Python機器學習算法與應用（簡體書）

本書理論與實踐相結合，詳細闡述機器學習數據特徵與分類算法，基於Python 3精心編排大量的機器學習場景與開源平臺應用，高效利用Python 3代碼翔實地闡釋機器學習核心算法及其工具的場景應用。 本書分為6章，主要內容包括機器學習概述、數據特徵、分類算法、項目，以及在機器學習平臺Kaggle與PaddlePaddle上實現分類、預測及推薦等實戰操作。 本書適合機器學習的研究人員、計算機或數學等相關從業者參考學習，也可以作為計算機或數學等專業本科高年級或研究生專業用書。

第1章 機器學習概述

1.1 機器學習定義

1.2 機器學習的發展

1.3 機器學習的分類

1.4 機器學習的研究領域

1.5 本章小結

第2章 機器學習數據特徵

2.1 數據分佈性

2.1.1 數據分佈集中趨勢的測定

2.1.2 數據分佈離散程度的測定

2.1.3 數據分佈偏態與峰度的測定

2.2 數據相關性

2.2.1 相關關係

2.2.2 相關分析

2.3 數據聚類性

2.4 數據主成分分析

2.4.1 主成分分析的原理及模型

2.4.2 主成分分析的幾何解釋

2.4.3 主成分的導出

2.4.4 證明主成分的方差是依次遞減

2.4.5 主成分分析的計算

2.5 數據動態性

2.6 數據可視化

2.7 本章小結

第3章 機器學習分類算法

3.1 數據清洗和特徵選擇

3.1.1 數據清洗

3.1.2 特徵選擇

3.1.3 回歸分析

3.2 決策樹、隨機森林

3.3 SVM

3.3.1 最優分類面和廣義最優分類面

3.3.2 SVM的非線性映射

3.3.3 核函數

3.4 聚類算法

3.5 EM算法

3.6 貝葉斯算法

3.7 隱馬爾可夫模型

3.8 LDA主題模型

3.9 人工神經網絡

3.10 KNN算法

3.11 本章小結

第4章 Python機器學習項目

4.1 SKlearn

4.1.1 SKlearn包含的機器學習方式

4.1.2 SKlearn的強大數據庫

4.1.3 鳶尾花數據集舉例

4.1.4 Boston房價數據集的示例

4.2 TensorFlow

4.2.1 TensorFlow簡介

4.2.2 TensorFlow的下載與安裝

4.2.3 TensorFlow的基本使用

4.3 Theano

4.4 Caffe

4.4.1 Caffe框架與運行環境

4.4.2 網絡模型

4.5 Gensim

4.5.1 Gensim特性與核心概念

4.5.2 訓練語料的預處理

4.5.3 主題向量的變換

4.5.4 文檔相似度的計算

4.6 Pylearn2

4.7 Shogun

4.8 Chainer

4.9 NuPIC

4.10 Neon

4.11 Nilearn

4.12 Orange3

4.13 PyMC與PyMC3

4.14 PyBrain

4.15 Fuel

4.16 PyMVPA

4.17 Annoy

4.18 Deap

4.19 Pattern

4.20 Requests

4.21 Seaborn

4.22 本章小結

第5章 Kaggle平臺機器學習實戰

5.1 Kaggle信用卡欺詐檢測

5.1.1 Kaggle信用卡欺詐檢測準備

5.1.2 Kaggle信用卡欺詐檢測實例

5.2 Kaggle機器學習案例

5.2.1 Kaggle機器學習概況

5.2.2 自行車租賃數據分析與可視化案例

5.3 本章小結

第6章 PaddlePaddle平臺機器學習實戰

6.1 PaddlePaddle平臺安裝

6.2 PaddlePaddle平臺手寫體數字識別

6.3 PaddlePaddle平臺圖像分類

6.4 PaddlePaddle平臺詞向量

6.5 PaddlePaddle平臺個性化推薦

6.6 PaddlePaddle平臺情感分析

6.7 本章小結

參考文獻