深度学习大全 【套装5本】Python深度学习入门 人工智能书籍 Python机器学习实战深度学习与神经网络编程ai算法 TensorFlow入门教程深度学习框架 大促价： ￥358.00 价格 ￥475.60 折扣 7.53折 节省 ￥117.6 活动倒计时: 06 天 23 : 58 :

[人工智能技术]热门精品推荐 更多宝贝>>   机器学习实战 ￥69.00 立即购买     动手学深度学习 ￥85.00 立即购买     深度学习入门 基于Python的理论与实现 ￥59.00 立即购买         深度学习 花书中文版 ￥168.00 立即购买     Python神经网络编程 ￥69.00 立即购买     深度学习私房菜 跟着案例学TensorFlow TensorFlow 1.x/2.0深度学习智能开发技术 卷积神经网络人脸识别生成GAN技术书 ￥128.00 立即购买         Python机器学习 ￥56.50 立即购买     百面机器学习 算法工程师带你去面试 ￥89.00 立即购买     Python深度学习 ￥119.00 立即购买

【套装6本】Python机器学习+Python神经网络编程+机器学习实战+scikit-learn机器学习+TensorFlow+机器学习             总定价 463.80 出版社 人民邮电出版社，清华大学出版社 版次 1 上架时间 2019年03月 开本 16开 作者 阿布舍克·维贾亚瓦吉亚 等 装帧 平装-胶订 册数 6 字数   ISBN编码 9787115501356

Python机器学习

第 1章　走进机器学习 1 

1.1　机器学习概述 1 

1.2　机器学习过程 2 

第 2章　了解Python 20 

2.1　为什么选择Python 20 

2.2　下载和安装Python 22 

2.2.1　在Windows中安装Python 22 

2.2.2　Anaconda 24 

2.3　*个Python程序 26 

2.4　Python基础 27 

2.5　数据结构与循环 36 

第3章　特征工程 42 

3.1　什么是特征 42 

3.2　为什么执行特征工程 43 

3.3　特征提取 43 

3.4　特征选择 43 

3.5　特征工程方法——通用准则 44 

3.5.1　处理数值特征 44 

3.5.2　处理分类特征 45 

3.5.3　处理基于时间的特征 47 

3.5.4　处理文本特征 47 

3.5.5　缺失数据 48 

3.5.6　降维 48 

3.6　用Python进行特征工程 49 

3.6.1　Pandas基本操作 49 

3.6.2　常见任务 57 

第4章　数据可视化 62 

4.1　折线图 63 

4.2　条形图 66 

4.3　饼图 67 

4.4　直方图 68 

4.5　散点图 69 

4.6　箱线图 70 

4.7　采用面向对象的方式绘图 71 

4.8　Seaborn 73 

4.8.1　分布图 74 

4.8.2　双变量分布 75 

4.8.3　二元分布的核密度估计 75 

4.8.4　成对双变量分布 76 

4.8.5　分类散点图 76 

4.8.6　小提琴图 77 

4.8.7　点图 78 

第5章　回归 79 

5.1　简单回归 80 

5.2　多元回归 92 

5.3　模型评价 94 

5.3.1　训练误差 95 

5.3.2　泛化误差 96 

5.3.3　测试误差 97 

5.3.4　不可约误差 98 

5.3.5　偏差—方差权衡 99 

第6章　更多回归 105 

6.1　概述 105 

6.2　岭回归 112 

6.3　套索回归 118 

6.3.1　全子集算法 118 

6.3.2　用于特征选择的贪心算法 119 

6.3.3　特征选择的正则化 119 

6.4　非参数回归 122 

6.4.1　K-*近邻回归 124 

6.4.2　核回归 127 

第7章　分类 128 

7.1　线性分类器 129 

7.2　逻辑回归 133 

7.3　决策树 147 

7.3.1　关于树的术语 148 

7.3.2　决策树学习 149 

7.3.3　决策边界 151 

7.4　随机森林 158 

7.5　朴素贝叶斯 164 

第8章　无监督学习 169 

8.1　聚类 170 

8.2　K-均值聚类 170 

8.2.1　随机分配聚类质心的问题 175 

8.2.2　查找K的值 175 

8.3　分层聚类 182 

8.3.1　距离矩阵 184 

8.3.2　连接 185 

第9章　文本分析 189 

9.1　使用Python进行基本文本处理 189 

9.1.1　字符串比较 191 

9.1.2　字符串转换 191 

9.1.3　字符串操作 192 

9.2　正则表达式 193 

9.3　自然语言处理 195 

9.3.1　词干提取 196 

9.3.2　词形还原 197 

9.3.3　分词 197 

9.4　文本分类 200 

9.5　主题建模 206 

第 10章　神经网络与深度学习 209 

10.1　矢量化 210 

10.2　神经网络 218 

10.2.1　梯度下降 220 

10.2.2　激活函数 221 

10.2.3　参数初始化 224 

10.2.4　优化方法 227 

10.2.5　损失函数 227 

10.3　深度学习 229 

10.4　深度学习架构 230 

10.4.1　深度信念网络 231 

10.4.2　卷积神经网络 231 

10.4.3　循环神经网络 231 

10.4.4　长短期记忆网络 231 

10.4.5　深度堆栈网络 232 

10.5　深度学习框架 232 

第 11章　推荐系统 237 

11.1　基于流行度的推荐引擎 237 

11.2　基于内容的推荐引擎 240 

11.3　基于分类的推荐引擎 243 

11.4　协同过滤 245 

第 12章　时间序列分析 249 

12.1　处理日期和时间 249 

12.2　窗口函数 254 

12.3　相关性 258 

12.4　时间序列预测 261