本書深入介紹了機器學習領域的基本概念和方法，除介紹了Python機器學習庫和用機器學習庫搭建神經網路模型的方法外，還介紹了機器學習算法的數學理論、工作原理、使用方法、實現細節以及如何避免機器學習算法實現過程中的常見問題。
本書涵蓋了多種用於文本和圖像分類的機器學習與深度學習方法，以及用於生成新數據的生成對抗網路（GAN）和用於訓練智慧體的強化學習，還介紹了深度學習的新動態，包括圖神經網路和用於自然語言處理（NLP）的大型transformer。本書講解清晰，示例生動，理論和實踐部分相對平衡，既可以作為機器學習領域初學者的入門教程，也可以作為讀者開發機器學習專案時的參考書。
| FindBook |
|
有 1 項符合
塞巴斯蒂安·拉施卡的圖書 |
 |
$ 830 | Python機器學習：基於PyTorch和Scikit-Learn
作者：（美）塞巴斯蒂安·拉施卡 ／ 譯者：李波 出版社：機械工業出版社 出版日期：2023-06-01 語言：簡體中文 規格：平裝 / 597頁 / 19 x 26 x 2.98 cm / 普通級/ 1-1  博客來 - 程式設計
- 來源網頁  看圖書介紹
|
|
|
巴斯
巴斯是英國英格蘭西南區域薩默塞特郡巴斯和東北索美塞特區的一座城市，位於倫敦以西156千米，布里斯托東南21千米，2001年人口普查時人口為83,992。1590年，巴斯獲得伊莉莎白女王一世頒發的皇家特許證而成為市級行政單位，1889年，它從索美塞特郡中脫離出來，成為一個自治市，獲得獨立的行政管理權。1974年埃文郡成立，它被劃歸其中。1996年埃文郡廢除後，巴斯和東北索美塞特單一管理區成立，巴芙市成為該區的行政中心。 巴斯城最早建於公元43年，當時作為羅馬帝國的不列顛行省，巴斯是羅馬人的溫泉聖地，拉丁文名字是Aquae Sulis，意為「蘇利絲之水」。但口頭流傳的說法稱巴斯建城時間比這更早。埃文河谷地區的溫泉是英格蘭唯一的天然溫泉，羅馬人就在河谷之中，巴斯周圍的小山上建立了溫泉浴場和一座寺廟。公元973年，埃德加在巴斯修道院加冕成為英國國王。多年之後的喬治王時代，巴斯成為一個溫泉聖地。這使巴斯城急劇擴張，留下許多傑出的喬治時期巴斯石制建築。1987年，巴斯城當選為世界遺產城市之一。城中的各種劇院、博物館，以及其它文化和運動場所吸引了大批遊客，巴斯因而成為主要的旅遊城市。每年，造訪巴斯的過夜遊客超過100萬，一日游遊客超過380萬。該城有兩座大學，幾所學校和學院。鼎盛的服務業，信息和通信產業、創意產業的逐漸成長，為巴斯城和周邊地區的人們提供了就業機會。
維基百科
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：Python機器學習：基於PyTorch和Scikit-Learn
內容簡介
目錄
譯者序
序
前言
作者簡介
審校者簡介
第1章 賦予計算機從數據中學習的能力1
1.1 將數據轉化為知識的智慧系統1
1.2 三種機器學習類型2
1.2.1 用於預測未來的監督學習2
1.2.2 解決交互問題的強化學習4
1.2.3 發現數據中隱藏規律的無監督學習 5
1.3 基本術語與符號6
1.3.1 本書中使用的符號和約定6
1.3.2 機器學習術語8
1.4 構建機器學習系統的路線圖8
1.4.1 數據預處理——讓數據可用8
1.4.2 訓練和選擇預測模型9
1.4.3 使用未見過的數據對模型進行評估10
1.5 使用Python實現機器學習演算法10
1.5.1 從Python Package Index中安裝Python和其他套裝軟體10
1.5.2 使用Anaconda Python
套裝軟體管理器11
1.5.3 科學計算、數據科學和機器學習套裝軟體12
1.6 本章小結13
第2章 訓練簡單的機器學習分類演算法14
2.1 人工神經元——機器學習早期歷史一瞥14
2.1.1 人工神經元的定義15
2.1.2 感知機學習規則16
