Python机器学习 第2版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

Python机器学习 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 赋予计算机从数据中学习的能力1

1.1 构建把数据转换为知识的智能机器1

1.2 三种不同类型的机器学习1

1.2.1 用有监督学习预测未来2

1.2.2 用强化学习解决交互问题3

1.2.3 用无监督学习发现隐藏结构4

1.3 基本术语与符号4

1.4 构建机器学习系统的路线图6

1.4.1 预处理——整理数据6

1.4.2 训练和选择预测模型7

1.4.3 评估模型和预测新样本数据7

1.5 用Python进行机器学习7

1.5.1 从Python包索引安装Python和其他包8

1.5.2 采用Anaconda Python和软件包管理器8

1.5.3 科学计算、数据科学和机器学习软件包8

1.6 小结9

第2章 训练简单的机器学习分类算法10

2.1 人工神经元——机器学习早期历史一瞥10

2.1.1 人工神经元的正式定义11

2.1.2 感知器学习规则12

2.2 在Python中实现感知器学习算法14

2.2.1 面向对象的感知器API14

2.2.2 在鸢尾花数据集上训练感知器模型16

2.3 自适应神经元和学习收敛20

2.3.1 梯度下降为最小代价函数21

2.3.2 用Python实现Adaline22

2.3.3 通过调整特征大小改善梯度下降25

2.3.4 大规模机器学习与随机梯度下降27

2.4 小结30

第3章 scikit-learn机器学习分类器一览32

3.1 选择分类算法32

3.2 了解scikit-learn软件库的第一步——训练感知器32

3.3 基于逻辑回归的分类概率建模37

3.3.1逻辑回归的直觉与条件概率37

3.3.2学习逻辑代价函数的权重39

3.3.3把转换的Adaline用于逻辑回归算法41

3.3.4用scikit-leam训练逻辑回归模型44

3.3.5通过正则化解决过拟合问题45

3.4支持向量机的最大余量分类47

3.4.1最大边际的直觉48

3.4.2用松弛变量处理非线性可分48

3.4.3其他的scikit-leam实现50

3.5用核支持向量机求解非线性问题50

3.5.1处理线性不可分数据的核方法50

3.5.2利用核技巧，发现高维空间的分离超平面52

3.6决策树学习55

3.6.1最大限度地获取信息——获得最大收益55

3.6.2构建决策树58

3.6.3通过随机森林组合多个决策树61

3.7 K-近邻——一种懒惰的学习算法63

3.8小结65

第4章 构建良好的训练集——预处理66

4.1处理缺失数据66

4.1.1识别数据中的缺失数值66

4.1.2删除缺失的数据67

4.1.3填补缺失的数据68

4.1.4了解scikit-learn评估器API68

4.2处理分类数据69

4.2.1名词特征和序数特征69

4.2.2映射序数特征70

4.2.3分类标签编码70

4.2.4为名词特征做热编码71

4.3分裂数据集为独立的训练集和测试集73

4.4把特征保持在同一尺度上75

4.5选择有意义的特征76

4.5.1 L1和L2正则化对模型复杂度的惩罚76

4.5.2 L2正则化的几何解释77

4.5.3 L1正则化的稀疏解决方案78

4.5.4为序数特征选择算法80

4.6用随机森林评估特征的重要性84

4.7小结87

第5章 通过降维压缩数据88

5.1用主成分分析实现无监督降维88

5.1.1主成分分析的主要步骤88

5.1.2逐步提取主成分89

5.1.3总方差和解释方差91

5.1.4特征变换92

5.1.5 scikit-learn的主成分分析93

5.2基于线性判别分析的有监督数据压缩96

5.2.1主成分分析与线性判别分析96

5.2.2线性判别分析的内部逻辑97

5.2.3计算散布矩阵97

5.2.4在新的特征子空间选择线性判别式99

5.2.5将样本投影到新的特征空间101

5.2.6用scikit-learn实现的LDA101

5.3非线性映射的核主成分分析102

5.3.1核函数与核技巧103

5.3.2用Python实现核主成分分析106

5.3.3投影新的数据点111

5.3.4 scikit-learn的核主成分分析113

5.4小结114

第6章 模型评估和超参数调优的最佳实践115

6.1用管道方法简化工作流115

6.1.1加载威斯康星乳腺癌数据集115

