《机器学习:Python实践》是由电子工业出版社出版的一本关于人工智能方面的书籍,作者是魏贞原,主要介绍了关于机器学习、Python实践方面的知识内容,目前在人工智能类书籍综合评分为:9.2分。
书籍介绍
机器学习:Python实践
读者评价
基于python3,和scikit learn框架,讲述了用python进行机器学习项目的解决方法,特别好。但是对于机器学习的理论,讲述非常浅,但是易于上手
讲得很浅,基本上就是过了一下流程,但是每个都没有深入,也只适合刚入门的看一下流程,有个基本概念。
代码可以直接上手,入门看不错
首先肯定优点,这本书简单易学,可操作性强,上手就能用,内容组织条理清晰,把分类回归问题的一般化流程写的很明确,适合初学者。
再说说不足,首先,内容上完全没有涉及到除分类回归外的其他内容(最后附录中提到了一个Kmean的聚类),机器学习可不止有这两大方面,其次,很多地方并没有解释的很清楚,特别是参数,只是让这样做,却没有提到为什么要这样。
总体而言,可提升性还是很高的,期待作者的下一本书。
内容介绍
《机器学习——Python实践》系统地讲解了机器学习的基本知识,以及在实际项目中使用机器学习的基本步骤和方法;详细地介绍了在进行数据处理、分析时怎样选择合适的算法,以及建立模型并优化等方法,通过不同的例子展示了机器学习在具体项目中的应用和实践经验,是一本非常好的机器学习入门和实践的书籍。
不同于很多讲解机器学习的书籍,本书以实践为导向,使用 scikit-learn 作为编程框架,强调简单、快速地建立模型,解决实际项目问题。读者通过对《机器学习——Python实践》的学习,可以迅速上手实践机器学习,并利用机器学习解决实际问题。
《机器学习——Python实践》非常适合于项目经理、有意从事机器学习开发的程序员,以及高校相关专业在的读学生阅读。
目录
- 第一部分 初始
- 1 初识机器学习 2
- 2 Python 机器学习的生态圈 7
- 3 第一个机器学习项目 13
- 4 Python 和 SciPy 速成 25
- 第二部分 数据理解
- 5 数据导入 44
- 6 数据理解 48
- 7 数据可视化 55
- 第三部分 数据准备
- 8 数据预处理 64
- 9 数据特征选定 71
- 第四部分 选择模型
- 10 评估算法 78
- 11 算法评估矩阵 85
- 12 审查分类算法 97
- 13 审查回归算法 106
- 14 算法比较 115
- 15 自动流程 119
- 第五部分 优化模型
- 16 集成算法 124
- 17 算法调参 133
- 第六部分 结果部署
- 18 持久化加载模型 138
- 第七部分 项目实践
- 19 预测模型项目模板 144
- 20 回归项目实例 150
- 21 二分类实例 170
- 22 文本分类实例 192
Pyhton基础与实践 主要介绍Python语言中一些基础但又很重要的知识,python对象、函数、类、正则表达式、编码转换等。 对象 一切皆对象 Python中一切皆为对象,每个对象都包含一个标准头,头信息由 "引用计数" 和 "类型指针" 组成。 "引用计数"为PVM中主要的垃圾回收机制,每当对象被引用时增加,超出作用域或调用del手工释放后递减,计数为0时被回收; 通过"类型指针"可明确知道对象的类型,指向Type对象,包含了其继承关系以及静态成员信息; 可使用sys.getrefcount(x)来查看对象的引用计数; type(x)和x.__class__可查看对象类型; hex(id(x))返回对象内存地址; 对于变长对象,其头部会多出一个记录元素数量的字段;
程序流程 我认为写程序是是爬虫的第三步,最重要的是!==定义问题== ,只有定义了你需要的内容,才好去搜索,去找需要的网页,根据网页的内容,编写程序,所以大概流程是这样: 定义问题—>寻找需要的网页—>分析网页结构(反爬等)—->程序1.0—>循环测试—>获取结果—>保存结果