2.2 使用Python實現感知機學習演算法19
2.2.1 物件導向的感知機API19
2.2.2 使用鳶尾花數據集訓練感知機22
2.3 自我調整線性神經元與演算法收斂27
2.3.1 使用梯度下降法小化損失函數28
2.3.2 在Python中實現Adaline30
2.3.3 通過特徵縮放改進梯度下降34
2.3.4 大規模機器學習與隨機梯度下降36
2.4 本章小結41
XIV
第3章 Scikit Learn機器學習分類演算法之旅42
3.1 分類演算法的選擇42
3.2 學習Scikit Learn的步——訓練感知機43
3.3 用邏輯回歸演算法建模分類概率48
3.3.1 邏輯回歸與條件概率48
3.3.2 用邏輯損失函數更新模型權重51
3.3.3 從Adaline的代碼實現到邏輯回歸的代碼實現53
3.3.4 用Scikit Learn訓練邏輯回歸模型56
3.3.5 使用正則化避免模型過擬合59
3.4 基於分類間隔的支援向量機62
3.4.1 理解分類間隔62
3.4.2 使用鬆弛變數解決非線性可分問題62
3.4.3 Scikit Learn中另外一種實現64
3.5 使用核支持向量機求解非線性問題64
3.5.1 處理線性不可分數據的核方法64
3.5.2 使用核方法在高維空間中尋找分離超平面66
3.6 決策樹學習69
3.6.1 化信息增益70
3.6.2 構建決策樹73
3.6.3 多棵決策樹組成隨機森林76
3.7 基於惰性學習策略的k近鄰演算法78
3.8 本章小結81
第4章 構建良好的訓練數據集——數據預處理83
4.1 處理缺失值83
4.1.1 識別表格數據中的缺失值83
4.1.2 刪除含有缺失值的樣本或特徵85
4.1.3 填補缺失值85
4.1.4 Scikit Learn的估計器86
4.2 處理類別數據87
4.2.1 用pandas實現類別數據編碼88
4.2.2 映射有序特徵88
4.2.3 類別標籤編碼89
4.2.4 標稱特徵的獨熱編碼90
4.3 將數據集劃分為訓練數據集和測試數據集93
4.4 使特徵具有相同的尺度95
4.5 選擇有意義的特徵97
4.5.1 用L1和L2正則化對模型複雜度進行懲罰98
4.5.2 L2正則化的幾何解釋98
4.5.3 L1正則化與稀疏解99
4.5.4 序貫特徵選擇演算法102
4.6 用隨機森林評估特徵重要性107
4.7 本章小結109
第5章 通過降維方法壓縮數據110
5.1 無監督降維的主成分分析方法110
5.1.1 主成分分析的主要步驟110
5.1.2 提取主成分的步驟112
5.1.3 總方差和被解釋的方差114
5.1.4 特徵變換115
5.1.5 用Scikit Learn實現主成分分析118
5.1.6 評估特徵的貢獻120
5.2 監督數據壓縮的線性判別分析方法122
5.2.1 主成分分析與線性判別分析122
5.2.2 線性判別分析基本原理123
5.2.3 計算散佈矩陣124
5.2.4 為新特徵子空間選擇線性判別式126
5.2.5 將樣本投影到新的特徵空間128
5.2.6 用Scikit Learn實現線性判別分析128
5.3 非線性降維和視覺化130
5.3.1 非線性降維的不足130
5.3.2 使用t SNE視覺化數據131
5.4 本章小結135
XV
第6章 模型評估和超參數調優的實踐136
6.1 使用pipeline方法簡化工作流程136
6.1.1 載入威斯康辛乳腺癌數據集136
6.1.2 在pipeline中集成轉換器和估計器138
6.2 使用k折交叉驗證評估模型性能140
6.2.1 holdout交叉驗證140
6.2.2 k折交叉驗證140
6.3 用學習曲線和驗證曲線調試演算法144
6.3.1 使用學習曲線解決偏差和方差問題144
6.3.2 使用驗證曲線解決過擬合和欠擬合問題146
6.4 通過網格搜索微調機器學習模型148
