Python機器學(xué)習(xí)

第 1章 走進機器學(xué)習(xí)1
1．1 機器學(xué)習(xí)概述1
1．2 機器學(xué)習(xí)過程2
第 2章 了解Python20
2．1 為什么選擇Python20
2．2 下載和安裝Python22
2．2．1 在Windows中安裝Python22
2．2．2 Anaconda24
2．3 首個Python程序26
2．4 Python基礎(chǔ)27
2．5 數(shù)據(jù)結(jié)構(gòu)與循環(huán)36
第3章 特征工程42
3．1 什么是特征42
3．2 為什么執(zhí)行特征工程43
3．3 特征提取43
3．4 特征選擇43
3．5 特征工程方法——通用準(zhǔn)則44
3．5．1 處理數(shù)值特征44
3．5．2 處理分類特征45
3．5．3 處理基于時間的特征47
3．5．4 處理文本特征47
3．5．5 缺失數(shù)據(jù)48
3．5．6 降維48
3．6 用Python進行特征工程49
3．6．1 Pandas基本操作49
3．6．2 常見任務(wù)57
第4章 數(shù)據(jù)可視化62
4．1 折線圖63
4．2 條形圖66
4．3 餅圖67
4．4 直方圖68
4．5 散點圖69
4．6 箱線圖70
4．7 采用面向?qū)ο蟮姆绞嚼L圖71
4．8 Seaborn73
4．8．1 分布圖74
4．8．2 雙變量分布75
4．8．3 二元分布的核密度估計75
4．8．4 成對雙變量分布76
4．8．5 分類散點圖76
4．8．6 小提琴圖77
4．8．7 點圖78
第5章 回歸79
5．1 簡單回歸80
5．2 多元回歸92
5．3 模型評價94
5．3．1 訓(xùn)練誤差95
5．3．2 泛化誤差96
5．3．3 測試誤差97
5．3．4 不可約誤差98
5．3．5 偏差—方差權(quán)衡99
第6章 更多回歸105
6．1 概述105
6．2 嶺回歸112
6．3 套索回歸118
6．3．1 全子集算法118
6．3．2 用于特征選擇的貪心算法119
6．3．3 特征選擇的正則化119
6．4 非參數(shù)回歸122
6．4．1 K-最近鄰回歸124
6．4．2 核回歸127
第7章 分類128
7．1 線性分類器129
7．2 邏輯回歸133
7．3 決策樹147
7．3．1 關(guān)于樹的術(shù)語148
7．3．2 決策樹學(xué)習(xí)149
7．3．3 決策邊界151
7．4 隨機森林158
7．5 樸素貝葉斯164
第8章 無監(jiān)督學(xué)習(xí)169
8．1 聚類170
8．2 K-均值聚類170
8．2．1 隨機分配聚類質(zhì)心的問題175
8．2．2 查找K的值175
8．3 分層聚類182
8．3．1 距離矩陣184
8．3．2 連接185
第9章 文本分析189
9．1 使用Python進行基本文本處理189
9．1．1 字符串比較191
9．1．2 字符串轉(zhuǎn)換191
9．1．3 字符串操作192
9．2 正則表達式193
9．3 自然語言處理195
9．3．1 詞干提取196
9．3．2 詞形還原197
9．3．3 分詞197
9．4 文本分類200
9．5 主題建模206
第 10章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)209
10．1 矢量化210
10．2 神經(jīng)網(wǎng)絡(luò)218
10．2．1 梯度下降220
10．2．2 激活函數(shù)221
10．2．3 參數(shù)初始化224
10．2．4 優(yōu)化方法227
10．2．5 損失函數(shù)227
10．3 深度學(xué)習(xí)229
10．4 深度學(xué)習(xí)架構(gòu)230
10．4．1 深度信念網(wǎng)絡(luò)231
10．4．2 卷積神經(jīng)網(wǎng)絡(luò)231
10．4．3 循環(huán)神經(jīng)網(wǎng)絡(luò)231
10．4．4 長短期記憶網(wǎng)絡(luò)231
10．4．5 深度堆棧網(wǎng)絡(luò)232
10．5 深度學(xué)習(xí)框架232
第 11章 推薦系統(tǒng)237
11．1 基于流行度的推薦引擎237
11．2 基于內(nèi)容的推薦引擎240
11．3 基于分類的推薦引擎243
11．4 協(xié)同過濾245
第 12章 時間序列分析249
12．1 處理日期和時間249
12．2 窗口函數(shù)254
12．3 相關(guān)性258
12．4 時間序列預(yù)測261