【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
	z定价	443.8
	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》通过解释数学原理和展示编程示例对机器学习进行了系统、全面的解析。《Python机器学习》分为12章，内容涵盖了机器学习以及Python语言的基础知识、特征工程的概念与操作技术、数据可视化技术的实现、监督学习及无监督学习算法、文本分析、神经网络和深度学习、推荐系统的构建方法以及预测处理时间序列的方法等。阅读《Python机器学习》能够加深读者对机器学习的认识和理解，从而达到理论与实践相结合、学以致用的目的。 《Python机器学习》适合Python程序员、数据分析人员、对机器学习感兴趣的读者以及机器学习领域的从业人员阅读。

《Python神经网络编程》1先从简单的思路着手，详细介绍了理解神经网络如何工作所 须的基础知识。dy部分介绍基本的思路，包括神经网络底层的数学知识，D2部分是实践，介绍了学习Python编程的流行和轻松的方法，从而逐渐使用该语言构建神经网络，以能够识别人类手写的字母，特别是让其像专家所开发的网络那样地工作。D3部分是扩展，介绍如何将神经网络的性能提升到工业应用的层级，甚至让其在Raspberry Pi上工作。

《机器学习实战》机器学习是人工智能研究领域中的一个J其重要的方向。在现今大数据时代的背景下，捕获数据并从中萃取有价值的信息或模式，使得这一过去为分析师与数学家所专属的研究领域越来越为人们瞩目。本书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效可复用的Python 代码阐释如何处理统计数据，进行数据分析及可视化。读者可从中学到一些核心的机器学习算法，并将其运用于某些策略性任务中，如分类、预测及推荐等。《机器学习实战》的代码采用Python语言编写。Python代码简单优雅、易于上手，科学计算软件包众多，已经成为不少大学和研究机构进行计算机教学和科学计算的语言。相信Python编写的机器学习代码也能让读者尽快领略到这门学科的精妙之处。

《scikit-learn机器学习 D2版》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。

《Python编程从零基础到项目实战（微课视频版）》是一本介绍Python相关知识的Python基础教程，也是一本Python视频教程，内容涉及算法、Python数据分析、图形处理、Web开发、科学计算、项目管理、人工智能、Python爬虫等。其中DⅠ部分为Python基础篇，1先从Python的安装开始，随后介绍了变量和数据类型、条件分支与循环、列表与元组、字典、函数、类、标准库以及程序中的异常现象及处理方法；DⅡ部分为Python提高篇，介绍了文件处理、图形用户界面、数据库操作、线程与进程、测试及打包等知识；DⅢ部分为拓展篇，介绍了Python在Web应用、商业级别的技术框架、大数据应用、AI应用等方面的拓展知识。全书通过“三酷猫”将案例串联起来，由浅入深、生动有趣，在增加趣味性的同时，让读者对Python的具体使用有一个完整的认识。另外，本书配备了77集微视频讲解、提供完整的源代码及PPT课件下载。具体下载方法见“前言”中的相关介绍。

《机器学习》机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：dy 部分（dy ～3 章）介绍机器学习的基础知识；D2 部分（D4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；D3 部分（dy 1～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

Python机器学习

D 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 

D 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 

D3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 

D4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 

D5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 

D6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 

D7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 

D8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 

D9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 

D 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 

D 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 

D 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