简介
本书包括对机器学习中常见问题和不常见问题的演练和解决方案, 以及如何利用 scikit-learn 有效地执行各种机器学习任务.
第二版首先介绍评估数据统计属性的方法, 并为机器学习建模生成合成数据. 当您逐步完成这些章节时, 您会遇到一些食谱, 它们将教您实施数据预处理, 线性回归, 逻辑回归, KNN,NaïveBayes, 分类, 决策树, 合奏等技术.
此外, 您将学习使用多级分类, 交叉验证, 模型评估来优化您的模型, 并深入学习使用 scikit-learn 实现深度学习.
除了涵盖模型部分, API 和分类器, 回归器和估算器等新功能的增强功能外, 本书还包含评估和微调模型性能的方法. 在本书的最后, 您将探索用于 Python 的 scikit-learn 提供的众多功能, 以解决您遇到的任何机器学习问题.
参考资料
下载: https://www.jianshu.com/p/c2f5d948abe6
本文最新版本地址 https://china-testing.github.io/opencv_books.html
本文涉及的 python 测试开发库 https://github.com/china-testing/python-api-tesing 谢谢点赞!
本文相关海量书籍下载
2018 最佳人工智能机器学习工具书及下载(持续更新) https://www.jianshu.com/p/49202312f855
内容
1: 高性能机器学习 - NUMPY
2: 预模型工作流程和预处理
3: 减少尺寸
4:SCIKIT-LEARN 线性模型
5: 线性模型 - 逻辑回归
6: 具有距离度量的模型
7: 交叉验证和后模型工作流程
8: 支持矢量机
9: 树算法和插件
10: 具有 SCIKIT-LEARN 的文本和多层分类
11: 神经网络
12: 创建简单的估计器
你将学到什么
使用 scikit-learn 在几分钟内构建预测模型
理解分类和回归之间的差异和关系, 两种类型的监督学习.
使用距离度量来预测聚类, 这是一种无监督学习
找到与 Nearest Neighbors 具有相似特征的点.
使用自动化和交叉验证来查找最佳模型, 并专注于数据产品
选择众多最佳算法或在整体中一起使用它们.
使用 sklearn 的简单语法创建自己的估算器
探索 scikit-learn 中提供的前馈神经网络
作者
朱利安. 阿维拉
Julian Avila 是金融和计算机视觉领域的程序员和数据科学家. 他毕业于麻省理工学院 (MIT) 数学专业, 研究量子力学计算, 涉及物理, 数学和计算机科学. 在麻省理工学院期间, 朱利安首先通过与 CSAIL 实验室的朋友讨论, 获得古典和弗拉门戈吉他, 机器学习和人工智能.
他开始在中学编程, 包括游戏和几何艺术动画. 他成功地参加了数学和编程, 并在麻省理工学院的几个小组工作. Julian 用优雅的 Python 编写了完整的软件项目, 并进行了即时编译. 他的一些令人难忘的项目包括大型面部识别系统, 用于 GPU 上的神经网络视频, 识别图片中的神经元部分, 及股票市场交易程序.
特伦特. 豪克
Trent Hauck 是一位在西雅图地区生活和工作的数据科学家. 他在堪萨斯州的威奇托长大, 并获得了堪萨斯大学的本科和研究生学位. 他是 "使用 pandas How-to,Packt Publishing" 这本书的即时数据密集型应用程序的作者, 这本书可以帮助您快速掌握 pandas 和其他相关技术.
来源: https://yq.aliyun.com/articles/690777