Python機器學習及實踐：從零開始通往Kaggle競賽之路

定　價：￥49.00

作　者：	范淼，李超
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302442875	出版時間：	2016-10-01	包裝：
開本：	16開	頁數(shù)：	183	字數(shù)：

內容簡介

　　本書面向所有對機器學習與數(shù)據(jù)挖掘的實踐及競賽感興趣的讀者，從零開始，以Python編程語言為基礎，在不涉及大量數(shù)學模型與復雜編程知識的前提下，逐步帶領讀者熟悉并且掌握當下流行的機器學習、數(shù)據(jù)挖掘與自然語言處理工具，如Scikit-learn、NLTK、Pandas、gensim、XGBoost、Google Tensorflow等。全書共分4章。第1章簡介篇，介紹機器學習概念與Python編程知識；第2章基礎篇，講述如何使用Scikit-learn作為基礎機器學習工具；第3章進階篇，涉及怎樣借助高級技術或者模型進一步提升既有機器學習系統(tǒng)的性能；第4章競賽篇，以Kaggle平臺為對象，幫助讀者一步步使用本書介紹過的模型和技巧，完成三項具有代表性的競賽任務。

作者簡介

　　范淼，清華大學計算機系人工智能研究所博士，研究方向涉及機器學習與自然語言處理技術。2015年3月受國家留學基金委公派至美國紐約大學計算機系聯(lián)合培養(yǎng)。攻讀博士期間，于所在研究領域內多個重要國際會議與期刊上發(fā)表論文近20篇。先后在Hulu、MSRA（微軟亞洲研究院）、百度自然語言處理部、Bosch（博世）北美硅谷研究院等多個公司的研發(fā)部門實習，并承擔機器學習與自然語言處理相關的研究任務。李超，工學博士，清華大學副研究員，信息技術研究院Web 與軟件技術研究中心副主任。中國計算機學會信息存儲技術專委會委員、中國計算機學會高級會員、全國文獻影像技術標準化技術委員會（SAC/TC86/SC6）委員、IEEE 會員。研究領域包括海量數(shù)據(jù)存儲、組織與管理、分析，及其在數(shù)字圖書館/檔案館/教育/醫(yī)療/金融等領域的應用。主持及參與多項國家973、863、科技支撐、自然基金等縱向項目及橫向合作項目。已發(fā)表學術論文50 余篇、獲得授權發(fā)明專利10 余項。

圖書目錄

第1章簡介篇..............................................................1
1.1 機器學習綜述..............................................................1
1.1.1 任務....................................................................3
1.1.2 經驗....................................................................5
1.1.3 性能....................................................................5
1.2 Python編程庫..............................................................8
1.2.1 為什么使用Python........................................................8
1.2.2 Python機器學習的優(yōu)勢....................................................9
1.2.3 NumPy & SciPy..........................................................10
1.2.4 Matplotlib.............................................................11
1.2.5 Scikit-learn..........................................................11
1.2.6 Pandas.................................................................11
1.2.7 Anaconda...............................................................12
1.3 Python環(huán)境配置...........................................................12
1.3.1 Windows系統(tǒng)環(huán)境........................................................12
1.3.2 Mac OS 系統(tǒng)環(huán)境........................................................17
1.4 Python編程基礎...........................................................18
1.4.1 Python基本語法.........................................................19
1.4.2 Python 數(shù)據(jù)類型........................................................20
1.4.3 Python 數(shù)據(jù)運算........................................................22
1.4.4 Python 流程控制........................................................26
1.4.5 Python 函數(shù)（模塊）設計................................................28
1.4.6 Python 編程庫（包）的導入..............................................29
1.4.7 Python 基礎綜合實踐....................................................30
1.5章末小結..............................................................33第2章基礎篇..............................................................34
2.1監(jiān)督學習經典模型.........................................................34
2.1.1分類學習...............................................................35
2.1.1.1 線性分類器
2.1.1.2 支持向量機（分類）
2.1.1.3 樸素貝葉斯
2.1.1.4 K近鄰（分類）
2.1.1.5 決策樹
2.1.1.6 集成模型（分類）
2.1.2回歸預測...............................................................64
2.1.2.1 線性回歸器
2.1.2.2 支持向量機（回歸）
2.1.2.3 K近鄰（回歸）
2.1.2.4 回歸樹
2.1.2.5 集成模型（回歸）
2.2 無監(jiān)督學習經典模型.......................................................81
2.2.1數(shù)據(jù)聚類......................................................81
2.2.1.1 K均值算法
2.2.2特征降維...............................................................91
2.2.2.1 主成分分析
2.3 章末小結.................................................................97第3章進階篇...............................................................98
3.1 模型實用技巧.............................................................98?
3.1.1 特征提升...............................................................99
3.1.2 模型正則化............................................................111
3.1.3 模型檢驗..............................................................121
3.1.4 超參數(shù)搜索............................................................122
3.2 流行庫/模型實踐.........................................................129
3.2.1自然語言處理包（NLTK）................................................131
3.2.2 詞向量（Word2Vec）技術................................................133
3.2.3 XGBoost模型...........................................................138
3.2.4 Tensorflow框架........................................................140
3.3 章末小結................................................................152第4章實戰(zhàn)篇..............................................................153
4.1 Kaggle平臺簡介..........................................................153
4.2 Titanic罹難乘客預測.....................................................157
4.3 IMDB影評得分估計........................................................165
4.4 MNIST手寫體數(shù)字圖片識別.................................................174
4.5 章末小結................................................................180后記.....................................................................181參考文獻.................................................................182