幫助對機器學習、數據挖掘感興趣的讀者整合時下流行的基於Python語言的程序庫。如Scikit-learn，Pandas, NLTK，Gensim, XGBoost，TensorFlow等，並且針對現實中遇到的數據，甚至是Kaggle競賽中的分析任務，快速搭建有效的機器學習系統。 同時，作者盡力減少讀者為了理解本書，而對編程技能、數學背景的過分依賴，進而降低機器學習模型的實踐門檻，讓最多的興趣愛好者體會到使用經典模型以及新 的高效方法解決實際問題的樂趣。
范淼，清華大學計算機系人工智能研究所博士，研究方向涉及機器學習與自然語言處理技術。2015年3月受國家留學基金委公派至美國紐約大學計算機系聯合培養。攻讀博士期間，於所在研究領域內多個重要國際會議與期刊上發表論文近20篇。先后在Hulu、MSRA（微軟亞洲研究院）、百度自然語言處理部、Bosch（博世）北美硅谷研究院等多個公司的研發部門實習，並承擔機器學習與自然語言處理相關的研究任務。李超，工學博士，清華大學副研究員，信息技術研究院Web與軟件技術研究中心副主任。中國計算機學會信息存儲技術專委會委員、中國計算機學會高級會員、全國文獻影像技術標准化技術委員會（SAC/TC86/SC6）委員、IEEE會員。研究領域包括海量數據存儲、組織與管理、分析，及其在數字圖書館/檔案館/教育/醫療/金融等領域的應用。主持及參與多項國家973、863、科技支撐、自然基金等縱向項目及橫向合作項目。已發表學術論文50余篇、獲得授權發明專利10余項。
| FindBook |
有 1 項符合
Python機器學習及實踐：從零開始通往Kaggle競賽之路的圖書 |
| 圖書選購 |
| 型式 | 價格 | 供應商 | 所屬目錄 | $ 294 |
 iRead灰熊愛讀書 |
程式語言 |
|---|
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：Python機器學習及實踐：從零開始通往Kaggle競賽之路
內容簡介
目錄
第1章 簡介篇
1.1 機器學習綜述
1.1.1 任務
1.1.2 經驗
1.1.3 性能
1.2 Python編程庫
1.2.1 為什麼使?
1.2.2 Python機器學習的優勢
1.2.3 NumPy & SciPy
1.2.4 Matplotlib
1.2.5 Scikit-learn
1.2.6
1.2.7 An
1.3 Python環境配置
1.3.1 Windows系統環境
1.3.2 Mac OS 系統環境
1.4 Python編程基礎
1.4.1 Python基本語法
1.4.2 Python 數據類型
1.4.3 Python 數據運算
1.4.4 Python 流程控制
1.4.5 Python 函數（模塊）設計
1.4.6 Python 編程庫（包）的導入.
1.4.7 Python 基礎綜合實踐.
1.5章末小結
第2章 基礎篇
2.1 監督學習經典模型
2.1.1 分類學習
2.1.1.1 線性分類器
2.1.1.2 支持向量機（分類）
2.1.1.3 朴素貝葉斯
2.1.1.4 K近鄰（分類）
2.1.1.5 決策樹
2.1.1.6 集成模型（分類）
2.1.2 回歸預測
2.1.2.1 線性回歸器
2.1.2.2 支持向量機（回歸）
2.1.2.3 K近鄰（回歸）
2.1.2.4 回歸樹
2.1.2.5 集成模型（回歸）
2.2 無監督學習經典模型
2.2.1數據聚類
2.2.1.1 K均值算法
2.2.2特征降維
2.2.2.1 主成分分析
2.3 章末小結
第3章 進階篇
3.1 模型實用技巧
3.1.1 特征提升
3.1.2 模型正則化
3.1.3 模型檢驗
3.1.4 超參數搜索
3.2 流行庫/模型實踐
3.2.1自然語言處理包（NLTK）
3.2.2 詞向量（Word2Vec）技術
3.2.3 XGBoost模型
3.2.4 Tensorflow框架
3.3 章末小結
第4章 實戰篇
4.1 Kaggle平台簡介
4.2 Titanic罹難乘客預測
4.3 IMDB影評得分估計
4.4 MNIST手寫體數字圖片識別.
4.5 章末小結.
后記
參考文獻
1.1 機器學習綜述
1.1.1 任務
1.1.2 經驗
1.1.3 性能
1.2 Python編程庫
1.2.1 為什麼使?
1.2.2 Python機器學習的優勢
1.2.3 NumPy & SciPy
1.2.4 Matplotlib
1.2.5 Scikit-learn
1.2.6
1.2.7 An
1.3 Python環境配置
1.3.1 Windows系統環境
1.3.2 Mac OS 系統環境
1.4 Python編程基礎
1.4.1 Python基本語法
1.4.2 Python 數據類型
1.4.3 Python 數據運算
1.4.4 Python 流程控制
1.4.5 Python 函數（模塊）設計
1.4.6 Python 編程庫（包）的導入.
1.4.7 Python 基礎綜合實踐.
1.5章末小結
第2章 基礎篇
2.1 監督學習經典模型
2.1.1 分類學習
2.1.1.1 線性分類器
2.1.1.2 支持向量機（分類）
2.1.1.3 朴素貝葉斯
2.1.1.4 K近鄰（分類）
2.1.1.5 決策樹
2.1.1.6 集成模型（分類）
2.1.2 回歸預測
2.1.2.1 線性回歸器
2.1.2.2 支持向量機（回歸）
2.1.2.3 K近鄰（回歸）
2.1.2.4 回歸樹
2.1.2.5 集成模型（回歸）
2.2 無監督學習經典模型
2.2.1數據聚類
2.2.1.1 K均值算法
2.2.2特征降維
2.2.2.1 主成分分析
2.3 章末小結
第3章 進階篇
3.1 模型實用技巧
3.1.1 特征提升
3.1.2 模型正則化
3.1.3 模型檢驗
3.1.4 超參數搜索
3.2 流行庫/模型實踐
3.2.1自然語言處理包（NLTK）
3.2.2 詞向量（Word2Vec）技術
3.2.3 XGBoost模型
3.2.4 Tensorflow框架
3.3 章末小結
第4章 實戰篇
4.1 Kaggle平台簡介
4.2 Titanic罹難乘客預測
4.3 IMDB影評得分估計
4.4 MNIST手寫體數字圖片識別.
4.5 章末小結.
后記
參考文獻
|
