我用夸克网盘分享了「机器学习：Python实践.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

《机器学习——Python实践》系统地讲解了机器学习的基本知识，以及在实际项目中使用机器学习的基本步骤和方法；详细地介绍了在进行数据处理、分析时怎样选择合适的算法，以及建立模型并优化等方法，通过不同的例子展示了机器学习在具体项目中的应用和实践经验，是一本非常好的机器学习入门和实践的书籍。 不同于很多讲解机器学习的书籍，本书以实践为导向，使用 scikit-learn 作为编程框架，强调简单、快速地建立模型，解决实际项目问题。读者通过对《机器学习——Python实践》的学习，可以迅速上手实践机器学习，并利用机器学习解决实际问题。《机器学习——Python实践》非常适合于项目经理、有意从事机器学习开发的程序员，以及高校相关专业在的读学生阅读。

作者简介

魏贞原，IBM 高级项目经理，主要负责银行客户的复杂系统开发。同时是 IBM CIC量子计算 COE 团队的 Python 领域专家（Subject Matter Expert），负责量子计算应用的探索工作，对机器学习和深度学习有深入的研究，精通于运用机器学习来解决数据科学的问题。并运营“知之Python”公众号，定期分享 Python 在机器学习和深度学习中的实践知识。

网友热评

vito: 我的第一本机器学习入门书，很粗暴，完全不讲原理，上来就是 sklearn 开干，先成为调包侠，后续再学原理与推导。 Yilia: 理论知识讲解很到位，浅显易懂，代码部分可操作性强，对入门小白很友好！

图书目录

第一部分初始 1初识机器学习2 1.1学习机器学习的误区2 1.2什么是机器学习3 1.3Python中的机器学习3 1.4学习机器学习的原则5 1.5学习机器学习的技巧5 1.6这本书不涵盖以下内容6 1.7代码说明6 1.8总结6 2Python机器学习的生态圈7 2.1Python7 2.2SciPy9 2.3scikit-learn9 2.4环境安装10 2.5总结12 3第一个机器学习项目13 3.1机器学习中的HelloWorld项目13 3.2导入数据14 3.3概述数据15 3.4数据可视化18 3.5评估算法20 3.6实施预测23 3.7总结24 4Python和SciPy速成25 4.1Python速成25 4.2NumPy速成34 4.3Matplotlib速成36 4.4Pandas速成39 4.5总结41 第二部分数据理解 5数据导入44 5.1CSV文件44 5.2PimaIndians数据集45 5.3采用标准Python类库导入数据46 5.4采用NumPy导入数据46 5.5采用Pandas导入数据47 5.6总结47 6数据理解48 6.1简单地查看数据48 6.2数据的维度49 6.3数据属性和类型50 6.4描述性统计50 6.5数据分组分布（适用于分类算法）51 6.6数据属性的相关性52 6.7数据的分布分析53 6.8总结54 7数据可视化55 7.1单一图表55 7.2多重图表58 7.3总结61 第三部分数据准备 8数据预处理64 8.1为什么需要数据预处理64 8.2格式化数据65 8.3调整数据尺度65 8.4正态化数据67 8.5标准化数据68 8.6二值数据69 8.7总结70 9数据特征选定71 9.1特征选定72 9.2单变量特征选定72 9.3递归特征消除73 9.4主要成分分析75 9.5特征重要性76 9.6总结76 第四部分选择模型 10评估算法78 10.1评估算法的方法78 10.2分离训练数据集和评估数据集79 10.3K折交叉验证分离80 10.4弃一交叉验证分离81 10.5重复随机分离评估数据集与训练数据集82 10.6总结83 11算法评估矩阵85 11.1算法评估矩阵85 11.2分类算法矩阵86 11.3回归算法矩阵93 11.4总结96 12审查分类算法97 12.1算法审查97 12.2算法概述98 12.3线性算法98 12.4非线性算法101 12.5总结105 13审查回归算法106 13.1算法概述106 13.2线性算法107 13.3非线性算法111 13.4总结113 14算法比较115 14.1选择最佳的机器学习算法115 14.2机器学习算法的比较116 14.3总结118 15自动流程119 15.1机器学习的自动流程119 15.2数据准备和生成模型的Pipeline120 15.3特征选择和生成模型的Pipeline121 15.4总结122 第五部分优化模型 16集成算法124 16.1集成的方法124 16.2装袋算法125 16.3提升算法129 16.4投票算法131 16.5总结132 17算法调参133 17.1机器学习算法调参133 17.2网格搜索优化参数134 17.3随机搜索优化参数135 17.4总结136 第六部分结果部署 18持久化加载模型138 18.1通过pickle序列化和反序列化机器学习的模型138 18.2通过joblib序列化和反序列化机器学习的模型140 18.3生成模型的技巧141 18.4总结141 第七部分项目实践 19预测模型项目模板144 19.1在项目中实践机器学习145 19.2机器学习项目的Python模板145 19.3各步骤的详细说明146 19.4使用模板的小技巧148 19.5总结149 20回归项目实例150 20.1定义问题150 20.2导入数据151 20.3理解数据152 20.4数据可视化155 20.5分离评估数据集159 20.6评估算法160 20.7调参改善算法164 20.8集成算法165 20.9集成算法调参167 20.10确定最终模型168 20.11总结169 21二分类实例170 21.1问题定义170 21.2导入数据171 21.3分析数据172 21.4分离评估数据集180 21.5评估算法180 21.6算法调参184 21.7集成算法187 21.8确定最终模型190 21.9总结190 22文本分类实例192 22.1问题定义192 22.2导入数据193 22.3文本特征提取195 22.4评估算法196 22.5算法调参198 22.6集成算法200 22.7集成算法调参201 22.8确定最终模型202 22.9总结203