scikit-learn机器学习(第2版)电子书

版权

版权声明

内容提要

作者简介

审稿人简介

前言

资源与支持

第1章 机器学习基础

1.1 定义机器学习

1.2 从经验中学习

1.3 机器学习任务

1.4 训练数据、测试数据和验证数据

1.5 偏差和方差

1.6 scikit-learn简介

1.7 安装scikit-learn

1.7.1 使用pip安装

1.7.2 在Windows系统下安装

1.7.3 在Ubuntu 16.04系统下安装

1.7.4 在Mac OS系统下安装

1.7.5 安装Anaconda

1.7.6 验证安装

1.8 安装pandas、Pillow、NLTK和matplotlib

1.9 小结

第2章 简单线性回归

2.1 简单线性回归

2.1.1 用代价函数评价模型的拟合性

2.1.2 求解简单线性回归的OLS

2.2 评价模型

2.3 小结

第3章 用K-近邻算法分类和回归

3.1 K-近邻模型

3.2 惰性学习和非参数模型

3.3 KNN模型分类

3.4 KNN模型回归

特征缩放

3.5 小结

第4章 特征提取

4.1 从类别变量中提取特征

4.2 特征标准化

4.3 从文本中提取特征

4.3.1 词袋模型

4.3.2 停用词过滤

4.3.3 词干提取和词形还原

4.3.4 tf-idf权重扩展词包

4.3.5 空间有效特征向量化与哈希技巧

4.3.6 词向量

4.4 从图像中提取特征

4.4.1 从像素强度中提取特征

4.4.2 使用卷积神经网络激活项作为特征

4.5 小结

第5章 从简单线性回归到多元线性回归

5.1 多元线性回归

5.2 多项式回归

5.3 正则化

5.4 应用线性回归

5.4.1 探索数据

5.4.2 拟合和评估模型

5.5 梯度下降法

5.6 小结

第6章 从线性回归到逻辑回归

6.1 使用逻辑回归进行二元分类

6.2 垃圾邮件过滤

6.2.1 二元分类性能指标

6.2.2 准确率

6.2.3 精准率和召回率

6.2.4 计算F1值

6.2.5 ROC AUC

6.3 使用网格搜索微调模型

6.4 多类别分类

多类别分类性能衡量指标

6.5 多标签分类和问题转换

多标签分类性能衡量指标

6.6 小结

第7章 朴素贝叶斯

7.1 贝叶斯定理

7.2 生成模型和判别模型

7.3 朴素贝叶斯

朴素贝叶斯的假设

7.4 在scikit-learn中使用朴素贝叶斯

7.5 小结

第8章 非线性分类和决策树回归

8.1 决策树

8.2 训练决策树

8.2.1 选择问题

8.2.2 基尼不纯度

8.3 使用scikit-learn类库创建决策树

决策树的优点和缺点

8.4 小结

第9章 集成方法：从决策树到随机森林

9.1 套袋法

9.2 推进法

9.3 堆叠法

9.4 小结

第10章 感知机

10.1 感知机

10.1.1 激活函数

10.1.2 感知机学习算法

10.1.3 使用感知机进行二元分类

10.1.4 使用感知机进行文档分类

10.2 感知机的局限性

10.3 小结

第11章 从感知机到支持向量机

11.1 核与核技巧

11.2 最大间隔分类和支持向量

11.3 用scikit-learn分类字符

11.3.1 手写数字分类

11.3.2 自然图片字符分类

11.4 小结

第12章 从感知机到人工神经网络

12.1 非线性决策边界

12.2 前馈人工神经网络和反馈人工神经网络

12.3 多层感知机

12.4 训练多层感知机

12.4.1 反向传播

12.4.2 训练一个多层感知机逼近XOR函数

12.4.3 训练一个多层感知机分类手写数字

12.5 小结

第13章 K-均值算法

13.1 聚类

13.2 K-均值算法

13.2.1 局部最优值

13.2.2 用肘部法选择K值

13.3 评估聚类

13.4 图像量化

13.5 通过聚类学习特征

13.6 小结

第14章 使用主成分分析降维

14.1 主成分分析

14.1.1 方差、协方差和协方差矩阵

14.1.2 特征向量和特征值

14.1.3 进行主成分分析

14.2 使用PCA对高维数据可视化

14.3 使用PCA进行面部识别

14.4 小结