Alexander的Python機器學習 之目錄分析。

 

無聊，順應一下潮流，學習一下python機器學習吧。

買了一本書，首先分析一下目錄吧。

 

1.第一章是 Python機器學習的生態系統。

　　1.1.數據科學或機器學習的工做流程。

　　　　而後又分紅6點進行詳細說明：獲取，檢查和探索，清理和準備，建模，評估，部署。

　　1.2.講解了Python庫和相應的功能。

　　　　這裏也分紅5個點進行詳細說明：獲取，檢查，準備，建模和評估，部署。

　　1.3.設置機器學習的環境。

　　1.4.最後來一個總結。

 

2.第二章就來一個案例吧，構建應用程序，來挖掘低價的公寓。

　　2.1.首先來獲取公寓房源的數據吧。這裏將使用import.io方法來抓取房源數據。

　　2.2.而後就是檢查和準備數據呢。分爲兩個點，首先分析數據，而後就是可視化數據。

　　2.3.而後就是對數據進行建模。這裏又分爲兩個點，首先是預測，而後就是擴展模型。

　　2.4.最後來一個總結吧。

 

3.第三章來一個機票的案例吧，一樣來挖掘一下低價的機票。

　　3.1.首先確定是要獲取機票價格數據嘛。

　　3.2.這裏是一個學習點：使用高級的網絡爬蟲技術來檢索票價數據。

　　3.3.獲取到數據以後就是解析了，這裏經過聚類技術來識別一個異常的票價，也是一個學習點。

　　3.4.而後就是意義所在之處了，經過使用IFTTT來發送實時提醒，這個就能夠爲人民服務了吧。

　　3.5.學習了這些分散的知識點，經過這個項目簡單整合一下吧。

　　3.6.最後來一個總結吧。這個總結性價比極高的喲。

 

4.來點厲害的，使用邏輯迴歸來預測IPO市場，IPO市場就相似炒股了。

　　4.1.首先介紹一下什麼是IPO，這個不用說了，就是一些有商業頭腦的人經過公衆來投資公司攢大錢。

　　4.2.講解特徵工程，這個厲害了。

　　4.3.而後講解二元分類，貌似很高大上呢。

　　4.4.分析一下特徵的重要性，一樣也是預測IPO市場的重要部分吧。

　　4.5.最後來個小結。

 

5.建立自定義的新聞源，這個我喜歡。

　　5.1.使用Pocket應用程序，來建立一個監督訓練的集合。原來訓練就是這個意思，以前公司總是聽到那些牛人說什麼訓練訓練的。

　　5.2.第二步就是獲取到數據源了，這裏使用embed.ly的API來下載故事的內容。

　　5.3.而後就是講解天然語言的一些處理基礎了，這個是個難點。

　　5.4.而後就是講解如何使用向量機，這個一樣很是關鍵，對於訓練是很是有必要的。

　　5.5.而後就是講解IFTTT與文章源，Google表達和電子郵件的集成，這裏涉及的概念有點多。

　　5.6.而後就是根據本身愛好，設置每日個性化的簡報，就是得出結果了吧。

　　5.7.最後來一個小結吧。

 

6.來點有意思的東西，預測你的內容是否會廣爲流傳。這個意思就是你火了。

　　6.1.講解了一個病毒的案例，說明它是怎麼火的。

　　6.2.統計火的程度，即獲取分享的數量和內容。

　　6.3.探索是怎麼火起來的，即探索傳播性的特徵。

　　6.4.而後就是構建一個本身的內容的預測模型，看看會不會火。

　　6.5.最後來一個小結吧。

 

7.以前使用邏輯迴歸方法預測IPO市場，這裏用機器學習來預測股票市場。

　　7.1.首先要針對分析的類型研究一下，股票市場會有不少不一樣的類型嘛。

　　7.2.而後就是咱們可以從股票市場上學到一些東西，固然這是多方面的。

　　7.3.這裏動真刀了，教你如何開發一個交易策略。

　　　　分爲幾個點吧，首先是延遲分析的週期，否則你分析完後時間已通過了，則得不償失。

　　　　　　　　　　　 而後是使用支持向量迴歸，來構建一個模型。

　　　　　　　　　　　 最後來建模吧，再教你一個動態時間扭曲，這個名字nice啊。

　　7.4.最後來一個小結咯。

　　

8.再來一個案例吧，創建一個圖片類似度的引擎。

　　顧名思義，就是找到相似的圖片。

　　8.1.首先固然要了解一下圖像的機器學習了。

　　8.2.而後須要瞭解一下處理圖像的知識。

　　8.3.基礎瞭解以後，來學一下如何查找類似的圖像吧，這個固然是核心內容了。

　　8.4.接下來就是了解深度學習了，這個應該就是深刻學習圖像之間的關係了。涉及到底層的操做。

　　8.5.而後固然就是展現成果的引擎了，構建一個圖像類似度的一個系統。

　　8.6.最後來一個小結吧。

 

9.來一個聊天機器人吧。這個其實都耳熟能詳了吧。

　　9.1.首先了解一下圖靈測試吧。這個最基礎的東西了。

　　9.2.而後就是了解一下聊天機器人歷史和意義。

　　9.3.開始進行設計了，要怎麼實現，用什麼方法，如今開始想啦。

　　9.4.開始擼代碼了，打造一個聊天機器人。

　　9.5.最後來一個小結吧。

 

10.最後一樣來一個有實際意義的功能，推薦引擎。

　　如今大多新聞APP都基本實現按需分配了。

　　10.1.首先是瞭解一下什麼是協同過濾，這裏分了兩種，一種基於用戶，一種基於項目的過濾。

　　10.2.而後是瞭解一下什麼是內容過濾，這個就是過濾的內在細節了。

　　10.3.講解一下什麼是混合系統，將一種複雜的東西按照用戶的需求來進行篩選的一個系統。

　　10.4.開始擼代碼了，打造一個推薦系統。

　　10.5.最後來一個小結。

 

11.最最後，來一個我的總結。

　　如今本人對Python和機器學習一竅不通。純小白。

　　看完這本書後，不知道又是怎樣的一個我。開始漫長的機器學習之路吧。我愛robot。

　　因此就第一章講了一點基礎，剩下的9章都是項目了，這樣安排比較合理，我也很喜歡。

　　項目纔是推進知識的發展的根本。