了得網研究生_Python機器學習（原書第2版）

商品搜索

类别：

关键字：

商品分类

Python機器學習（原書第2版）
該商品所屬分類：研究生 -> 工學
【市場價】	982-1424元
【優惠價】	614-890元
【作者】	（美）塞巴斯蒂安·拉施卡 Sebastian
【所屬類別】	圖書教材研究生/本科/專科教材工學
【出版社】	機械工業出版社
【ISBN】	9787111611509
【折扣說明】	一次購物滿999元台幣免運費+贈品一次購物滿2000元台幣95折+免運費+贈品一次購物滿3000元台幣92折+免運費+贈品一次購物滿4000元台幣88折+免運費+贈品
【本期贈品】	①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾

版本	正版全新電子版PDF檔
您已选择：	正版全新
溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。 . 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。 . 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。

內容介紹

開本：16開

紙張：膠版紙

包裝：平裝-膠訂

是否套裝：否

國際標準書號ISBN：9787111611509

作者：（美）塞巴斯蒂安·拉施卡?Sebastian

出版社：機械工業出版社

出版時間：2018年11月

編輯推薦

本書將機器學習背後的基本理論與應用實踐聯繫起來，通過這種方式讓讀者聚焦於如何正確地提出問題、解決問題。書中講解了如何使用Python素以及強大的機器學習庫，同時還展示了如何正確使用一繫列統計模型。

在本書第1版的基礎上，作者對第2版進行了大量更新和擴展，納入*近的開源技術，包括scikit-learn、Keras和TensorFlow，提供了使用Python構建高效的機器學習與深度學習應用的必要知識與技術。

通過閱讀本書，你將學到：
· 探索並理解數據科學、機器學習與深度學習的主要框架
· 通過機器學習模型與神經網絡對你的數據提出新的疑問
· 在機器學習中使用*近Python開源庫的強大功能
· 掌握如何使用TensorFlow庫來實現深度神經網絡
· 在可訪問的Web應用中嵌入你的機器學習模型
· 使用回歸分析預測連續目標的結果
· 使用聚類發現數據中的隱藏模式與結構
· 使用深度學習技術分析圖片
· 使用情感分析深入研究文本與社交媒體數據

內容簡介

機器學習與預測分析正在改變企業和其他組織的運作方式，本書將帶領讀者進入預測分析的世界。全書共16章，除了簡要介紹機器學習及Python在機器學習中的應用，還繫統講述了數據分類、數據預處理、模型優化、集成學習、回歸、聚類、神經網絡、深度學習等內容。本書將機器學習背後的基本理論與應用實踐聯繫起來，通過這種方式讓讀者聚焦於如何正確地提出問題、解決問題。本書講解了如何使用Python素以及強大的機器學習庫，同時還展示了如何正確使用一繫列統計模型。本書可作為學習數據科學的初學者及想進一步拓展數據科學領域認識的讀者的參考書。同樣，本書也適合計算機等相關專業的本科生、研究生閱讀。

作者簡介

塞巴斯蒂安·拉施卡（Sebastian Raschka）

密歇根州立大學博士，他在計算生物學領域提出了幾種新的計算方法，還被科技博客Analytics Vidhya評為GitHub上*具影響力的數據科學家。他在Python編程方面積累了豐富經驗，曾為如何實際應用數據科學、機器學習和深度學習做過數次講座，包括在SciPy（重要的Python科學計算會議）上做的機器學習教程。正是因為Sebastian在數據科學、機器學習以及Python等領域擁有豐富的演講和寫作經驗，他纔有動力完成本書的撰寫，以幫助那些不具備機器學習背景的人設計出有數據驅動的解決方案。他因其工作和貢獻獲得了2016-2017學年繫傑出研究生獎，以及《ACM 計算評論》 2016年度*佳獎。