6.4.1 通過網格搜索調整超參數148
6.4.2 通過隨機搜索更廣泛地探索超參數的配置149
6.4.3 連續減半超參數的搜索演算法151
6.4.4 嵌套交叉驗證153
6.5 模型性能評估指標154
6.5.1 混淆矩陣155
6.5.2 精確率和召回率156
6.5.3 繪製ROC曲線158
6.5.4 多分類器評價指標160
6.5.5 處理類別不均衡問題161
6.6 本章小結163
XVI
第7章 組合不同模型的集成學習164
7.1 集成學習164
7.2 通過多數投票組合分類器167
7.2.1 實現一個簡單的基於多數投票的集成分類器167
7.2.2 使用多數投票原則進行預測171
7.2.3 評估和調整集成分類器173
7.3 bagging——基於bootstrap樣本構建集成分類器179
7.3.1 bagging簡介179
7.3.2 使用bagging對葡萄酒數據集中的樣本進行分類180
7.4 通過自我調整boosting提高弱學習器的性能184
7.4.1 boosting的工作原理184
7.4.2 用Scikit Learn實現AdaBoost188
7.5 梯度boosting——基於損失梯度訓練集成分類器191
7.5.1 比較AdaBoost與梯度boosting191
7.5.2 通用的梯度boosting演算法概述191
7.5.3 解釋用於分類的梯度boosting演算法193
7.5.4 用梯度boosting分類的例子194
7.5.5 使用XGBoost196
7.6 本章小結197
第8章 用機器學習進行情感分析198
8.1 對IMDb影評數據進行文本處理198
8.1.1 獲取影評數據集199
8.1.2 將影評數據集預處理成更易使用的格式199
8.2 詞袋模型201
8.2.1 將單詞轉換為特徵向量201
8.2.2 通過詞頻-逆文檔頻率評估單詞的相關性203
8.2.3 文本數據清洗204
8.2.4 將文檔處理成token206
8.3 訓練用於文檔分類的邏輯回歸模型208
8.4 處理更大的數據——線上演算法
和核外學習方法210
8.5 用潛在狄利克雷分配實現主題
建模213
8.5.1 使用LDA分解文本
文檔214
8.5.2 用Scikit Learn實現
LDA214
8.6 本章小結217
第9章 預測連續目標變數的
回歸分析218
9.1 線性回歸簡介218
9.1.1 簡單線性回歸218
9.1.2 多元線性回歸219
9.2 探索艾姆斯住房數據集220
9.2.1 將艾姆斯住房數據集載入
到DataFrame中220
9.2.2 視覺化數據集的重要
特徵222
9.2.3 使用相關矩陣查看
相關性223
9.3 小二乘線性回歸模型的
實現225
9.3.1 用梯度下降法求解回歸
參數225
9.3.2 用Scikit Learn估計回歸
模型的系數229
9.4 使用RANSAC擬合穩健回歸
模型231
9.5 評估線性回歸模型的性能233
9.6 使用正則化方法進行回歸237
9.7 將線性回歸模型轉化為曲線——
多項式回歸238
9.7.1 使用Scikit Learn添加
多項式項239
9.7.2 建模艾姆斯住房數據
集中的非線性關係240
9.8 使用隨機森林處理非線性
關係243
9.8.1 決策樹回歸243
9.8.2 隨機森林回歸245
9.9 本章小結247
XVII
第10章 處理無標籤數據的
聚類分析248
10.1 使用k均值演算法對樣本分組248
10.1.1 用Scikit Learn實現
k均值聚類248
10.1.2 k均值 ——更聰明的
簇初始化方法252
10.1.3 硬聚類與軟聚類253
10.1.4 用肘方法求解簇的
數量255
10.1.5 通過輪廓圖量化聚類
品質255
10.2 把簇組織成層次樹260
10.2.1 自底向上的聚類260
10.2.2 在距離矩陣上進行分層
聚類262
