scikit-learn机器学习（第2版） 作者: [美]加文·海克（Gavin Hackeling） 出版社: 人民邮电出版社 出品方: 异步图书 原作名: Mastering Machine Learning with scikit-learn - Second Edition 译者: 张浩然 出版年: 2019-1 页数: 199 定价: 59.00元 装帧: 平装 ISBN: 9787115503404

内容简介

近年来，Python语言成为了广受欢迎的编程语言，而它在机器学习领域也有很好的表现。scikit-learn是一个用Python语言编写的机器学习算法库，它可以实现一系列常用的机器学习算法，是一个好工具。 本书通过14章内容，详细地介绍了一系列机器学习模型和scikit-learn的使用技巧。本书从机器学习的基础理论讲起，涵盖了简单线性回归、K-近邻算法、特征提取、多元线性回归、逻辑回归、朴素贝叶斯、非线性分类、决策树回归、随机森林、感知机、支持向量机、人工神经网络、K-均值算法、主成分分析等重要话题。 本书适合机器学习领域的工程师学习，也适合想要了解scikit-learn的数据科学家阅读。通过阅读本书，读者将有效提升自己在机器学习模型的构建和评估方面的能力，并能够高效地解决机器学习难题。

作者简介

Gavin Hackeling 是一名数据科学家和作家。他研究过各种各样的机器学习问题，包括自动语音识别、文档分类、目标识别、以及语义切分。Gavin Hackeling 毕业于北卡罗来纳大学和纽约大学，目前和他的妻子和猫生活在布鲁克林。

网友热评

沉寂之舟: 本来想看看SK库,不过这本书偏应用,要学库看来还是得乖乖看官网.书本身不厚,浮光掠影把机器学习的算法过了个遍,作为入门书籍还是不错的. 云雾大龙: 我觉得作为一本sklearn的中文材料还不错，翻译比较严谨，实现的基本原理讲得都是干货。

图书目录

第1章　机器学习基础　1 1.1　定义机器学习　1 1.2　从经验中学习　2 1.3　机器学习任务　3 1.4　训练数据、测试数据和验证数据　4 1.5　偏差和方差　6 1.6　scikit-learn简介　8 1.7　安装scikit-learn　8 1.7.1　使用pip安装　9 1.7.2　在Windows系统下安装　9 1.7.3　在Ubuntu16.04系统下安装　10 1.7.4　在MacOS系统下安装　10 1.7.5　安装Anaconda　10 1.7.6　验证安装　10 1.8　安装pandas、Pillow、NLTK和matplotlib　11 1.9　小结　11 第2章　简单线性回归　12 2.1　简单线性回归　12 2.1.1　用代价函数评价模型的拟合性　15 2.1.2　求解简单线性回归的OLS　17 2.2　评价模型　19 2.3　小结　21 第3章　用K-近邻算法分类和回归　22 3.1　K-近邻模型　22 3.2　惰性学习和非参数模型　23 3.3　KNN模型分类　23 3.4　KNN模型回归　31 3.5　小结　36 第4章　特征提取　37 4.1　从类别变量中提取特征　37 4.2　特征标准化　38 4.3　从文本中提取特征　39 4.3.1　词袋模型　39 4.3.2　停用词过滤　42 4.3.3　词干提取和词形还原　43 4.3.4　tf-idf权重扩展词包　45 4.3.5　空间有效特征向量化与哈希技巧　48 4.3.6　词向量　49 4.4　从图像中提取特征　52 4.4.1　从像素强度中提取特征　53 4.4.2　使用卷积神经网络激活项作为特征　54 4.5　小结　56 第5章　从简单线性回归到多元线性回归　58 5.1　多元线性回归　58 5.2　多项式回归　62 5.3　正则化　66 5.4　应用线性回归　67 5.4.1　探索数据　67 5.4.2　拟合和评估模型　69 5.5　梯度下降法　72 5.6　小结　76 第6章　从线性回归到逻辑回归　77 6.1　使用逻辑回归进行二元分类　77 6.2　垃圾邮件过滤　79 6.2.1　二元分类性能指标　81 6.2.2　准确率　82 6.2.3　精准率和召回率　83 6.2.4　计算F1值　84 6.2.5　ROCAUC　84 6.3　使用网格搜索微调模型　86 6.4　多类别分类　88 6.5　多标签分类和问题转换　93 6.6　小结　97 第7章　朴素贝叶斯　98 7.1　贝叶斯定理　98 7.2　生成模型和判别模型　100 7.3　朴素贝叶斯　100 7.4　在scikit-learn中使用朴素贝叶斯　102 7.5　小结　106 第8章　非线性分类和决策树回归　107 8.1　决策树　107 8.2　训练决策树　108 8.2.1　选择问题　109 8.2.2　基尼不纯度　116 8.3　使用scikit-learn类库创建决策树　117 8.4　小结　120 第9章　集成方法：从决策树到随机森林　121 9.1　套袋法　121 9.2　推进法　124 9.3　堆叠法　126 9.4　小结　128 第10章　感知机　129 10.1　感知机　129 10.1.1　激活函数　130 10.1.2　感知机学习算法　131 10.1.3　使用感知机进行二元分类　132 10.1.4　使用感知机进行文档分类　138 10.2　感知机的局限性　139 10.3　小结　140 第11章　从感知机到支持向量机　141 11.1　核与核技巧　141 11.2　最大间隔分类和支持向量　145 11.3　用scikit-learn分类字符　147 11.3.1　手写数字分类　147 11.3.2　自然图片字符分类　150 11.4　小结　152 第12章　从感知机到人工神经网络　153 12.1　非线性决策边界　154 12.2　前馈人工神经网络和反馈人工神经网络　155 12.3　多层感知机　155 12.4　训练多层感知机　157 12.4.1　反向传播　158 12.4.2　训练一个多层感知机逼近XOR函数　162 12.4.3　训练一个多层感知机分类手写数字　164 12.5　小结　165 第13章　K-均值算法　166 13.1　聚类　166 13.2　K-均值算法　168 13.2.1　局部最优值　172 13.2.2　用肘部法选择K值　173 13.3　评估聚类　176 13.4　图像量化　178 13.5　通过聚类学习特征　180 13.6　小结　184 第14章　使用主成分分析降维　185 14.1　主成分分析　185 14.1.1　方差、协方差和协方差矩阵　188 14.1.2　特征向量和特征值　190 14.1.3　进行主成分分析　192 14.2　使用PCA对高维数据可视化　194 14.3　使用PCA进行面部识别　196 14.4　小结　199