瓦希德·米爾賈利利（Vahid Mirjalili）
塞巴斯蒂安·拉施卡（Sebastian Raschka）

密歇根州立大學博士，他在計算生物學領域提出了幾種新的計算方法，還被科技博客Analytics Vidhya評為GitHub上*具影響力的數據科學家。他在Python編程方面積累了豐富經驗，曾為如何實際應用數據科學、機器學習和深度學習做過數次講座，包括在SciPy（重要的Python科學計算會議）上做的機器學習教程。正是因為Sebastian在數據科學、機器學習以及Python等領域擁有豐富的演講和寫作經驗，他纔有動力完成本書的撰寫，以幫助那些不具備機器學習背景的人設計出有數據驅動的解決方案。他因其工作和貢獻獲得了2016-2017學年繫傑出研究生獎，以及《ACM 計算評論》 2016年度*佳獎。

瓦希德·米爾賈利利（Vahid Mirjalili）

密歇根州立大學計算機視覺與機器學習研究員，致力於把機器學習應用到各種計算機視覺研究項目。他在學術和研究生涯中積累了豐富的Python編程經驗，其主要研究興趣為深度學習和計算機視覺應用。

譯者序
關於作者
關於審校人員
前言
第1章賦予計算機從數據中學習的能力 1
1.1構建把數據轉換為知識的智能機器 1
1.2三種不同類型的機器學習 1
1.2.1用有監督學習預測未來 2
1.2.2用強化學習解決交互問題 3
1.2.3用無監督學習發現隱藏結構 4
1.3基本術語與符號 4
1.4構建機器學習繫統的路線圖 6
1.4.1預處理—整理數據 6
1.4.2訓練和選擇預測模型 7譯者序
關於作者
關於審校人員
前言
第1章賦予計算機從數據中學習的能力 1
1.1構建把數據轉換為知識的智能機器 1
1.2三種不同類型的機器學習 1
1.2.1用有監督學習預測未來 2
1.2.2用強化學習解決交互問題 3
1.2.3用無監督學習發現隱藏結構 4
1.3基本術語與符號 4
1.4構建機器學習繫統的路線圖 6
1.4.1預處理—整理數據 6
1.4.2訓練和選擇預測模型 7
1.4.3評估模型和預測新樣本數據 7
1.5用Python進行機器學習 7
1.5.1從Python包索引安裝Python和其他包 8
1.5.2采用Anaconda Python和軟件包管理器 8
1.5.3科學計算、數據科學和機器學習軟件包 8
1.6小結 9
第2章訓練簡單的機器學習分類算法 10
2.1人—機器學習早期歷史一瞥 10
2.1.1人的正式定義 11
2.1.2感知器學習規則 12
2.2在Python中實現感知器學習算法 14
2.2.1面向對像的感知器API 14
2.2.2在鳶尾花數據集上訓練感知器模型 16
2.3自適和學習收斂 20
2.3.1梯度下降為小代價函數 21
2.3.2用Python實現Adaline 22
2.3.3通過調整特征大小改善梯度下降 25
2.3.4大規模機器學習與隨機梯度下降 27
2.4小結 30
第3章scikit-learn機器學習分類器一覽 32
3.1選擇分類算法 32
3.2了解scikit-learn軟件庫的步—訓練感知器 32
3.3基於邏輯回歸的分類概率建模 37
3.3.1邏輯回歸的直覺與條件概率 37
3.3.2學習邏輯代價函數的權重 39
3.3.3把轉換的Adaline用於邏輯回歸算法 41
3.3.4用scikit-learn訓練邏輯回歸模型 44
3.3.5通過正則化解決過擬合問題 45
3.4支持向量機的餘量分類 47
3.4.1邊際的直覺 48
3.4.2用松弛變量處理非線性可分 48
3.4.3其他的scikit-learn 實現 50
3.5用核支持向量機求解非線性問題 50
3.5.1處理線性不可分數據的核方法 50
3.5.2利用核技巧，發現高維空間的分離超平面 52
3.6決策樹學習 55
3.6.1限度地獲取信息—獲得收益 55
3.6.2構建決策樹 58
3.6.3通過隨機森林組合多個決策樹 61
3.7K-近鄰—一種懶惰的學習算法 63
3.8小結 65
第4章構建良好的訓練集——預處理 66
4.1處理缺失數據 66
4.1.1識別數據中的缺失數值 66
4.1.2刪除缺失的數據 67
4.1.3填補缺失的數據 68
4.1.4了解scikit-learn評估器API 68
4.2處理分類數據 69
4.2.1名詞特征和序數特征 69