10.2.3 熱度圖與樹狀圖
結合265
10.2.4 通過Scikit Learn進行
凝聚聚類266
10.3 通過DBSCAN定位高密度
區域267
10.4 本章小結272
XVIII
第11章 從零開始實現多層人工神經網路273
11.1 用人工神經網路建立複雜函數
模型273
11.1.1 單層神經網路274
11.1.2 多層神經網路結構275
11.1.3 利用前向傳播啟動神經
網路277
11.2 識別手寫數字279
11.2.1 獲取並準備MNIST
數據集279
11.2.2 實現多層感知機282
11.2.3 神經網路訓練代碼287
11.2.4 評估神經網路的
性能291
11.3 訓練人工神經網路295
11.3.1 損失函數的計算295
11.3.2 理解反向傳播296
11.3.3 通過反向傳播訓練
神經網路297
11.4 關於神經網路的收斂性300
11.5 關於神經網路實現的後
幾句話300
11.6 本章小結301
第12章 用PyTorch並行訓練
神經網路302
12.1 PyTorch和模型的訓練性能302
12.1.1 性能挑戰302
12.1.2 什麼是PyTorch303
12.1.3 如何學習PyTorch304
12.2 學習PyTorch的步304
12.2.1 安裝PyTorch305
12.2.2 在PyTorch中創建
序
前言
作者簡介
審校者簡介
第1章 賦予計算機從數據中學習的能力1
1.1 將數據轉化為知識的智慧系統1
1.2 三種機器學習類型2
1.2.1 用於預測未來的監督學習2
1.2.2 解決交互問題的強化學習4
1.2.3 發現數據中隱藏規律的無監督學習 5
1.3 基本術語與符號6
1.3.1 本書中使用的符號和約定6
1.3.2 機器學習術語8
1.4 構建機器學習系統的路線圖8
1.4.1 數據預處理——讓數據可用8
1.4.2 訓練和選擇預測模型9
1.4.3 使用未見過的數據對模型進行評估10
1.5 使用Python實現機器學習演算法10
1.5.1 從Python Package Index中安裝Python和其他套裝軟體10
1.5.2 使用Anaconda Python
套裝軟體管理器11
1.5.3 科學計算、數據科學和機器學習套裝軟體12
1.6 本章小結13
第2章 訓練簡單的機器學習分類演算法14
2.1 人工神經元——機器學習早期歷史一瞥14
2.1.1 人工神經元的定義15
2.1.2 感知機學習規則16
2.2 使用Python實現感知機學習演算法19
2.2.1 物件導向的感知機API19
2.2.2 使用鳶尾花數據集訓練感知機22
2.3 自我調整線性神經元與演算法收斂27
2.3.1 使用梯度下降法小化損失函數28
2.3.2 在Python中實現Adaline30
2.3.3 通過特徵縮放改進梯度下降34
2.3.4 大規模機器學習與隨機梯度下降36
2.4 本章小結41
XIV
第3章 Scikit Learn機器學習分類演算法之旅42
3.1 分類演算法的選擇42
3.2 學習Scikit Learn的步——訓練感知機43
3.3 用邏輯回歸演算法建模分類概率48
3.3.1 邏輯回歸與條件概率48
3.3.2 用邏輯損失函數更新模型權重51
3.3.3 從Adaline的代碼實現到邏輯回歸的代碼實現53
3.3.4 用Scikit Learn訓練邏輯回歸模型56
3.3.5 使用正則化避免模型過擬合59
3.4 基於分類間隔的支援向量機62
3.4.1 理解分類間隔62
3.4.2 使用鬆弛變數解決非線性可分問題62
3.4.3 Scikit Learn中另外一種實現64
3.5 使用核支持向量機求解非線性問題64
3.5.1 處理線性不可分數據的核方法64
3.5.2 使用核方法在高維空間中尋找分離超平面66
3.6 決策樹學習69
3.6.1 化信息增益70
3.6.2 構建決策樹73
