Python是一門通用型編程語言，也是一門相對容易學習的語言。因此，數據科學家在為中小規模的數據集制作原型、實現可視化和分析數據時，經常選擇使用Python。本書填補了機器學習和Web開發之間的鴻溝。本書重點講解在Web應用中實現預測分析功能的難點，重點介紹Python語言及相關框架、工具和庫，展示了如何搭建機器學習繫統。你將從本書學到機器學習的核心概念，學習如何將數據部署到用Django框架開發的Web應用；還將學到如何挖掘Web、文檔和服務器端數據以及如何搭建推薦引擎。隨後，你將進一步探等

●章  Python機器學習實踐入門  11.1  機器學習常用概念  11.2  數據的準備、處理和可視化—NumPy、pandas和matplotlib教程  61.2.1  NumPy的用法  61.2.2  理解pandas模塊  231.2.3  matplotlib教程  321.3  本書使用的科學計算庫  351.4  機器學習的應用場景  361.5  小結  36第2章  無監督機器學習  372.1  聚類算法  372.1.1  分布方法  382.1.2  質心點方法  402.1.3  密度方法  412.1.4  層次方法  442.2  降維  522.3  奇異值分解（SVD）  572.4  小結  58第3章  有監督機器學習  593.1  模型錯誤評估  593.2  廣義線性模型  603.2.1  廣義線性模型的概率解釋  633.2.2  k近鄰  633.3  樸素貝葉斯  643.3.1  多項式樸素貝葉斯  653.3.2  高斯樸素貝葉斯  663.4  決策樹  673.5  支持向量機  703.6  有監督學習方法的對比  753.6.1  回歸問題  753.6.2  分類問題  803.7  隱馬爾可夫模型  843.8  小結  93第4章  Web挖掘技術  944.1  Web結構挖掘  954.1.1  Web爬蟲  954.1.2  索引器  954.1.3  排序—PageRank算法  964.2  Web內容挖掘  97句法解析  974.3  自然語言處理  984.4  信息的後處理  1084.4.1  潛在狄利克雷分配  1084.4.2  觀點挖掘（情感分析）  1134.5  小結  117第5章  推薦繫統  1185.1  效用矩陣  1185.2  相似度度量方法  1205.3  協同過濾方法  1205.3.1  基於記憶的協同過濾  1215.3.2  基於模型的協同過濾  1265.4  CBF方法  1305.4.1  商品特征平均得分方法  1315.4.2  正則化線性回歸方法  1325.5  用關聯規則學習，構建推薦繫統  1335.6  對數似然比推薦方法  1355.7  混合推薦繫統  1375.8  推薦繫統評估  1395.8.1  均方根誤差（RMSE）評估  1405.8.2  分類效果的度量方法  1435.9  小結  144第6章  開始Django之旅  1456.1  HTTP—GET和 T方法的  基礎  1456.1.1  Django的安裝和服務器的搭建  1466.1.2  配置  1476.2  編寫應用—Django  最重要的功能  1506.2.1  model  1506.2.2  HTML網頁背後的URL和view  1516.2.3  URL聲明和view  1546.3  管理後臺  1576.3.1  shell接口  1586.3.2  命令  1596.3.3  RESTful應用編程接口（API）  1606.4  小結  162第7章  電影推薦繫統Web應用  1637.1  讓應用跑起來  1637.2  model  1657.3  命令  1667.4  實現用戶的注冊、登錄和  登出功能  1727.5  信息檢索繫統（電影查詢）  1757.6  打分繫統  1787.7  推薦繫統  1807.8  管理界面和API  1827.9  小結  184第8章  影評情感分析應用  1858.1  影評情感分析應用用法  簡介  1858.2  搜索引擎的選取和應用的  代碼  1878.3  Scrapy的配置和情感分析  應用代碼  1898.3.1  Scrapy的設置  1908.3.2  Scraper  1908.3.3  Pipeline  1938.3.4  爬蟲  1948.4  Django model  1968.5  整合Django和Scrapy  1978.5.1  命令（情感分析模型和刪除查詢結果）  1988.5.2  情感分析模型加載器  1988.5.3  刪除已執行過的查詢  2018.5.4  影評情感分析器—Django  view和HTML代碼  2028.6  PageRank：Django view和  算法實現  2068.7  管理後臺和API  2108.8  小結  212

機器學習可用來處理由用戶產生的、數量不斷增長的Web數據。本書講解如何用Python語言、Django框架開發一款Web商業應用，以及如何用一些現成的庫和工具（sklearn、scipy、nltk和Django等）處理和分析應用所生成或使用的數據。本書不僅涉及機器學習的核心概念，還介紹了如何將數據部署到用Django框架開發的Web應用，包括Web、文檔和服務器端數據的挖掘和推薦引擎的搭建方法。本書適合有志於成為或剛剛成為數據科學家的讀者學習，也適合對機器學習、Web數據挖掘等技術實踐感興趣的讀者參考閱讀。

[意] Andrea Isoni 愛索尼克 著 杜春曉 譯