6.1.2集成管道中的转换器和评估器116

6.2使用k折交叉验证评估模型的性能118

6.2.1抵抗方法118

6.2.2 k折交叉验证119

6.3用学习和验证曲线调试算法122

6.3.1用学习曲线诊断偏差和方差问题122

6.3.2用验证曲线解决过拟合和欠拟合问题124

6.4通过网格搜索为机器学习模型调优126

6.4.1通过网格搜索为超参数调优126

6.4.2以嵌套式交叉验证来选择算法127

6.5比较不同的性能评估指标128

6.5.1含混矩阵分析128

6.5.2优化分类模型的准确度和召回率129

6.5.3绘制受试者操作特性图130

6.5.4多元分类评分指标133

6.6处理类的不平衡问题133

6.7小结135

第7章 综合不同模型的组合学习136

7.1集成学习136

7.2采用多数票机制的集成分类器139

7.2.1实现基于多数票的简单分类器139

7.2.2用多数票原则进行预测143

7.2.3评估和优化集成分类器145

7.3套袋——基于导引样本构建分类器集成149

7.3.1套袋简介150

7.3.2应用套袋技术对葡萄酒数据集中的样本分类151

7.4通过自适应增强来利用弱学习者153

7.4.1增强是如何实现的154

7.4.2用scikit-learn实现AdaBoost156

7.5小结158

第8章 应用机器学习于情感分析159

8.1为文本处理预备好IMDb电影评论数据159

8.1.1获取电影评论数据集159

8.1.2把电影评论数据预处理成更方便格式的数据160

8.2词袋模型介绍161

8.2.1把词转换成特征向量161

8.2.2通过词频逆反文档频率评估单词相关性162

8.2.3清洗文本数据164

8.2.4把文档处理为令牌165

8.3训练文档分类的逻辑回归模型166

8.4处理更大的数据集——在线算法和核心学习168

8.5具有潜在狄氏分配的主题建模171

8.5.1使用LDA分解文本文档171

8.5.2 LDA与seikit-learn172

8.6小结174

第9章 将机器学习模型嵌入网络应用175

9.1序列化拟合scikit-learn评估器175

9.2搭建SQLite数据库存储数据177

9.3用Flask开发网络应用179

9.3.1第一个Flask网络应用179

9.3.2表单验证与渲染181

9.4将电影评论分类器转换为网络应用184

9.4.1文件与文件夹——研究目录树185

9.4.2实现主应用app.py186

9.4.3建立评论表单188

9.4.4创建一个结果页面的模板189

9.5在面向公众的服务器上部署网络应用190

9.5.1创建PythonAnywhere账户190

9.5.2上传电影分类应用191

9.5.3更新电影分类器191

9.6小结193

第10章 用回归分析预测连续目标变量194

10.1线性回归简介194

10.1.1简单线性回归194

10.1.2多元线性回归195

10.2探索住房数据集196

10.2.1加载住房数据196

10.2.2可视化数据集的重要特点197

10.2.3用关联矩阵查看关系198

10.3普通最小二乘线性回归模型的实现200

10.3.1用梯度下降方法求解回归参数200

10.3.2通过scikit-learn估计回归模型的系数203

10.4利用RANSAC拟合稳健的回归模型205

10.5评估线性回归模型的性能206

10.6用正则化方法进行回归209

10.7将线性回归模型转换为曲线——多项式回归210

10.7.1用scikit-leam增加多项式的项210

10.7.2为住房数据集中的非线性关系建模211

10.8用随机森林处理非线性关系214

10.8.1决策树回归214

10.8.2随机森林回归215

10.9小结217

第11章 用聚类分析处理无标签数据218

11.1用k-均值进行相似性分组218

11.1.1 seikit-learn的k-均值聚类218

11.1.2 k-均值＋＋——更聪明地设置初始聚类中心的方法221

11.1.3硬聚类与软聚类222

11.1.4用肘法求解最佳聚类数223

11.1.5通过轮廓图量化聚类质量224

11.2把集群组织成有层次的树228

11.2.1以自下而上的方式聚类228

11.2.2在距离矩阵上进行层次聚类229

11.2.3热度图附加树状图232

11.2.4 scikit-leam凝聚聚类方法233

11.3通过DBSCAN定位高密度区域233

11.4小结237

第12章 从零开始实现多层人工神经网络238

12.1用人工神经网络为复杂函数建模238