4.2.2映射序數特征 70
4.2.3分類標簽編碼 70
4.2.4為名詞特征做熱編碼 71
4.3分裂數據集為獨立的訓練集和測試集 73
4.4把特征保持在同一尺度上 75
4.5選擇有意義的特征 76
4.5.1L1和L2正則化對模型復雜度的懲罰 76
4.5.2L2正則化的幾何解釋 77
4.5.3L1正則化的稀疏解決方案 78
4.5.4為序數特征選擇算法 80
4.6用隨機森林評估特征的重要性 84
4.7小結 87
第5章通過降維壓縮數據 88
5.1用主成分分析實現無監督降維 88
5.1.1主成分分析的主要步驟 88
5.1.2逐步提取主成分 89
5.1.3總方差和解釋方差 91
5.1.4特征變換 92
5.1.5scikit-learn的主成分分析 93
5.2基於線性判別分析的有監督數據壓縮 96
5.2.1主成分分析與線性判別分析 96
5.2.2線性判別分析的內部邏輯 97
5.2.3計算散布矩陣 97
5.2.4在新的特征子空間選擇線性判別式 99
5.2.5將樣本投影到新的特征空間 101
5.2.6用scikit-learn實現的LDA 101
5.3非線性映射的核主成分分析 102
5.3.1核函數與核技巧 103
5.3.2用Python實現核主成分分析 106
5.3.3投影新的數據點 111
5.3.4scikit-learn的核主成分分析 113
5.4小結 114
第6章模型評估和超參數調優的實踐 115
6.1用管道方法簡化工作流 115
6.1.1加載威斯康星乳腺癌數據集 115
6.1.2集成管道中的轉換器和評估器 116
6.2使用k折交叉驗證評估模型的性能 118
6.2.1抵抗方法 118
6.2.2k折交叉驗證 119
6.3用學習和驗證曲線調試算法 122
6.3.1用學習曲線診斷偏差和方差問題 122
6.3.2用驗證曲線解決過擬合和欠擬合問題 124
6.4通過網格搜索為機器學習模型調優 126
６.4.1通過網格搜索為超參數調優 126
6.4.2以嵌套式交叉驗證來選擇算法 127
6.5比較不同的性能評估指標 128
6.5.1含混矩陣分析 128
6.5.2優化分類模型的準確度和召回率 129
6.5.3繪制受試者操作特性圖 130
6.5.分類評分指標 133
6.6處理類的不平衡問題 133
6.7小結 135
第7章綜合不同模型的組合學習 136
7.1集成學習 136
7.2采用多數票機制的集成分類器 139
7.2.1實現基於多數票的簡單分類器 139
7.2.2用多數票原則進行預測 143
7.2.3評估和優化集成分類器 145
7.3套袋—基於導引樣本構建分類器集成 149
7.3.1套袋簡介 150
7.3.2應用套袋技術對葡萄酒數據集中的樣本分類 151
7.4通過自適應增強來利用弱學習者 153
7.4.1增強是如何實現的 154
7.4.2用scikit-learn實現AdaBoost 156
7.5小結 158
第8章應用機器學習於情感分析 159
8.1為文本處理預備好IMDb電影評論數據 159
8.1.1獲取電影評論數據集 159
8.1.2把電影評論數據預處理成更方便格式的數據 160
8.2詞袋模型介紹 161
8.2.1把詞轉換成特征向量 161
8.2.2通過詞頻逆反文檔頻率評估單詞相關性 162
8.2.3清洗文本數據 164
8.2.4把文檔處理為令牌 165
8.3訓練文檔分類的邏輯回歸模型 166
8.4處理更大的數據集—在線算法和核心學習 168
8.5具有潛在狄氏分配的主題建模 171
8.5.1使用LDA分解文本文檔 171
8.5.2LDA與scikit-learn 172
8.6小結 174
第9章將機器學習模型嵌入網絡應用 175
9.1序列化擬合scikit-learn評估器 175
9.2搭建SQLite數據庫存儲數據 177
9.3用Flask開發網絡應用 179
9.3.1個Flask網絡應用 179
9.3.2表單驗證與渲染 181
9.4將電影評論分類器轉換為網絡應用 184
9.4.1文件與文件夾—研究目錄樹 185
9.4.2實現主應用app.py 186
9.4.3建立評論表單 188
9.4.4創建一個結果頁面的模板 189
9.5在面向公眾的服務器上部署網絡應用 190
9.5.1創建PythonAnywhere賬戶 190
