资源名称：Python机器学习经典实例

内容简介：

在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。

本书是为想用机器学习算法开发应用程序的Python 程序员准备的。它适合Python 初学者阅读，不过熟悉Python 编程方法对体验示例代码大有裨益。

作者简介：

作者简介：

Prateek Joshi

人工智能专家，重点关注基于内容的分析和深度学习，曾在英伟达、微软研究院、高通公司以及硅谷的几家早期创业公司任职。

译者简介：

陶俊杰

长期从事数据分析工作，酷爱Python，每天都和Python面对面，乐此不疲。本科毕业于北京交通大学机电学院，硕士毕业于北京交通大学经管学院。曾就职于中国移动设计院，目前在京东任职。

陈小莉

长期从事数据分析工作，喜欢Python。本科与硕士毕业于北京交通大学电信学院。目前在中科院从事科技文献与专利分析工作。

资源目录：

第1章　监督学习　　1

1.1　简介　　1

1.2　数据预处理技术　　2

1.2.1　准备工作　　2

1.2.2　详细步骤　　2

1.3　标记编码方法　　4

1.4　创建线性回归器　　6

1.4.1　准备工作　　6

1.4.2　详细步骤　　7

1.5　计算回归准确性　　9

1.5.1　准备工作　　9

1.5.2　详细步骤　　10

1.6　保存模型数据　　10

1.7　创建岭回归器　　11

1.7.1　准备工作　　11

1.7.2　详细步骤　　12

1.8　创建多项式回归器　　13

1.8.1　准备工作　　13

1.8.2　详细步骤　　14

1.9　估算房屋价格　　15

1.9.1　准备工作　　15

1.9.2　详细步骤　　16

1.10　计算特征的相对重要性　　17

1.11　评估共享单车的需求分布　　19

1.11.1　准备工作　　19

1.11.2　详细步骤　　19

1.11.3　更多内容　　21

第2章　创建分类器　　24

2.1　简介　　24

2.2　建立简单分类器　　25

2.2.1　详细步骤　　25

2.2.2　更多内容　　27

2.3　建立逻辑回归分类器　　27

2.4　建立朴素贝叶斯分类器　　31

2.5　将数据集分割成训练集和测试集　　32

2.6　用交叉验证检验模型准确性　　33

2.6.1　准备工作　　34

2.6.2　详细步骤　　34

2.7　混淆矩阵可视化　　35

2.8　提取性能报告　　37

2.9　根据汽车特征评估质量　　38

2.9.1　准备工作　　38

2.9.2　详细步骤　　38

2.10　生成验证曲线　　40

2.11　生成学习曲线　　43

2.12　估算收入阶层　　45

第3章　预测建模　　48

3.1　简介　　48

3.2　用SVM建立线性分类器　　49

3.2.1　准备工作　　49

3.2.2　详细步骤　　50

3.3　用SVM建立非线性分类器　　53

3.4　解决类型数量不平衡问题　　55

3.5　提取置信度　　58

3.6　寻找最优超参数　　60

3.7　建立事件预测器　　62

3.7.1　准备工作　　62

3.7.2　详细步骤　　62

3.8　估算交通流量　　64

3.8.1　准备工作　　64

3.8.2　详细步骤　　64

第4章　无监督学习——聚类　　67

4.1　简介　　67

4.2　用k-means算法聚类数据　　67

4.3　用矢量量化压缩图片　　70

4.4　建立均值漂移聚类模型　　74

4.5　用凝聚层次聚类进行数据分组　　76

4.6　评价聚类算法的聚类效果　　79

4.7　用DBSCAN算法自动估算集群数量　　82

4.8　探索股票数据的模式　　86

4.9　建立客户细分模型　　88

第5章　构建推荐引擎　　91

5.1　简介　　91

5.2　为数据处理构建函数组合　　92

5.3　构建机器学习流水线　　93

5.3.1　详细步骤　　93

5.3.2　工作原理　　95

5.4　寻找最近邻　　95

5.5　构建一个KNN分类器　　98

