Python机器学习算法与应用+2

内容简介

本书理论与实践相结合，详细阐述机器学特征与分类算法，基于Python 3精心编排大量的机器学与开台应用，利用Python 3代码实地阐释机器学算法及其工具的场景应用。 本书分为6章，主要内括机器学、数据特征、分类算法、项目，以及在机器学台Kaggle与PlePle上实现分类、等实战操作。 本书适合机器学究人员、计算机或数学等相关从业者参考学可以作为计算机或数学等专业本科高年级或研究生专业用书。

目录

第1章 机器学 1.1 机器学 1.2 机器学展 1.3 机器学类 1.4 机器学究领域 1.5 本章小结第2章 机器学特征 2.1 数据分布 2.1.1 数据分布集中趋势的测定 2.1.2 数据分布离散程度的测定 2.1.3 数据分布偏态与峰度的测定 2.2 数据相关 2.2.1 相关关系 2.2.2 相关分析 2.3 数据聚类 2.4 数据主成分分析 2.4.1 主成分分析的原理及模型 2.4.2 主成分分析的几何解释 2.4.3 主成分的导出 2.4.4 证明主成分的方差是依次递减 2.4.5 主成分分析的计算 2.5 数据动态 2.6 数据可视化 2.7 本章小结第3章 机器学算法 3.1 数据清洗和特征选择 3.1.1 数据清洗 3.1.2 特征选择 3.1.3 回归分析 3.2 决策树、森林 3.3 SVM 3.3.1 优分类面和广义优分类面 3.3.2 SVM的非线映射 3.3.3 核函数 3.4 聚类算法 3.5 EM算法 3.6 贝叶斯算法 3.7 隐马尔可夫模型 3.8 LDA主题模型 3.9 人工神经网络 3.10 KNN算法 3.11 本章小结第4章 Python机器学 4.1 SKlearn 4.1.1 SKlear含的机器学 4.1.2 SKlearn的强大数据库 4.1.3 鸢尾花数据集举例 4.1.4 Boston房价数据集的示例 4.2 TensorFlow 4.2.1 TensorFlow简介 4.2.2 TensorFlow的下载与安装 4.2.3 TensorFlow的基本使用 4.3 Theano 4.4 Caffe 4.4.1 Caffe框架与运行环境 4.4.2 网络模型 4.5 Gensim 4.5.1 Gensim特与核心概念 4.5.2 训练语料的预处理 4.5.3 主题向量的变换 4.5.4 文档相似度的计算 4.6 Pylearn2 4.7 Shogun 4.8 Chainer 4.9 NuPIC 4.10 Neon 4.11 Nilearn 4.12 Orange3 4.13 PyMC与PyMC3 4.14 PyBrain 4.15 Fuel 4.16 PyMVPA 4.17 Annoy 4.18 Deap 4.19 Pattern 4.20 Requests 4.21 Seaborn 4.22 本章小结第5章 Kaggl台机器学 5.1 Kaggle信用卡欺诈检测 5.1.1 Kaggle信用卡欺诈检测准备 5.1.2 Kaggle信用卡欺诈检测实例 5.2 Kaggle机器学 5.2.1 Kaggle机器学 5.2.2 自行车租赁数据分析与可视化案例 5.3 本章小结第6章 PlePl台机器学 6.1 PlePl台安装 6.2 PlePl台手写体数字识别 6.3 PlePl台图像分类 6.4 PlePl台词向量 6.5 PlePl台 6.6 PlePl台情感分析 6.7 本章小结参考文献