9.5.2上傳電影分類應用 191
9.5.3更新電影分類器 191
9.6小結 193
第10章用回歸分析預測連續目標變量 194
10.1線性回歸簡介 194
10.1.1簡單線性回歸 194
10.1.線性回歸 195
10.2探索住房數據集 196
10.2.1加載住房數據 196
10.2.2可視化數據集的重要特點 197
10.2.3用關聯矩陣查看關繫 198
10.3普通小二乘線性回歸模型的實現 200
10.3.1用梯度下降方法求解回歸參數 200
10.3.2通過scikit-learn估計回歸模型的繫數 203
10.4利用RANSAC擬合穩健的回歸模型 205
10.5評估線性回歸模型的性能 206
10.6用正則化方法進行回歸 209
10.7將線性回歸模型轉換為曲線—多項式回歸 210
10.7.1用scikit-learn增加多項式的項 210
10.7.2為住房數據集中的非線性關繫建模 211
10.8用隨機森林處理非線性關繫 214
10.8.1決策樹回歸 214
10.8.2隨機森林回歸 215
10.9小結 217
第11章用聚類分析處理無標簽數據 218
11.1用k-均值進行相似性分組 218
11.1.1scikit-learn的k-均值聚類 218
11.1.2k-均值++—更聰明地設置初始聚類中心的方法 221
11.1.3硬聚類與軟聚類 222
11.1.4用肘法求解聚類數 223
11.1.5通過輪廓圖量化聚類質量 224
11.2把集群組織成有層次的樹 228
11.2.1以自下而上的方式聚類 228
11.2.2在距離矩陣上進行層次聚類 229
11.2.3熱度圖附加樹狀圖 232
11.2.4scikit-learn凝聚聚類方法 233
11.3通過DBSCAN定位高密度區域 233
11.4小結 237
第12章從零開始實現多層人工神經網絡 238
12.1用人工神經網絡為復雜函數建模 238
12.1.1單層神經網絡扼要重述 239
12.1.2介紹多層神經網絡體繫 240
12.1.3利用正向傳播激活神經網絡 242
12.2識別手寫數字 243
12.2.1獲取MNIST數據集 243
12.2.2實現一個多層感知器 247
12.3訓練人工神經網絡 256
12.3.1邏輯成本函數的計算 256
12.3.2開發反向傳播的直覺 257
12.3.3通過反向傳播訓練神經網絡 258
12.4關於神經網絡的收斂性 260
12.5關於神經網絡實現的後幾句話 261
12.6小結 261
第13章用TensorFlow並行訓練神經網絡 262
13.1TensorFlow與模型訓練的性能 262
13.1.1什麼是TensorFlow 263
13.1.2如何學習TensorFlow 264
13.1.3學習TensorFlow的步 264
13.1.4使用陣列結構 266
13.1.5用TensorFlow的底層API開發簡單的模型 267
13.2用TensorFlow的高級 API高效率地訓練神經網絡 270
13.2.1用TensorFlow的Layers API構建多層神經網絡 270
13.2.2用Keras研發多層神經網絡 274
13.3多層網絡激活函數的選擇 277
13.3.1邏輯函數回顧 278
13.3.2分類中調用softmax函數評估類別概率 279
13.3.3利用雙曲正切拓寬輸出範圍 280
13.3.4修正激活函數 281
13.4小結 282
第14章深入探討TensorFlow的工作原理 283
14.1TensorFlow的主要功能 283
14.2TensorFlow 的排序與張量 284
14.3了解TensorFlow的計算圖 285
14.4TensorFlow中的占位符 287
14.4.1定義占位符 287
14.4.2為占位符提供數據 287
14.4.3用batchsizes 為數據陣列定義占位符 288
14.5TensorFlow中的變量 289
14.5.1定義變量 289
14.5.2初始化變量 290
14.5.3變量範圍 291
14.5.4變量復用 292
14.6建立回歸模型 295
14.7在TensorFlow計算圖中用張量名執行對像 297
14.8在TensorFlow中存儲和恢復模型 298
14.9

