潮喷大喷水系列无码,欧美亚洲精品国产日韩在线蜜,砂锅西红柿茄子煲的家常做法视频

機器學習與預測分析正在改變企業(yè)和其他組織的運作方式，本書將帶領(lǐng)讀者進入預測分析的世界。全書共13章，除了簡要介紹機器學習及Python在機器學習中的應用，還系統(tǒng)講述了數(shù)據(jù)分類、數(shù)據(jù)預處理、模型優(yōu)化、集成學習、回歸、聚類、神經(jīng)網(wǎng)絡、深度學習等內(nèi)容。本書將機器學習背后的基本理論與應用實踐聯(lián)系起來，通過這種方式讓讀者聚焦于如何正確地提出問題、解決問題。本書講解了如何使用Python的核心元素以及強大的機器學習庫，同時還展示了如何正確使用一系列統(tǒng)計模型。本書可作為學習數(shù)據(jù)科學的初學者及想進一步拓展數(shù)據(jù)科學領(lǐng)域認識的讀者的參考書。同樣，本書也適合計算機等相關(guān)專業(yè)的本科生、研究生閱讀。

前　　言無需多言，大家都已知道，機器學習已發(fā)展成為當前最能激發(fā)人們興趣的技術(shù)之一。出于各種考慮，谷歌、臉書、蘋果、亞馬遜、IBM等眾多大公司都投入了巨資用于機器學習理論和應用的研究。機器學習看起來已經(jīng)成為當前的一個流行語，但這絕不是炒作。這一令人興奮的技術(shù)為我們帶來了全新的可能，并已成為我們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠�。例如，與智能手機的語音助手對話、向客戶推薦合適的商品、防止信用卡詐騙、過濾垃圾郵件，以及檢測與診斷疾病等，這樣的例子不勝枚舉。
如果你想?yún)⑴c機器學習的實踐，或是成為解決問題的能手，抑或是考慮從事機器學習研究方面的工作，那么本書正適合你。不過，對初學者來說，機器學習的理論知識是比較有難度的。幸運的是，近年來出版了許多非常實用的書籍，通過實現(xiàn)一些功能強大的算法來幫助讀者步入機器學習的殿堂。在我看來，代碼示例起到了重要的作用，通過示例代碼的實際操作可以對概念進行更好的闡釋。不過請記�。耗芰姶罅耍熑尉徒吁喽�！機器學習背后的概念美妙且重要，就如同黑盒一樣令人無法琢磨。因此，我旨在為讀者提供一本不一樣的書籍：討論與機器學習概念相關(guān)的必要細節(jié)，并以直觀且詳實的方式來說明機器學習算法是如何工作的，以及如何在實際中應用它們。尤為重要的是，如何避開常見的誤區(qū)。
如果在“谷歌學術(shù)”中搜索“機器學習”一詞，會返回一個大的文獻數(shù)：1 800 000。當然，我們無法討論過去60年中所提出的算法和應用的全部細節(jié)。不過，本書涵蓋了機器學習領(lǐng)域最核心的主題和概念，可以讓大家率先踏入這一領(lǐng)域，從而開啟一段令人興奮的旅程。如果本書內(nèi)容無法滿足你對此領(lǐng)域的求知欲，你可以利用作者所列出的豐富資源，追尋這一領(lǐng)域最核心的突破。
如果你已經(jīng)詳細地研究過機器學習理論，本書將教會你如何把所學知識付諸實踐。如果你曾經(jīng)使用過機器學習技術(shù)，并且希望能更深入地了解機器學習算法是如何工作的，本書也適合你！如果你剛接觸機器學習領(lǐng)域，也不用擔心，反而更應該感到高興。我保證，機器學習將改變你解決問題的思考方式，并且讓你見識到如何通過發(fā)揮數(shù)據(jù)的力量來解決問題。
在深度進入機器學習領(lǐng)域之前，先回答一個重要的問題：為什么使用Python？答案很簡單：它功能強大且使用方便。Python已經(jīng)成為數(shù)據(jù)科學領(lǐng)域最為流行的編程語言，它不僅可以讓我們忽略掉編程中那些繁雜的部分，還可以提供一個交互式環(huán)境，讓我們能夠快速記錄自己的想法，并且將概念直接付諸實現(xiàn)。
回顧我的個人經(jīng)歷，實事求是地說，對機器學習的研究讓我成為一名優(yōu)秀的科學工作者，讓我變得善于思考，并且成長為問題解決能手。在本書中，我將與讀者分享這些知識。知識經(jīng)由學習獲得，而學習熱情是其中的關(guān)鍵，真正掌握某項技能只有通過實踐才能夠?qū)崿F(xiàn)。學習的歷程不可能一帆風順，某些主題相對來說難度會比較大，但我希望大家能把握住這個機會，并享受學習的回報。請記住，在機器學習的旅途中，我們共同前行，通過此書，你將學會許多新的技能，借助于它們，我們甚至能夠以數(shù)據(jù)驅(qū)動的方式解決那些最棘手的問題。
本書內(nèi)容第1章介紹了機器學習算法的劃分。此外，還討論了構(gòu)建一個典型的機器學習模型的必要步驟，對此過程的理解有助于后續(xù)章節(jié)的學習。
第2章追溯了機器學習的起源，介紹了二元感知分類器和自適應線性神經(jīng)元。該章還介紹了模式分類的基礎(chǔ)，并著重介紹優(yōu)化算法和機器學習的相互作用。
第3章介紹了機器學習中分類算法的基本內(nèi)容，并使用一個流行且包含算法種類相對齊全的開源機器學習算法庫scikit-learn，來完成幾個機器學習分類算法實例。
第4章討論了如何處理原始數(shù)據(jù)中常見的問題，諸如數(shù)據(jù)缺失等。該章還討論了幾種如何從數(shù)據(jù)集中找出蘊含信息最豐富特征的方法，并講解了如何處理不同數(shù)據(jù)類型的變量，以使其與機器學習算法的輸入要求相匹配。
第5章介紹了如何通過降維來壓縮數(shù)據(jù)的特征數(shù)量，以便將數(shù)據(jù)集壓縮到一個容量相對較小的子集上，同時還能保持原數(shù)據(jù)中有用的區(qū)分信息。該章主要討論了通過主成分分析來降維的標準方法，并將其與監(jiān)督以及線性變換技術(shù)進行了比較。
第6章討論了對預測模型進行評估時應該做什么和不應該做什么。此外，還探討了衡量模型的不同標準以及機器學習算法調(diào)優(yōu)的相關(guān)技巧。
第7章介紹了有效地組合多個機器學習算法的不同方法，并講授了如何通過構(gòu)造繼承模型來消除個別分類器的弱點，從而最終得到更加準確和可信的預測結(jié)果。
第8章討論了將文本數(shù)據(jù)轉(zhuǎn)化為有意義的表達方式的方法，根據(jù)人們的留言借助機器學習算法來預測其觀點。
第9章繼續(xù)對預測模型進行了探討，并將引導你完成將機器學習模型嵌入到Web應用中的核心步驟。
第10章討論了當自變量和因變量都為連續(xù)值時，建立線性模型來完成預測的基本方法。在介紹了不同的線性模型后，又討論了多項式回歸和基于樹的方法—隨機森林。
第11章將關(guān)注的焦點轉(zhuǎn)移到了另一類型的機器學習方法：無監(jiān)督學習。我們使用了三種基本的聚類算法將具備一定相似度的對象劃分為幾個組別。
第1

你還可能感興趣

我要評論