当前位置:首页 > 人工智能 >
《scikit-learn机器学习》电子书封面

scikit-learn机器学习

  • 发布时间:2019年10月18日 22:48:20
  • 作者:加文·海克
  • 大小:176.4 MB
  • 类别:机器学习电子书
  • 格式:PDF
  • 版本:影印第2版
  • 评分:9.1

    scikit-learn机器学习 PDF 影印第2版

      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scikit-learn、机器学习方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小176.4 MB,加文·海克编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.8。

      内容介绍

      scikit-learn机器学习 第2版 PDF

      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

      学习笔记

      Python机器学习算法库scikit-learn学习之决策树实现方法详解

      本文实例讲述了Python机器学习算法库scikit-learn学习之决策树实现方法。分享给大家供大家参考,具体如下: 决策树 决策树 (DTs)是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型,通过从数据特性中推导出简单的决策规则来预测目标变量的值。 例如,在下面的例子中,决策树通过一组if-then-else决策规则从数据中学习到近似正弦曲线的情况。树越深,决策规则越复杂,模型也越合适。 决策树的一些优势是: 便于说明和理解,树可以可视化表达; 需要很少的数据准备。其他技术通常需要数据标准化,需要创建虚拟变量,并删除空白值。 使用树的成本是用于对树进行训练的数据点的对数。……

      python中scikit-learn机器代码实例

      我们给大家带来了关于学习python中scikit-learn机器代码的相关具体实例,以下就是全部代码内容: # -*- coding: utf-8 -*- import numpyfrom sklearn import metricsfrom sklearn.svm import LinearSVCfrom sklearn.naive_bayes import MultinomialNBfrom sklearn import linear_modelfrom sklearn.datasets import load_irisfrom sklearn.cross_validation import train_test_splitfrom sklearn.preprocessing import OneHotEncoder, StandardScalerfrom sklearn import cross_validationfrom sklearn import preprocessing#import iris_data def load_data(): iris = load_iris() x, y = iris.data, iris.target x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.20, random_state=42) return x_train,y_train,x_test,y_test def train_clf3(train_data, train_tags): clf = LinearSVC(C=1100.0)……

      Python机器学习之scikit-learn库中KNN算法的封装与使用方法

      本文实例讲述了Python机器学习之scikit-learn库中KNN算法的封装与使用方法。分享给大家供大家参考,具体如下: 1、工具准备,python环境,pycharm 2、在机器学习中,KNN是不需要训练过程的算法,也就是说,输入样例可以直接调用predict预测结果,训练数据集就是模型。当然这里必须将训练数据和训练标签进行拟合才能形成模型。 3、在pycharm中创建新的项目工程,并在项目下新建KNN.py文件。 import numpy as npfrom math import sqrtfrom collections import Counterclass KNNClassifier: def __init__(self,k): """初始化KNN分类器""" assert k = 1 """断言判断k的值是否合法""" self.k = k self._X_train = None self._y_train = None def fit(self,X_train,y_train): """根据训练……

      python机器学习库scikit-learn:SVR的基本应用

      scikit-learn是python的第三方机器学习库,里面集成了大量机器学习的常用方法。例如:贝叶斯,svm,knn等。 scikit-learn的官网 : http://scikit-learn.org/stable/index.html点击打开链接 SVR是支持向量回归(support vector regression)的英文缩写,是支持向量机(SVM)的重要的应用分支。 scikit-learn中提供了基于libsvm的SVR解决方案。 PS:libsvm是台湾大学林智仁教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。 我们自己随机产生一些值,然后使用sin函数进行映射,使用SVR对数据进行拟合 from __future__ import divisionimport timeimport numpy as npfrom sklearn.svm import SVRfrom sklearn.model_selection import GridSearchCVfrom sklearn.mode……

      以上就是本次介绍的机器学习电子书的全部相关内容,希望我们整理的资源能够帮助到大家,感谢大家对码农之家的支持。

      上一篇:量化自我:如何利用数据成就更幸福的自己

      下一篇:Python项目开发案例集锦

      展开 +

      收起 -

      • 《scikit-learn机器学习》PDF下载

      码小辫

      重要!版权问题,本电子书取消了本地下载!

      需要的朋友可以关注左边的微信号,发送 电子书名关键字 (例如:python 算法……)

      如果找不到可以联系小辫(微信:maxiaobian1024)

      机器学习相关电子书
      python机器学习 Scikit-learn使用手册
      python机器学习 Scikit-learn使用手册 原书扫描版

      scikit-learn是在Python中进行机器学习简单且高效的工具可用于数据挖掘和数据分析,这里提供Scikit-learn 使用手册,欢迎下载

      立即下载
      scikit-learn机器学习:常用算法原理及编程实战
      scikit-learn机器学习:常用算法原理及编程实战 原书超清版

      本书是低门槛入门机器学习,涵盖scikit-learn机器学习的应用场景、编程步骤、Python开发包、算法模型性能评估、8大常用算法、7大实战案例演练,适合有一定编程基础的读者阅读

      立即下载
      机器学习实战:基于Scikit-Learn和TensorFlow
      机器学习实战:基于Scikit-Learn和TensorFlow 扫描版

      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

      立即下载
      机器学习:实用案例解析
      机器学习:实用案例解析 清晰版

      本书是机器学习和数据挖掘领域的经典图书,基础理论与实践完美的结合,讨论的案例从分类讲到回归,然后讨论了聚类、降维、最优化问题等,逻辑紧密、内容详实,适合所有相关技术人员的

      立即下载
      Python机器学习经典实例
      Python机器学习经典实例 超清中文版

      《Python机器学习经典实例》首先通过实用的案例介绍机器学习的基础知识,然后介绍一些稍微复杂的机器学习算法,例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网

      立即下载
      机器学习实战
      机器学习实战 中英完整版

      机器学习是人工智能研究领域中的一个极其重要的方向。在现今大数据时代的背景下,捕获数据并从中萃取有价值的信息或模式,使得这一过去为分析师与数学家所专属的研究领域越来越为人们

      立即下载
      机器学习经典算法实践
      机器学习经典算法实践 全书扫描版 立即下载
      读者留言
      码农之家

      码农之家 提供上传

      资源
      39
      粉丝
      15
      喜欢
      322
      评论
      19

      Copyright 2018-2020 xz577.com 码农之家

      本站所有电子书资源不再提供下载地址,只分享来路

      版权投诉 / 书籍推广 / 赞助:QQ:520161757