3.6.3 多棵決策樹組成隨機森林76
3.7 基於惰性學習策略的k近鄰演算法78
3.8 本章小結81
第4章 構建良好的訓練數據集——數據預處理83
4.1 處理缺失值83
4.1.1 識別表格數據中的缺失值83
4.1.2 刪除含有缺失值的樣本或特徵85
4.1.3 填補缺失值85
4.1.4 Scikit Learn的估計器86
4.2 處理類別數據87
4.2.1 用pandas實現類別數據編碼88
4.2.2 映射有序特徵88
4.2.3 類別標籤編碼89
4.2.4 標稱特徵的獨熱編碼90
4.3 將數據集劃分為訓練數據集和測試數據集93
4.4 使特徵具有相同的尺度95
4.5 選擇有意義的特徵97
4.5.1 用L1和L2正則化對模型複雜度進行懲罰98
4.5.2 L2正則化的幾何解釋98
4.5.3 L1正則化與稀疏解99
4.5.4 序貫特徵選擇演算法102
4.6 用隨機森林評估特徵重要性107
4.7 本章小結109
第5章 通過降維方法壓縮數據110
5.1 無監督降維的主成分分析方法110
5.1.1 主成分分析的主要步驟110
5.1.2 提取主成分的步驟112
5.1.3 總方差和被解釋的方差114
5.1.4 特徵變換115
5.1.5 用Scikit Learn實現主成分分析118
5.1.6 評估特徵的貢獻120
5.2 監督數據壓縮的線性判別分析方法122
5.2.1 主成分分析與線性判別分析122
5.2.2 線性判別分析基本原理123
5.2.3 計算散佈矩陣124
5.2.4 為新特徵子空間選擇線性判別式126
5.2.5 將樣本投影到新的特徵空間128
5.2.6 用Scikit Learn實現線性判別分析128
5.3 非線性降維和視覺化130
5.3.1 非線性降維的不足130
5.3.2 使用t SNE視覺化數據131
5.4 本章小結135
XV
第6章 模型評估和超參數調優的實踐136
6.1 使用pipeline方法簡化工作流程136
6.1.1 載入威斯康辛乳腺癌數據集136
6.1.2 在pipeline中集成轉換器和估計器138
6.2 使用k折交叉驗證評估模型性能140
6.2.1 holdout交叉驗證140
6.2.2 k折交叉驗證140
6.3 用學習曲線和驗證曲線調試演算法144
6.3.1 使用學習曲線解決偏差和方差問題144
6.3.2 使用驗證曲線解決過擬合和欠擬合問題146
6.4 通過網格搜索微調機器學習模型148
6.4.1 通過網格搜索調整超參數148
6.4.2 通過隨機搜索更廣泛地探索超參數的配置149
6.4.3 連續減半超參數的搜索演算法151
6.4.4 嵌套交叉驗證153
6.5 模型性能評估指標154
6.5.1 混淆矩陣155
6.5.2 精確率和召回率156
6.5.3 繪製ROC曲線158
6.5.4 多分類器評價指標160
6.5.5 處理類別不均衡問題161
6.6 本章小結163
XVI
第7章 組合不同模型的集成學習164
7.1 集成學習164
7.2 通過多數投票組合分類器167
7.2.1 實現一個簡單的基於多數投票的集成分類器167
7.2.2 使用多數投票原則進行預測171
7.2.3 評估和調整集成分類器173
7.3 bagging——基於bootstrap樣本構建集成分類器179
7.3.1 bagging簡介179
7.3.2 使用bagging對葡萄酒數據集中的樣本進行分類180
7.4 通過自我調整boosting提高弱學習器的性能184
7.4.1 boosting的工作原理184
7.4.2 用Scikit Learn實現AdaBoost188
7.5 梯度boosting——基於損失梯度訓練集成分類器191
7.5.1 比較AdaBoost與梯度boosting191
7.5.2 通用的梯度boosting演算法概述191
