Python Machine Learning Sebastian La Shi Card Data Science and Engineering Technology Series 9787111558804 Machinery Industry Press
Цена: 303руб. (¥16.8)
Артикул: 560713460701
Цена указана со скидкой: 79%
Старая цена: 1421р.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:鑫达图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥33594руб.
¥99.81 795руб.
¥139.72 512руб.
¥49.8896руб.
| Основная информация | |
| наименование товара: | Python Machine Learning |
| Автор: | (США) Себастьян·Себастьян Рашка |
| Рыночная цена: | 79.00 |
| Номер ISBN: | 9787111558804 |
| Версия: | 1-1 |
| Дата публикации: | 2017-03 |
| Количество страниц: | 259 |
| Слова: | 350 |
| Издательство: | Machinery Industry Press |
| Оглавление | |
| Оглавление Переводчик Рекомендация об авторе Введение Предисловие Глава 1 Возможность предоставлять данные учебного обучения 1 1.1 Строительство интеллектуальных машин Преобразует данные в знания 1. 1.2 Три различных метода машинного обучения 1 1.2.1 Прогнозирование будущих событий посредством надзора и обучения 2 1.2.2 путем укрепления обучения для решения интерактивных задач 4 1.2.3 Откройте для себя потенциальную структуру самого данных через неконтролируемое обучение 4 1.2.4 Основной термин и введение символа 5 1.3 Blueprint для построения системы машинного обучения 6 1.3.1 Предварительная обработка данных 6 1.3.2 Выберите тип модели прогнозирования и поезд 7 1.3.3 Проверка модели и использование неизвестных данных для прогнозирования 8 1.4 Применение Python в машинном обучении 8 Резюме этой главы 9 Глава 2 Алгоритм классификации машинного обучения 10 2.1 Искусственные нейроны—Ранний обзор машинного обучения 10 2.2 Используйте Python для реализации алгоритма обучения восприятию 13 2.3 Адаптивные линейные нейроны и их конвергенция обучения 19 19 2.3.1 меньше функция стоимости с помощью функции снижения градиента 20 2.3.2 Используйте Python для достижения адаптивных линейных нейронов 21 2.3.3 Большое масштабное машинное обучение и случайный градиент уменьшаются 25 Резюме этой главы 29 Глава 3 Используйте Scikit-Learn для реализации алгоритма классификации машинного обучения 30 3.1 Выбор алгоритма классификации 30 3.2 Использование первого участия Scikit-Learn 30 Используйте Scikit-Learn Training Apostles 31 3.3 Вероятность категории в возврате логики 3 3.3.1 Вероятность регрессии и условий первого распознавания логики 34 3.3.2 Функция стоимости модели возврата через логику логики получена 36 3.3.3 Используйте Scikit-Learn Training Logic Logic Slim возвращение к модели 37 3.3.4 Решение задачи подгонки с помощью регуляризации 39 3.4 Используйте вспомогательную векторную машину, чтобы максимизировать интервал классификации 41 3.4.1 Интуиция, чтобы максимизировать интервал классификации 41 3.4.2 Используйте переменные релаксации для решения проблем нелинейного деления 42 3.4.3 Используйте Scikit-Learn для реализации SVM44 3.5 Используйте ядерную SVM для решения нелинейных задач 44 3.6 Дерево решений 48 3.6.1 максимизировать прирост информации—Знайте результат, который максимально точен 49 3.6.2 Дерево решений по строительству 52 3.6.3 Слабый классификатор превращается в сильный классификатор через случайный лес 53 3.7 Алгоритм инертного обучения—K-Neightoring Algorithm 54 Резюме этой главы 57 Глава 4 Предварительная обработка данных—Установите хороший набор данных обучения 58 4.1 Обработка отсутствующих данных 58 4.1.1 Удалить характеристики или образцы, которые отсутствуют или отсутствуют 59 4.1.2 Отсутствие заполнения данных 60 4.1.3 Понять API60 оценщика Scikit-Learn 4.2 Данные категории процесса 61 4.2.1 Карта упорядоченных функций 61 4.2.2 Кодирование кода 62 4.2.3 Управляемое кодирование в номинальных функциях 63 4.3 Dathers Набор данных в обучающие наборы данных и набор тестовых данных 64 4.4 Уменьшите значение функций до того же интервала 65 4.5 Выберите значимые функции 66 4.5.1 Используйте регуляризацию L1 для удовлетворения данных DIRUTE 67 4.5.2 Алгоритм выбора функций последовательности 70 4.6 Важность характеристик характеристик случайного леса 74 Резюме этой главы 76 Глава 5 по данным сжатия сокращения измерений 77 5.1 Технология сокращения данных без присмотра—Анализ основного композиции 77 5.1.1 Разница между общей дисперсией и вкладом 78 5.1.2 Преобразование функций 80 5.1.3 Используйте Scikit-Learn для анализа основного компонента 82 5.2 Сжатые данные не контролируют данные через линейное суждение 84 84 5.2.1 Рассчитайте матрицу распределения 85 5.2.2 Выбор алгоритмов линейного суждения на новых функциях пространство 87 5.2.3 Сопоставьте образец на новое пространство функций 89 5.2.4 Используйте Scikit-Learn для анализа LDA 90 5.3 Использование анализа основных компонентов ядер для нелинейного картирования 91 5.3.1 Основная функция и ядерные навыки 91 5.3.2 Используйте Python для реализации анализа основных компонентов ядерного компонента 94 5.3.3 Карта новых точек данных 99 5.3.4 Анализ основных ядерных компонентов у Scikit-Learn 102 102 Резюме этой главы 103 Глава 6 Оценка модели и настройка параметра Фактическая