??內容簡介

本書幫你掌握通過機器學習和深度學習來識別和解決復雜問題所需的基本技能。本書使用了流行的 Python機器學習生態繫統中的真實示例，將成為你在學習機器學習的藝術和科學並成為一名成功的從業者道路上的*美伴侶。本書中使用的概念、技術、工具、框架和方法將教會你如何成功思考、設計、構建和執行機器學習繫統和項目，並利用這些知識解決一些來自不同領域的實際問題，包括零售、運輸、電影、音樂、計算機視覺、藝術和金融。本書將教會你解決自己遇到的機器學習問題！

本書適合人工智能、機器學習、深度學習相關行業的從業者和學習者閱讀。

??目錄

??

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