python機器學習必讀書籍：機器學習系統設計

所屬網站分類: 資源下載 > python電子書

---

做者：重新來過

連接： http://www.pythonheidong.com/blog/article/441/

來源：python黑洞網 www.pythonheidong.com

 

內容簡介

現在，機器學習正在互聯網上下掀起熱潮，而Python則是很是適合開發機器學習系統的一門優秀語言。做爲動態語言，它支持快速探索和實驗，而且針對Python的機器學習算法庫的數量也與日俱增。本書最大的特點，就是結合實例分析教會讀者如何經過機器學習解決實際問題。

本書將向讀者展現如何從原始數據中發現模式，首先從Python與機器學習的關係講起，再介紹一些庫，而後就開始基於數據集進行比較正式的項目開發了，涉及建模、推薦及改進，以及聲音與圖像處理。經過流行的開源庫，咱們能夠掌握如何高效處理文本、圖片和聲音。同時，讀者也能掌握如何評估、比較和選擇適用的機器學習技術。

舉幾個例子，咱們會介紹怎麼把StackOverflow的回答按質量高低進行分類，怎麼知道某個音樂文件是爵士風格，仍是重金屬搖滾風格。另外，本書還涵蓋了主題建模、購物習性分析及雲計算等高級內容。總之，經過學習本書，讀者能夠掌握構建本身所需系統的各方面知識，而且學以至用，解決本身面臨的現實問題。

讀者只要具備必定的Python編程經驗，可以本身安裝和使用開源庫，就足夠了，即便對機器學習一點了解都沒有也不要緊。本書不會講機器學習算法背後的數學。

 

