scikit-learn机器学习（第2版） PDF 高清完整版

深度学习是1个十分受欢迎的技术性，这书内容包括多种多样设备学习模型，包含时兴的机器学习算法，比如K近邻优化算法、逻辑回归、朴素贝叶斯、K 平均值优化算法、决策树及其神经网络算法。此外，还探讨了数据预处理、超主要参数提升和集成化方式等主题风格。 阅读文章完这书以后，用户将学好搭建用以文本文档归类、图像识别技术、广告词检验等每日任务的系统软件，还将学得怎么使用scikit-learn类库的API从类型自变量、文字和图象中获取特点，怎样评定实体模型的特性，并对怎样提高实体模型的特性创建判断力。此外，还将把握结合实际应用scikit-learn搭建高效率实体模型需要的专业技能，并可以根据好用的对策进行高級每日任务。近些年，Python語言变成了广火爆的计算机语言，而它在深度学习行业也是非常好的主要表现。scikit-learn是1个用Python語言撰写的机器学习算法库，它能够保持一连串常见的机器学习算法，是1个好专用工具。 这书根据14章內容，详尽地详细介绍了一连串设备学习模型和scikit-learn的应用方法。这书从深度学习的基础知识说起，包含了简易线性回归、K-近邻优化算法、特征提取、多元线性回归、逻辑回归、朴素贝叶斯、离散系统归类、决策树重归、随机森林、感知机、支持向量机、神经网络算法、K-平均值优化算法、主成分分析等关键话题讨论。 这书合适深度学习行业的技术工程师学习培训，也合适愿意掌握scikit-learn的大数据工程师阅读文章。根据阅读文章这书，用户将合理提高自己在设备学习模型的搭建和评定层面的工作能力，并可以高效率地处理深度学习难点。

目录

• 第 1章 机器学习基础 1
• 1.1 定义机器学习 1
• 1.2 从经验中学习 2
• 1.3 机器学习任务 3
• 1.4 训练数据、测试数据和验证数据 4
• 1.5 偏差和方差 6
• 1.6 scikit-learn简介 8
• 1.7 安装scikit-learn 8
• 1.7.1 使用pip安装 9
• 1.7.2 在Windows系统下安装 9
• 1.7.3 在Ubuntu 16.04系统下安装 10
• 1.7.4 在Mac OS系统下安装 10
• 1.7.5 安装Anaconda 10
• 1.7.6 验证安装 10
• 1.8 安装pandas、Pillow、NLTK和matplotlib 11
• 1.9 小结 11
• 第 2章 简单线性回归 12
• 2.1 简单线性回归 12
• 2.1.1 用代价函数评价模型的拟合性 15
• 2.1.2 求解简单线性回归的OLS 17
• 2.2 评价模型 19
• 2.3 小结 21
• 第3章 用K-近邻算法分类和回归 22
• 3.1 K-近邻模型 22
• 3.2 惰性学习和非参数模型 23
• 3.3 KNN模型分类 23
• 3.4 KNN模型回归 31
• 3.5 小结 36
• 第4章 特征提取 37
• 4.1 从类别变量中提取特征 37
• 4.2 特征标准化 38
• 4.3 从文本中提取特征 39
• 4.3.1 词袋模型 39
• 4.3.2 停用词过滤 42
• 4.3.3 词干提取和词形还原 43
• 4.3.4 tf-idf权重扩展词包 45
• 4.3.5 空间有效特征向量化与哈希技巧 48
• 4.3.6 词向量 49
• 4.4 从图像中提取特征 52
• 4.4.1 从像素强度中提取特征 53
• 4.4.2 使用卷积神经网络激活项作为特征 54
• 4.5 小结 56
• 第5章 从简单线性回归到多元线性回归 58
• 5.1 多元线性回归 58
• 5.2 多项式回归 62
• 5.3 正则化 66
• 5.4 应用线性回归 67
• 5.4.1 探索数据 67
• 5.4.2 拟合和评估模型 69
• 5.5 梯度下降法 72
• 5.6 小结 76
• 第6章 从线性回归到逻辑回归 77
• 6.1 使用逻辑回归进行二元分类 77
• 6.2 垃圾邮件过滤 79
• 6.2.1 二元分类性能指标 81
• 6.2.2 准确率 82
• 6.2.3 精准率和召回率 83
• 6.2.4 计算F1值 84
• 6.2.5 ROC AUC 84
• 6.3 使用网格搜索微调模型 86
• 6.4 多类别分类 88
• 6.5 多标签分类和问题转换 93
• 6.6 小结 97
• 第7章 朴素贝叶斯 98
• 7.1 贝叶斯定理 98
• 7.2 生成模型和判别模型 100
• 7.3 朴素贝叶斯 100
• 7.4 在scikit-learn中使用朴素贝叶斯 102
• 7.5 小结 106
• 第8章 非线性分类和决策树回归 107
• 8.1 决策树 107
• 8.2 训练决策树 108
• 8.2.1 选择问题 109
• 8.2.2 基尼不纯度 116
• 8.3 使用scikit-learn类库创建决策树 117
• 8.4 小结 120
• 第9章 集成方法：从决策树到随机森林 121
• 9.1 套袋法 121
• 9.2 推进法 124
• 9.3 堆叠法 126
• 9.4 小结 128
• 第 10章 感知机 129
• 10.1 感知机 129
• 10.1.1 激活函数 130
• 10.1.2 感知机学习算法 131
• 10.1.3 使用感知机进行二元分类 132
• 10.1.4 使用感知机进行文档分类 138
• 10.2 感知机的局限性 139
• 10.3 小结 140
• 第 11章 从感知机到支持向量机 141
• 11.1 核与核技巧 141
• 11.2 最大间隔分类和支持向量 145
• 11.3 用scikit-learn分类字符 147
• 11.3.1 手写数字分类 147
• 11.3.2 自然图片字符分类 150
• 11.4 小结 152
• 第 12章 从感知机到人工神经网络 153
• 12.1 非线性决策边界 154
• 12.2 前馈人工神经网络和反馈人工神经网络 155
• 12.3 多层感知机 155
• 12.4 训练多层感知机 157
• 12.4.1 反向传播 158
• 12.4.2 训练一个多层感知机逼近XOR函数 162
• 12.4.3 训练一个多层感知机分类手写数字 164
• 12.5 小结 165
• 第 13章 K-均值算法 166
• 13.1 聚类 166
• 13.2 K-均值算法 168
• 13.2.1 局部最优值 172
• 13.2.2 用肘部法选择K值 173
• 13.3 评估聚类 176
• 13.4 图像量化 178
• 13.5 通过聚类学习特征 180
• 13.6 小结 184
• 第 14章 使用主成分分析降维 185
• 14.1 主成分分析 185
• 14.1.1 方差、协方差和协方差矩阵 188
• 14.1.2 特征向量和特征值 190
• 14.1.3 进行主成分分析 192
• 14.2 使用PCA对高维数据可视化 194
• 14.3 使用PCA进行面部识别 196
• 14.4 小结 199