7.5.3 解釋用於分類的梯度boosting演算法193
7.5.4 用梯度boosting分類的例子194
7.5.5 使用XGBoost196
7.6 本章小結197
第8章 用機器學習進行情感分析198
8.1 對IMDb影評數據進行文本處理198
8.1.1 獲取影評數據集199
8.1.2 將影評數據集預處理成更易使用的格式199
8.2 詞袋模型201
8.2.1 將單詞轉換為特徵向量201
8.2.2 通過詞頻-逆文檔頻率評估單詞的相關性203
8.2.3 文本數據清洗204
8.2.4 將文檔處理成token206
8.3 訓練用於文檔分類的邏輯回歸模型208
8.4 處理更大的數據——線上演算法
和核外學習方法210
8.5 用潛在狄利克雷分配實現主題
建模213
8.5.1 使用LDA分解文本
文檔214
8.5.2 用Scikit Learn實現
LDA214
8.6 本章小結217
第9章 預測連續目標變數的
回歸分析218
9.1 線性回歸簡介218
9.1.1 簡單線性回歸218
9.1.2 多元線性回歸219
9.2 探索艾姆斯住房數據集220
9.2.1 將艾姆斯住房數據集載入
到DataFrame中220
9.2.2 視覺化數據集的重要
特徵222
9.2.3 使用相關矩陣查看
相關性223
9.3 小二乘線性回歸模型的
實現225
9.3.1 用梯度下降法求解回歸
參數225
9.3.2 用Scikit Learn估計回歸
模型的系數229
9.4 使用RANSAC擬合穩健回歸
模型231
9.5 評估線性回歸模型的性能233
9.6 使用正則化方法進行回歸237
9.7 將線性回歸模型轉化為曲線——
多項式回歸238
9.7.1 使用Scikit Learn添加
多項式項239
9.7.2 建模艾姆斯住房數據
集中的非線性關係240
9.8 使用隨機森林處理非線性
關係243
9.8.1 決策樹回歸243
9.8.2 隨機森林回歸245
9.9 本章小結247
XVII
第10章 處理無標籤數據的
聚類分析248
10.1 使用k均值演算法對樣本分組248
10.1.1 用Scikit Learn實現
k均值聚類248
10.1.2 k均值 ——更聰明的
簇初始化方法252
10.1.3 硬聚類與軟聚類253
10.1.4 用肘方法求解簇的
數量255
10.1.5 通過輪廓圖量化聚類
品質255
10.2 把簇組織成層次樹260
10.2.1 自底向上的聚類260
10.2.2 在距離矩陣上進行分層
聚類262
10.2.3 熱度圖與樹狀圖
結合265
10.2.4 通過Scikit Learn進行
凝聚聚類266
10.3 通過DBSCAN定位高密度
區域267
10.4 本章小結272
XVIII
第11章 從零開始實現多層人工神經網路273
11.1 用人工神經網路建立複雜函數
模型273
11.1.1 單層神經網路274
11.1.2 多層神經網路結構275
11.1.3 利用前向傳播啟動神經
網路277
11.2 識別手寫數字279
11.2.1 獲取並準備MNIST
數據集279
11.2.2 實現多層感知機282
11.2.3 神經網路訓練代碼287
11.2.4 評估神經網路的
性能291
11.3 訓練人工神經網路295
11.3.1 損失函數的計算295
11.3.2 理解反向傳播296
11.3.3 通過反向傳播訓練
神經網路297
11.4 關於神經網路的收斂性300
11.5 關於神經網路實現的後
幾句話300
11.6 本章小結301
第12章 用PyTorch並行訓練
神經網路302
12.1 PyTorch和模型的訓練性能302
12.1.1 性能挑戰302
12.1.2 什麼是PyTorch303
12.1.3 如何學習PyTorch304
12.2 學習PyTorch的步304
12.2.1 安裝PyTorch305
12.2.2 在PyTorch中創建
|