5.5.1　详细步骤　　98

5.5.2　工作原理　　102

5.6　构建一个KNN回归器　　102

5.6.1　详细步骤　　102

5.6.2　工作原理　　104

5.7　计算欧氏距离分数　　105

5.8　计算皮尔逊相关系数　　106

5.9　寻找数据集中的相似用户　　108

5.10　生成电影推荐　　109

第6章　分析文本数据　　112

6.1　简介　　112

6.2　用标记解析的方法预处理数据　　113

6.3　提取文本数据的词干　　114

6.3.1　详细步骤　　114

6.3.2　工作原理　　115

6.4　用词形还原的方法还原文本的基本形式　　116

6.5　用分块的方法划分文本　　117

6.6　创建词袋模型　　118

6.6.1　详细步骤　　118

6.6.2　工作原理　　120

6.7　创建文本分类器　　121

6.7.1　详细步骤　　121

6.7.2　工作原理　　123

6.8　识别性别　　124

6.9　分析句子的情感　　125

6.9.1　详细步骤　　126

6.9.2　工作原理　　128

6.10　用主题建模识别文本的模式　　128

6.10.1　详细步骤　　128

6.10.2　工作原理　　131

第7章　语音识别　　132

7.1　简介　　132

7.2　读取和绘制音频数据　　132

7.3　将音频信号转换为频域　　134

7.4　自定义参数生成音频信号　　136

7.5　合成音乐　　138

7.6　提取频域特征　　140

7.7　创建隐马尔科夫模型　　142

7.8　创建一个语音识别器　　143

第8章　解剖时间序列和时序数据　　147

8.1　简介　　147

8.2　将数据转换为时间序列格式　　148

8.3　切分时间序列数据　　150

8.4　操作时间序列数据　　152

8.5　从时间序列数据中提取统计数字　　154

8.6　针对序列数据创建隐马尔科夫模型　　157

8.6.1　准备工作　　158

8.6.2　详细步骤　　158

8.7　针对序列文本数据创建条件随机场　　161

8.7.1　准备工作　　161

8.7.2　详细步骤　　161

8.8　用隐马尔科夫模型分析股票市场数据　　164

第9章　图像内容分析　　166

9.1　简介　　166

9.2　用OpenCV-Pyhon操作图像　　167

9.3　检测边　　170

9.4　直方图均衡化　　174

9.5　检测棱角　　176

9.6　检测SIFT特征点　　178

9.7　创建Star特征检测器　　180

9.8　利用视觉码本和向量量化创建特征　　182

9.9　用极端随机森林训练图像分类器　　185

9.10　创建一个对象识别器　　187

第10章　人脸识别　　189

10.1　简介　　189

10.2　从网络摄像头采集和处理视频信息　　189

10.3　用Haar级联创建一个人脸识别器　　191

10.4　创建一个眼睛和鼻子检测器　　193

10.5　做主成分分析　　196

10.6　做核主成分分析　　197

10.7　做盲源分离　　201

10.8　用局部二值模式直方图创建一个人脸识别器　　205

第11章　深度神经网络　　210

11.1　简介　　210

11.2　创建一个感知器　　211

11.3　创建一个单层神经网络　　213

11.4　创建一个深度神经网络　　216

11.5　创建一个向量量化器　　219

11.6　为序列数据分析创建一个递归神经网络　　221

11.7　在光学字符识别数据库中将字符可视化　　225

11.8　用神经网络创建一个光学字符识别器　　226

第12章　可视化数据　　230

12.1　简介　　230

12.2　画3D散点图　　230

12.3　画气泡图　　232

12.4　画动态气泡图　　233

12.5　画饼图　　235

12.6　画日期格式的时间序列数据　　237

12.7　画直方图　　239

12.8　可视化热力图　　241

12.9　动态信号的可视化模拟　　242

资源截图：