机器学习Web应用 作者: Andrea，Isoni，爱索尼克 著 出版社: 人民邮电出版社 原作名: Machine Learning for the Web 译者: 杜春晓 出版年: 2017-7-1 定价: 59.00 装帧: 平装 ISBN: 9787115458520

内容简介

机器学习可用来处理由用户产生的、数量不断增长的Web数据。 本书讲解如何用Python语言、Django框架开发一款Web商业应用，以及如何用一些现成的库和工具（sklearn、scipy、nltk和Django等）处理和分析应用所生成或使用的数据。本书不仅涉及机器学习的核心概念，还介绍了如何将数据部署到用Django框架开发的Web应用，包括Web、文档和服务器端数据的挖掘和推荐引擎的搭建方法。 本书适合有志于成为或刚刚成为数据科学家的读者学习，也适合对机器学习、Web数据挖掘等技术实践感兴趣的读者参考阅读。

作者简介

Andrea Isoni博士是一名数据科学家、物理学家，他在软件开发领域有着丰富的经验，在机器学习算法和技术方面，拥有广博的知识。此外，他还有多种语言的使用经验，如Python、C/C++、Java、JavaScript、C#、SQL、HTML。他还用过Hadoop框架。 译者简介 杜春晓，英语语言文学学士，软件工程硕士。其他译著有《Python数据挖掘入门与实践》《Python数据分析实战》和《电子达人——我的第1本Raspberry Pi入门手册》等。新浪微博：@宜_生。

网友热评

醉舟: 强烈推荐，综合机器学习、爬虫和Django网站搭建，入门好书，但是算法部分过于简单，好在代码详实 余幼时即劝学: 啥都讲，啥都讲不明白，感觉有点贴代码的意思，一大页一大页的代码 深夜与牛蛙交谈: 个人一直想做一个有基于机器学习推荐功能的网站，正好拿到这本书，书中使用的时python2.7+django+推荐，直接跑代码，django版本有点低，没办法直接运行，等我跑起来系统再来详细说明 action: 小错误错误很多。算法大部分属于科普。懂的不看。不懂得费功夫去网上查 数据科学: 不错的机器学习相关的书籍,从理论到实践，一步一步完成数据分析系统，欢迎加入机器学习web应用，qqun 457752556 交流

图书目录

第1章　Python机器学习实践入门1 1.1　机器学习常用概念1 1.2　数据的准备、处理和可视化 —NumPy、pandas和matplotlib教程6 1.2.1　NumPy的用法6 1.2.2　理解pandas模块23 1.2.3　matplotlib教程32 1.3　本书使用的科学计算库35 1.4　机器学习的应用场景36 1.5　小结36 第2章　无监督机器学习37 2.1　聚类算法37 2.1.1　分布方法38 2.1.2　质心点方法40 2.1.3　密度方法41 2.1.4　层次方法44 2.2　降维52 2.3　奇异值分解（SVD）57 2.4　小结58 第3章　有监督机器学习59 3.1　模型错误评估59 3.2　广义线性模型60 3.2.1　广义线性模型的概率 解释63 3.2.2　k近邻63 3.3　朴素贝叶斯64 3.3.1　多项式朴素贝叶斯65 3.3.2　高斯朴素贝叶斯66 3.4　决策树67 3.5　支持向量机70 3.6　有监督学习方法的对比75 3.6.1　回归问题75 3.6.2　分类问题80 3.7　隐马尔可夫模型84 3.8　小结93 第4章　Web挖掘技术94 4.1　Web结构挖掘95 4.1.1　Web爬虫95 4.1.2　索引器95 4.1.3　排序—PageRank 算法96 4.2　Web内容挖掘97 句法解析97 4.3　自然语言处理98 4.4　信息的后处理108 4.4.1　潜在狄利克雷分配108 4.4.2　观点挖掘（情感 分析）113 4.5　小结117 第5章　推荐系统118 5.1　效用矩阵118 5.2　相似度度量方法120 5.3　协同过滤方法120 5.3.1　基于记忆的协同 过滤121 5.3.2　基于模型的协同 过滤126 5.4　CBF方法130 5.4.1　商品特征平均得分 方法131 5.4.2　正则化线性回归 方法132 5.5　用关联规则学习，构建推荐 系统133 5.6　对数似然比推荐方法135 5.7　混合推荐系统137 5.8　推荐系统评估139 5.8.1　均方根误差（RMSE） 评估140 5.8.2　分类效果的度量方法143 5.9　小结144 第6章　开始Django之旅145 6.1　HTTP—GET和POST方法的 基础145 6.1.1　Django的安装和 服务器的搭建146 6.1.2　配置147 6.2　编写应用—Django 最重要的功能150 6.2.1　model150 6.2.2　HTML网页背后的 URL和view151 6.2.3　URL声明和view154 6.3　管理后台157 6.3.1　shell接口158 6.3.2　命令159 6.3.3　RESTful应用编程 接口（API）160 6.4　小结162 第7章　电影推荐系统Web应用163 7.1　让应用跑起来163 7.2　model165 7.3　命令166 7.4　实现用户的注册、登录和 登出功能172 7.5　信息检索系统（电影查询）175 7.6　打分系统178 7.7　推荐系统180 7.8　管理界面和API182 7.9　小结184 第8章　影评情感分析应用185 8.1　影评情感分析应用用法 简介185 8.2　搜索引擎的选取和应用的 代码187 8.3　Scrapy的配置和情感分析 应用代码189 8.3.1　Scrapy的设置190 8.3.2　Scraper190 8.3.3　Pipeline193 8.3.4　爬虫194 8.4　Djangomodel196 8.5　整合Django和Scrapy197 8.5.1　命令（情感分析模型和 删除查询结果）198 8.5.2　情感分析模型加载器198 8.5.3　删除已执行过的查询201 8.5.4　影评情感分析器— Djangoview和HTML 代码202 8.6　PageRank：Djangoview和 算法实现206 8.7　管理后台和API210 8.8　小结212