Python 機器學習經典實例 (Python Machine Learning Cookbook) Python机器学习经典实例

在如今這個處處以數據驅動的世界中，機器學習正變得越來越大眾化。它已經被廣泛地應用於不同領域，如搜索引擎、機器人、無人駕駛汽車等。本書首先通過實用的案例介紹機器學習的基礎知識，然後介紹一些稍微復雜的機器學習算法，例如支持向量機、極-端隨機森林、隱馬爾可夫模型、條件隨機場、深度神經網絡，等等。
本書是為想用機器學習算法開發應用程序的Python 程序員準備的。它適合Python 初學者閱讀，不過熟悉Python 編程方法對體驗示例代碼大有裨益。

作者:[美]普拉提克·喬西（Prateek Joshi）譯者:陶俊傑、陳小莉

Prateek Joshi人工智能專家，重點關注基於內容的分析和深度學習，曾在英偉達、微軟研究院、高通公司以及矽谷的幾家早期創業公司任職。

第1章監督學習
1.1簡介
1.2數據預處理技術
1.2.1準備工作
1.2.2詳細步驟
1.3標記編碼方法
1.4創建線性回歸器
1.4.1準備工作
1.4.2詳細步驟
1.5計算回歸準確性
1.5.1準備工作
1.5.2詳細步驟
1.6保存模型數據
1.7創建嶺回歸器
1.7.1準備工作
1.7.2詳細步驟
1.8創建多項式回歸器
1.8.1準備工作
1.8.2詳細步驟
1.9估算房屋價格
1.9.1準備工作
1.9 .2詳細步驟
1.10計算特徵的相對重要性
1.11評估共享單車的需求分佈
1.11.1準備工作
1.11.2詳細步驟
1.11.3更多內容

第2章創建分類器
2.1簡介
2.2建立簡單分類器
2.2.1詳細步驟
2.2.2更多內容
2.3建立邏輯回歸分類器
2.4建立樸素貝葉斯分類器
2.5將數據集分割成訓練集和測試集
2.6用交叉驗證檢驗模型準確性
2.6.1準備工作
2.6.2詳細步驟
2.7混淆矩陣可視化
2.8提取性能報告
2.9根據汽車特徵評估質量
2.9.1準備工作
2.9.2詳細步驟
2.10生成驗證曲線
2.11生成學習曲線
2.12估算收入階層

第3章預測建模
3.1簡介
3.2用SVM建立線性分類器
3.2.1準備工作
3.2.2詳細步驟
3.3用SVM建立非線性分類器
3.4解決類型數量不平衡問題
3.5提取置信度
3.6尋找最優超參數
3.7建立事件預測器
3.7.1準備工作
3.7.2詳細步驟
3.8估算交通流量
3.8.1準備工作
3.8.2詳細步驟

第4章無監督學習——聚類
4.1簡介
4.2用k—means算法聚類數據
4.3用矢量量化壓縮圖片
4.4建立均值漂移聚類模型
4.5用凝聚層次聚類進行數據分組
4.6評價聚類算法的聚類效果
4.7用DBSCAN算法自動估算集群數量
4.8探索股票數據的模式
4.9建立客戶細分模型

第5章構建推薦引擎
5.1簡介
5.2為數據處理構建函數組合
5.3構建機器學習流水線
5.3.1詳細步驟
5.3.2工作原理
5.4尋找最近鄰
5.5構建一個KNN分類器
5.5.1詳細步驟
5.5.2工作原理
5.6構建一個KNN回歸器
5.6.1詳細步驟
5.6.2工作原理
5.7計算歐氏距離分數
5.8計算皮爾遜相關係數
5.9尋找數據集中的相似用戶
5.10生成電影推薦

第6章分析文本數據
6.1簡介
6.2用標記解析的方法預處理數據
6.3提取文本數據的詞幹
6.3.1詳細步驟
6.3.2工作原理
6.4用詞形還原的方法還原文本的基本形式
6.5用分塊的方法劃分文本
6.6創建詞袋模型
6.6.1詳細步驟
6.6.2工作原理
6.7創建文本分類器
6.7.1詳細步驟
6.7.2工作原理
6.8識別性別
6.9分析句子的情感
6.9.1詳細步驟
6.9.2工作原理
6.10用主題建模識別文本的模式
6.10.1詳細步驟
6.10.2工作原理

第7章語音識別
7.1簡介
7.2讀取和繪製音頻數據
7.3將音頻信號轉換為頻域
7.4自定義參數生成音頻信號
7.5合成音樂
7.6提取頻域特徵
7.7創建隱馬爾科夫模型
7.8創建一個語音識別器

第8章解剖時間序列和時序數據
8.1簡介
8.2將數據轉換為時間序列格式
8.3切分時間序列數據
8.4操作時間序列數據
8.5從時間序列數據中提取統計數字
8.6針對序列數據創建隱馬爾科夫模型
8.6.1準備工作
8.6.2詳細步驟
8.7針對序列文本數據創建條件隨機場
8.7.1準備工作
8.7.2詳細步驟
8.8用隱馬爾科夫模型分析股票市場數據

第9章圖像內容分析
9.1簡介
9.2用OpenCV—Pyhon操作圖像
9.3檢測邊
9.4直方圖均衡化
9.5檢測棱角
9.6檢測SIFT特徵點
9.7創建Star特徵檢測器
9.8利用視覺碼本和向量量化創建特徵
9.9用極端隨機森林訓練圖像分類器
9.10創建一個對象識別器

第10章人臉識別
10.1簡介
10.2從網絡攝像頭採集和處理視頻信息
10.3用Haar級聯創建一個人臉識別器
10.4創建一個眼睛和鼻子檢測器
10.5做主成分分析
10.6做核主成分分析
10.7做盲源分離
10.8用局部二值模式直方圖創建一個人臉識別器

第11章深度神經網絡
11.1簡介
11.2創建一個感知器
11.3創建一個單層神經網絡
11.4創建一個深度神經網絡
11.5創建一個向量量化器
11.6為序列數據分析創建一個遞歸神經網絡
11.7在光學字符識別數據庫中將字符可視化
11.8用神經網絡創建一個光學字符識別器

第12章可視化數據
12.1簡介
12.2畫3D散點圖
12.3畫氣泡圖
12.4畫動態氣泡圖
12.5畫餅圖
12.6畫日期格式的時間序列數據
12.7畫直方圖
12.8可視化熱力圖
12.9動態信號的可視化模擬