12.1.1单层神经网络扼要重述239

12.1.2介绍多层神经网络体系240

12.1.3利用正向传播激活神经网络242

12.2识别手写数字243

12.2.1获取MNIST数据集243

12.2.2实现一个多层感知器247

12.3训练人工神经网络256

12.3.1逻辑成本函数的计算256

12.3.2开发反向传播的直觉257

12.3.3通过反向传播训练神经网络258

12.4关于神经网络的收敛性260

12.5关于神经网络实现的最后几句话261

12.6小结261

第13章 用TensorFlow并行训练神经网络262

13.1 TensorFlow与模型训练的性能262

13.1.1什么是TensorFlow263

13.1.2如何学习TensorFlow264

13.1.3学习TensorFlow的第一步264

13.1.4使用阵列结构266

13.1.5用TensorFlow的底层API开发简单的模型267

13.2用TensorFlow的高级API高效率地训练神经网络270

13.2.1用TensorFlow的Layers API构建多层神经网络270

13.2.2用Keras研发多层神经网络274

13.3多层网络激活函数的选择277

13.3.1逻辑函数回顾278

13.3.2在多元分类中调用softmax函数评估类别概率279

13.3.3利用双曲正切拓宽输出范围280

13.3.4修正线性单元激活函数281

13.4小结282

第14章 深入探讨TensorFlow的工作原理283

14.1 TensorFlow的主要功能283

14.2 TensorFlow的排序与张量284

14.3了解TensorFlow的计算图285

14.4 TensorFlow中的占位符287

14.4.1定义占位符287

14.4.2为占位符提供数据287

14.4.3用batchsizes为数据阵列定义占位符288

14.5 TensorFlow中的变量289

14.5.1定义变量289

14.5.2初始化变量290

14.5.3变量范围291

14.5.4变量复用292

14.6建立回归模型295

14.7在TensorFlow计算图中用张量名执行对象297

14.8在TensorFlow中存储和恢复模型298

14.9把张量转换成多维数据阵列300

14.10利用控制流构图303

14.11用TensorBoard可视化图305

14.12小结308

第15章 深度卷积神经网络图像识别309

15.1构建卷积神经网络的模块309

15.1.1理解CNN与学习特征的层次309

15.1.2执行离散卷积310

15.1.3子采样316

15.2拼装构建CNN317

15.2.1处理多个输入或者彩色频道317

15.2.2通过淘汰正则化神经网络319

15.3用TensorFlow实现深度卷积神经网络321

15.3.1多层CNN体系结构321

15.3.2加载和预处理数据322

15.3.3用TensorFlow的低级API实现CNN模型323

15.3.4用TensorFlow的Layers API实现CNN332

15.4小结336

第16章 用递归神经网络为序列数据建模338

16.1序列数据338

16.1.1序列数据建模——顺序很重要338

16.1.2表示序列339

16.1.3不同类别的序列建模339

16.2用于序列建模的RNN340

16.2.1理解RNN的结构和数据流340

16.2.2在RNN中计算激活值341

16.2.3长期交互学习的挑战343

16.2.4 LSTM单元343

16.3用TensorFlow实现多层RNN序列建模345

16.4项目一：利用多层RNN对IMDb电影评论进行情感分析345

16.4.1准备数据345

16.4.2嵌入式348

16.4.3构建一个RNN模型350

16.4.4情感RNN类构造器350

16.4.5 build方法351

16.4.6 train方法353

16.4.7 predict方法354

16.4.8创建SentimentRNN类的实例355

16.4.9训练与优化情感分析RNN模型355

16.5项目二：用TensorFlow实现字符级RNN语言建模356

16.5.1准备数据356

16.5.2构建字符级RNN语言模型359

16.5.3构造器359

16.5.4 build方法360

16.5.5 train方法362

16.5.6 sample方法362

16.5.7创建和训练CharRNN模型364

16.5.8处于取样状态的CharRNN模型364

16.6总结365