目錄  

第1章 Python機器學習入門  1 1.1  夢之隊：機器學習與Python  1 1.2  這本書將教給你什麼（以及不會教什麼）  2 1.3  遇到困難的時候怎麼辦  3 1.4  開始  4 1.4.1  NumPy、SciPy和Matplotlib簡介  4 1.4.2  安裝Python  5 1.4.3  使用NumPy和SciPy智能高效地處理數據  5 1.4.4  學習NumPy  5 1.4.5  學習SciPy  9 1.5  咱們第一個（極小的）機器學習應用  10 1.5.1  讀取數據  10 1.5.2  預處理和清洗數據  11 1.5.3  選擇正確的模型和學習算法  12 1.6  小結  20 第2章 如何對真實樣本分類  22 2.1  Iris數據集  22 2.1.1  第一步是可視化  23 2.1.2  構建第一個分類模型  24 2.2  構建更復雜的分類器  28 2.3  更復雜的數據集和更復雜的分類器  29 2.3.1  從Seeds數據集中學習  29 2.3.2  特徵和特徵工程  30 2.3.3  最鄰近分類  30 2.4  二分類和多分類  33 2.5  小結  34 第3章 聚類：尋找相關的帖子  35 3.1  評估帖子的關聯性  35 3.1.1  不該該怎樣  36 3.1.2  應該怎樣  36 3.2  預處理：用相近的公共詞語個數來衡量類似性  37 3.2.1  將原始文本轉化爲詞袋  37 3.2.2  統計詞語  38 3.2.3  詞語頻次向量的歸一化  40 3.2.4  刪除不重要的詞語  41 3.2.5  詞幹處理  42 3.2.6  停用詞興奮劑  44 3.2.7  咱們的成果和目標  45 3.3  聚類  46 3.3.1  K均值  46 3.3.2  讓測試數據評估咱們的想法  49 3.3.3  對帖子聚類  50 3.4  解決咱們最初的難題  51 3.5  調整參數  54 3.6  小結  54 第4章 主題模型  55 4.1  潛在狄利克雷分配（LDA）  55 4.2  在主題空間比較類似度  59 4.3  選擇主題個數  64 4.4  小結  65 第5章 分類：檢測劣質答案  67 5.1  路線圖概述  67 5.2  學習如何區分出優秀的答案  68 5.2.1  調整樣本  68 5.2.2  調整分類器  68 5.3  獲取數據  68 5.3.1  將數據消減到可處理的程度  69 5.3.2  對屬性進行預選擇和處理  70 5.3.3  定義什麼是優質答案  71 5.4  建立第一個分類器  71 5.4.1  從k鄰近（kNN）算法開始  71 5.4.2  特徵工程  72 5.4.3  訓練分類器  73 5.4.4  評估分類器的性能  74 5.4.5  設計更多的特徵  74 5.5  決定怎樣提高效果  77 5.5.1  誤差?方差及其折中  77 5.5.2  解決高誤差  78 5.5.3  解決高方差  78 5.5.4  高誤差或低誤差  78 5.6  採用邏輯迴歸  81 5.6.1  一點數學和一個小例子  81 5.6.2  在帖子分類問題上應用邏輯迴歸  83 5.7  觀察正確率的背後：準確率和召回率  84 5.8  爲分類器瘦身  87 5.9  出貨  88 5.10  小結  88 第6章 分類II：情感分析  89 6.1  路線圖概述  89 6.2  獲取推特（Twitter）數據  89 6.3  樸素貝葉斯分類器介紹  90 6.3.1  瞭解貝葉斯定理  90 6.3.2  樸素  91 6.3.3  使用樸素貝葉斯進行分類  92 6.3.4  考慮未出現的詞語和其餘古怪狀況  94 6.3.5  考慮算術下溢  95 6.4  建立第一個分類器並調優  97 6.4.1  先解決一個簡單問題  97 6.4.2  使用全部的類  99 6.4.3  對分類器的參數進行調優  101 6.5  清洗推文  104 6.6  將詞語類型考慮進去  106 6.6.1  肯定詞語的類型  106 6.6.2  用SentiWordNet成功地做弊  108 6.6.3  咱們第一個估算器  110 6.6.4  把全部東西融合在一塊兒  111 6.7  小結  112 第7章 迴歸：推薦  113 7.1  用迴歸預測房價  113 7.1.1  多維迴歸  116 7.1.2  迴歸裏的交叉驗證  116 7.2  懲罰式迴歸  117 7.2.1  L1和L2懲罰  117 7.2.2  在Scikit-learn中使用Lasso或彈性網  118 7.3  P大於N的情形  119 7.3.1  基於文本的例子  120 7.3.2  巧妙地設置超參數（hyperparameter）  121 7.3.3  評分預測和推薦  122 7.4  小結  126 第8章 迴歸：改進的推薦  127 8.1  改進的推薦  127 8.1.1  使用二值推薦矩陣  127 8.1.2  審視電影的近鄰  129 8.1.3  組合多種方法  130 8.2  購物籃分析  132 8.2.1  獲取有用的預測  133 8.2.2  分析超市購物籃  134 8.2.3  關聯規則挖掘  136 8.2.4  更多購物籃分析的高級話題  137 8.3  小結  138 第9章 分類III：音樂體裁分類  139 9.1  路線圖概述  139 9.2  獲取音樂數據  139 9.3  觀察音樂  140 9.4  用FFT構建第一個分類器  143 9.4.1  增長實驗敏捷性  143 9.4.2  訓練分類器  144 9.4.3  在多分類問題中用混淆矩陣評估正確率  144 9.4.4  另外一種方式評估分類器效果：受試者工做特徵曲線（ROC）  146 9.5  用梅爾倒頻譜系數（MFCC）提高分類效果  148 9.6  小結  152 第10章 計算機視覺：模式識別  154 10.1  圖像處理簡介  154 10.2  讀取和顯示圖像  155 10.2.1  圖像處理基礎  156 10.2.2  加入椒鹽噪聲  161 10.2.3  模式識別  163 10.2.4  計算圖像特徵  163 10.2.5  設計你本身的特徵  164 10.3  在更難的數據集上分類  166 10.4  局部特徵表示  167 10.5  小結  170 第11章 降維  171 11.1  路線圖  171 11.2  選擇特徵  172 11.2.1  用篩選器檢測冗餘特徵  172 11.2.2  用封裝器讓模型選擇特徵  178 11.3  其餘特徵選擇方法  180 11.4  特徵抽取  181 11.4.1  主成分分析（PCA）  181 11.4.2  PCA的侷限性以及LDA會有什麼幫助  183 11.5  多維標度法（MDS）  184 11.6  小結  187 第12章 大數據  188 12.1  瞭解大數據  188 12.2  用Jug程序包把你的處理流程分解成幾個任務  189 12.2.1  關於任務  189 12.2.2  複用部分結果  191 12.2.3  幕後的工做原理  192 12.2.4  用Jug分析數據  192 12.3  使用亞馬遜Web服務（AWS）  194 12.3.1  構建你的第一臺機器  195 12.3.2  用starcluster自動建立集羣  199 12.4  小結  202 附錄A  更多機器學習知識  203 A.1  在線資源  203 A.2  參考書  203 A.2.1  問答網站  203 A.2.2  博客  204 A.2.3  數據資源  205 A.2.4  競爭日益加重  205 A.3  還剩下什麼  205 A.4  小結  206 索引  207