борьба 104 6.1 Рабочий процесс на основе сборочной линии 104 6.1.1 Набор данных о раке молочной железы в Висконсине 104 6.1.2 Интегрированная операция преобразования и оценки данных в строке 105 сборки 105 6.2 Используйте K Folding для проверки производительности модели оценки 106 6.2.1 Метод удержания 106 6.2.2 K Складной перекрестной проверки 107 6.3 утро Алгоритм испытаний через кривые обучения и проверки 110 6.3.1 Используйте кривую обучения, чтобы определить отклонение и задачу дисперсии 110 6.3.2 С помощью кривой проверки, чтобы определить переосмысление и задолженность FIT 112 6.4 Используйте сетку для поиска модели настройки машинного обучения 113 6.4.1 Используйте сеть для поиска настройки Super Recorser 114 6.4.2 Алгоритм отбора 115 путем оценки проверки перекрестной оценки 6.5 Изучите различные показатели оценки эффективности 116 6.5.1 Прочитайте матрицу путаницы 116 6.5.2 Оптимизировать точность и частоту отзыва оптимизации классификационной модели 117 6.5.3 Нарисуйте кривую ROC 118 6.5.4 Критерии оценки для многогранную классификацию 121 Резюме этой главы 121 Глава 7 Интегрированное обучение—Различные модели 122 7.1 Интегрированное обучение 122 7.2 Реализуйте простой классификатор голосования большинства 125 7.3 Оценка и установка ингредиентов 131 7.4—Создайте установленную композицию. 7.5 Улучшить производительность слабых учебных машин посредством адаптивного повышения 138 Краткое содержание главы 143 Глава 8 Используйте машинное обучение для проведения эмоционального анализа 144 8.1 Получить набор данных IMDB фильма 144 8.2 Введение в модель сумки 146 8.2.1 Преобразовать слово в функцию вектор 146 8.2.2 Рассчитайте корреляцию слова с частотой частоты слов. 8.2.3 Чистые текстовые данные 148 8.2.4 Tag Document 149 8.3 Обучение для логики классификации документов, регрессионной модели 151 8.4 Используйте большие данные—Онлайн -алгоритм и внешнее исследование 152 Резюме этой главы 155 Глава 9 Модель машинного обучения в веб -приложении 156 9.1 Модель 156 по модели 156 на основе последовательности 9.2 Используйте данные хранилища базы данных SQLite 158 9.3 Используйте Flask для разработки веб -приложения 160 9.3.1 Первое веб -приложение Flask 160 9.3.2 Проверка и рендеринг формы 161 9.4 Встроение классификатора фильма в веб -приложение 164 9.5 развернуть веб -приложения на общественных серверах 169 Резюме этой главы 172 Глава 10 Используйте анализ возврата прогнозирующей непрерывной целевой переменной 173 10.1 Простая модель линейной регрессии сначала исследует 173 10.2 Набор данных о корпусе Бостона 174 10.3 Создайте модель линейной регрессии на основе минимального ежедневного метода 178 10.3.1 Рассчитайте параметр регрессии с помощью градиентного падения 178 10.3.2 Используйте Scikit-Learn для оценки коэффициента возврата модели 181 10.4 Используйте ransac, чтобы соответствовать модели с высокой регрессией 182 10.5 Оценка эффективности модели линейной регрессии 184 10.6 Метод регуляризации в регрессии 185 10.7 Curvilation модели линейной возврата 10.7.1 Нелинейное моделирование взаимосвязи набора данных дома 188 10.7.2 Используйте случайные лечения леса. Нелинейные отношения 190 Резюме этой главы 193 Глава 11 Анализ классификации——Обработка не -категорий данных 194 11.1 Используйте алгоритм K-средних, чтобы группировать аналогичный объект 194 11.1.1 K-среднее ++ 196 11.1.2 жесткий кластер и мягкий кластер 198 11.1.3 Лучшее количество кластера с методом локтя 199 11.1.4 Количественный анализ качества кластера с помощью диаграмм схемы 200 11.2 Уровень кластер 203 11.2.1 Выполните иерархический кластер 204 на основе матрицы дистанции 204 11.2.2 Ассоциация диаграммы деревьев и тепловой карты 207 11.2.3 Агрегация валюты агрегации 208 через Scikit-Learn 208 11.3 Используйте DBSCAN для разделения областей высокой плотности 209 Эта глава - саммит 212 Глава 12 Используйте изображение распознавания искусственной нейронной сети 213 12.1 Используйте искусственную нейронную сеть для моделирования комплексной функции 213 12.1.1 Обзор однозначной нейронной сети 214 12.1.2 Введение в архитектуру многослойной нейронной сети 215 12.1.3 Доверие нейронной сети через позитивную связь 216 12.2 Идентификация рукописных чисел 218 12.2.1 Получить набор данных MNIST 218 12.2.2 Реализовать многослойное восприятие 222 12.3 Обучение искусственной нейронной сети |
| краткое введение | |
| Анализ машинного обучения и прогнозирования меняет работу предприятий и других организаций.В книге есть 13 глав. глубокое обучение и другой контент.Эта книга связала основную теорию машинного обучения с применением.Эта книга объясняет, как использовать основные элементы Python и мощные библиотеки машинного обучения, а также показывает, как правильно использовать серию статистических моделей.Эта книга может быть использована в качестве справочника для начинающих, которые изучают науку о данных и читателей, которые хотят дополнительно расширить область науки о данных.Точно так же эта книга также подходит для студентов и аспирантов, таких как компьютеры и другие связанные специальности. |