?? 目錄 原書序言 原書前言 譯者簡介
*1部分 理解機器學習 *1章 機器學習基礎 // 2? 1.1 機器學習的需求 // 3? 1.2 理解機器學習 // 6? 1.3 計算機科學 // 12? 1.4 數據科學 // 14? 1.5 數學 // 15? 1.6 統計學 // 20? 1.7 數據挖掘 // 22? 1.8 人工智能 // 22? 1.9 自然語言處理 // 23? 1.10 深度學習 // 24? 1.11 機器學習方法 // 29? 1.12 監督學習 // 30? 1.13 無監督學習 // 33? 1.14 半監督學習 // 36? 1.15 強化學習 // 37? 1.16 批量學習 // 37? 1.17 在線學習 // 38? 1.18 基於實例的學習 // 38? 1.19 基於模型的學習 // 39? 1.20 CRISP-DM處理模型 // 39? 1.21 構建機器智能 // 45? 1.22 真實案例研究:預測學生獲取推薦 // 47? 1.23 機器學習的挑戰 // 55? 1.24 機器學習的現實應用 // 55? 1.25 *結 // 56
*2章 Python機器學習生態繫統 // 57? 2.1 Python簡介 // 57? 2.2 Python機器學習生態繫統簡介 // 62? 2.3 *結 // 100
*2部分 機器學習流程 第3章 數據的處理、重整以及可視化 // 102? 3.1 數據收集 // 103? 3.2 數據描述 // 116? 3.3 數據重整 // 117? 3.4 數據彙總 // 128? 3.5 數據可視化 // 130 3.6 *結 // 152
第4章 特征工程和特征選擇 // 153? 4.1 特征:更好地理解你的數據 // 154? 4.2 重溫機器學習流程 // 155? 4.3 特征提取和特征工程 // 156? 4.4 數值型數據的特征工程 // 160? 4.5 分類型數據的特征工程 // 174? 4.6 文本型數據的特征工程 // 183? 4.7 時態型數據的特征工程 // 193? 4.8 圖像型數據的特征工程 // 197? 4.9 特征縮放 // 211? 4.10 特征選擇 // 214? 4.11 特征降維 // 221? 4.12 *結 // 224
第5章 構建、調優和模型的部署 // 225? 5.1 構建模型 // 226? 5.2 模型評估 // 239? 5.3 模型調優 // 248? 5.4 模型解釋 // 259? 5.5 模型部署 // 265? 5.6 *結 // 267
第3部分 真實案例研究 第6章 共享單車趨勢分析 // 270? 6.1 共享單車數據集 // 270? 6.2 問題陳述 // 271? 6.3 探索性數據分析 // 271? 6.4 回歸分析 // 278? 6.5 建模 // 280? 6.6 下一步 // 291? 6.7 *結 // 292
第7章 電影影評的情感分析 // 293? 7.1 問題陳述 // 294? 7.2 設置依賴項 // 294? 7.3 獲取數據 // 295? 7.4 文字的預處理與標準化 // 295? 7.5 無監督的以詞典為基礎的模型 // 298? 7.6 使用監督學習進行情感分類 // 306? 7.7 傳統的有監督的機器學習模型 // 308? 7.8 較新的有監督的深度學習模型 // 310? 7.9 *級的有監督的深度學習模型 // 316? 7.10 分析情感的因果關繫 // 323? 7.11 *結 // 332
第8章 顧客分類和有效的交叉銷售 /333/? 8.1 在線零售交易記錄數據集 // 333? 8.2 探索性數據分析 // 334? 8.3 顧客分類 // 337? 8.4 交叉銷售 // 350? 8.5 *結 // 361
第9章 分析酒的類型和質量 // 362? 9.1 問題陳述 // 362? 9.2 設置依賴項 // 363? 9.3 獲取數據 // 363? 9.4 探索性數據分析 // 364? 9.5 預測建模 // 378? 9.6 預測葡萄酒類型 // 379? 9.7 預測葡萄酒質量 // 385? 9.8 *結 // 397
*10章 分析音樂趨勢和推薦 // 398? 10.1 百萬歌曲數據集品味畫像 // 398? 10.2 探索性數據分析 // 399? 10.3 推薦引擎 // 407? 10.4 推薦引擎庫的注意事項 // 415? 10.5 *結 // 416
*11章 預測股票和商品價格 // 417? 11.1 時序數據及時序分析 // 417? 11.2 預測黃金價格 // 423? 11.3 股票價格預測 // 432? 11.4 *結 // 445
*12章 計算機視覺深度學習 // 447? 12.1 卷積神經網絡 // 447? 12.2 使用 CNN進行圖像分類 // 448? 12.3 使用 CNN的藝術風格轉換 // 457? 12.4 *結 // 467 |