着基于表示进行建模,然后估计模型参数,也就是计算。此外,还需要设计有效的算法应对不同的任务。 根据不同的任务,应用的算法也不同:朴素贝叶斯、支持向量机、神经网络、关联规则、决策树、逻辑回归或多种方法的结合。这些都是数据科学的分支,当这些算法被用于自动化的时候,就像在自动飞行或无人驾驶汽车中,它被称为人工智能。

    网友NO.36273
    网友NO.36273

    人工智能是计算机科学的子领域,自从1956年几个计算机科学家在达特茅斯会议上聚集并开辟了人工智能(AI:Artificial Intelligence)这一领域,人工智能就进入了我们的想象,并在实验研究中进行着酝酿。人工智能的先驱者们的梦想是借由新兴计算机构建具有人类智力特征的复杂机器。这就是“通用人工智能(General AI)”的概念,即拥有人类的所有感觉、所有的理智,像人类一样思考的神奇机器。目前科研领域还没有达到能实现通用人工智能的水平,当今引领人工智能蓬勃发展的是“狭义人工智能(Narrow AI)”,指的是能够将特殊任务处理水平与人类一样好,或者更好的技术。譬如图像识别、语音识别、机器翻译等,其准确率已超过人类极限水平。