前言

通過新聞媒體的報道，你可能已經了解到機器學習已經成為當代激動人心的技術。像谷歌、Facebook、蘋果、Amazon和IBM這樣的大公司基於各自的考慮，已經在機器學習的研究和應用方面投入了巨資。機器學習似乎已經成為流行詞，但這絕不是曇花一現。這個激動人心的領域開啟了許多新的可能性，已經在日常生活中不可或缺。智能手機的語音助手、為客戶推薦合適的產品、防止信用卡欺詐、過濾垃圾郵件、檢測和診斷疾病等都是明證。
如果有志於從事深度學習，想更好地解決問題或開展深度學習方面的研究，那麼這本書就是為你而寫。然而，深度學習背後的理論概念可能艱深難懂。但近幾年已經出版了許多機器學習方面的著作，閱讀它們有助於通過研發強大的機器學習算法走上機器學習之路。
熟悉機器學習的示例代碼及應用是深入該領域的捷徑。通過具體的示例學以致用有助於闡明寬泛的概念。請記住，能力越大責任越大！除了用Python和基於Python的機器學習軟件庫掌握實踐經驗外，本書還介紹了機器學習算法背後的數學概念，這對於成功地使用機器學習必不可少。這使得本書有別於其他的純實戰書籍。本書將對機器學習概念的必要細節進行討論，同時對機器學習算法的工作原理、使用方法以及為重要的如何避免掉入常見的陷阱，提供直觀且翔實的解釋。通過新聞媒體的報道，你可能已經了解到機器學習已經成為當代激動人心的技術。像谷歌、Facebook、蘋果、Amazon和IBM這樣的大公司基於各自的考慮，已經在機器學習的研究和應用方面投入了巨資。機器學習似乎已經成為流行詞，但這絕不是曇花一現。這個激動人心的領域開啟了許多新的可能性，已經在日常生活中不可或缺。智能手機的語音助手、為客戶推薦合適的產品、防止信用卡欺詐、過濾垃圾郵件、檢測和診斷疾病等都是明證。
如果有志於從事深度學習，想更好地解決問題或開展深度學習方面的研究，那麼這本書就是為你而寫。然而，深度學習背後的理論概念可能艱深難懂。但近幾年已經出版了許多機器學習方面的著作，閱讀它們有助於通過研發強大的機器學習算法走上機器學習之路。
熟悉機器學習的示例代碼及應用是深入該領域的捷徑。通過具體的示例學以致用有助於闡明寬泛的概念。請記住，能力越大責任越大！除了用Python和基於Python的機器學習軟件庫掌握實踐經驗外，本書還介紹了機器學習算法背後的數學概念，這對於成功地使用機器學習必不可少。這使得本書有別於其他的純實戰書籍。本書將對機器學習概念的必要細節進行討論，同時對機器學習算法的工作原理、使用方法以及為重要的如何避免掉入常見的陷阱，提供直觀且翔實的解釋。
如果在谷歌專業網站以“機器學習”作為關鍵詞進行搜索，結果會找到180萬個出版物。當然我們無法對過去60年來所出現的各種不同算法和應用逐一進行考證。然而，本書將開始一個激動人心的旅程，涵蓋所有重要的主題和概念，讓你在該領域捷足先登。如果你發現所提供的知識還不能解渴，沒關繫，本書還引用了許多其他有用的資源，供你追蹤該領域的精要突破。
如果已經詳細研究了機器學習理論，那麼本書可以教你如何把知識付諸實踐。如果以前用過機器學習技術，想更深入地了解其工作原理，那麼本書就是為你而備。如果機器學習對你是全新的領域，那麼不必擔心，你更有理由為此感到興奮。我保證機器學習將會改變你解決問題的思路，並讓你看到如何通過釋放數據的力量來解決問題。
在深入機器學習領域之前，先回答一個重要的問題：“為什麼要用Python？”答案很簡單：Python功能強大且易於取得。Python已成為數據科學常用的編程語言，因為它可以讓我們忘記編程的冗長乏味，同時提供了可以把想法落地、概念直接付諸行動的環境。
我們認為，對機器學習的研究使我們成為更好的科學家、思想家和問題解決者。本書將與你分享這些知識。知識是要靠學習獲得的。學習的關鍵在於熱情，而要真正掌握技能隻能通過實踐。前面的路或許崎嶇不平，有些話題可能頗具挑戰性，但我們希望你能抓住這個機會，更多地考慮本書所帶來的回報。請記住，我們共同踏上這個旅程，本書將為你的軍火庫添加許多強大的武器，讓你以數據驅動的方式來解決棘手的問題。
本書內容
第1章介紹了機器學習在解決不同問題時的主要應用領域。另外，還討論了構建典型的機器學習模型所需要的基本步驟，從而形成一條導引後續各章節的管道。
第2章追溯了機器學習的起源，介感知器、分類器和自適應線。對模式分類的基本原理作了簡單介紹，同時關注算法優化和機器學習的交互。
第3章描述了基本的機器學習分類算法，並用流行和全面的開源機器學習軟件庫scikit-learn提供了實際案例。
第4章討論了如何解決未處理數據集中常見的問題，如數據缺失。也討論了用來識別數據集中信息量特性的幾種方法，並教你如何將不同類型的變量作為機器學習算法的適當輸入。
第5章描述了減少數據集中的特征數，同時保留大部分有用和識別性信息的基本技術。討論了基於主成分分析的標準降維方法，並將其與有監督學習和非線性變換技術進行了比較。
第6章討論了在預測模型的性能評價中該做和不該做什麼。此外，還討論了模型性能評估的不同度量以及優化機器學習算法的技術。
第7章介紹了有效結合多種學習算法的不同概念，講解了如何建立專家小組來克服個別學習者的弱點，從而產生更準確更可靠的預測。
第8章討論了將文本數據轉換為有意義的機器學習算法，以根據文本內容預測人們意見的基本步驟。
第9章繼續使用前一章中的預測模型，並介紹了使用嵌入式機器學習模型開發網絡應用的基本步驟。
第10章討論根據目標和響應變量之間的線性關繫建模，從而進行連續預測的基本技術。在介紹了不同的線性模型之後，還討論了多項式回歸和基於樹的建模方法。
第11章將焦點轉移到機器學習的其他子領域，即無監督學習。用來自於三個基本聚類家族的算法來尋找一組擁有一定程度相似性的對像。
第12章擴展了基於梯度的優化概念，該概念在第2章中介紹過，用來在Python中構建基於常見的強大的多層神經網絡的反向傳播算法。
第13章基於前一章的知識，為更有效地訓練神經網絡提供實用指南。該章的重點是TensorFlow，這是一個開源的Python 軟件庫，允許我們充分利用現代的多核GPU。
第14章更詳細地介紹了TensorFlow的計算圖和會話的核心概念。另外，該章還介紹了如何保存會話以及可視化神經網絡圖等主題，這對本書其他章節的學習會非常有

網友評論我們期待著您對此商品發表評論

相關商品

商品搜索

商品分类

【醫學】

【各大出版社】