更新时间：2021-06-11 16:14:46
封面
版权页
本书简介
译者序
前言
作者简介
审校者简介
第1章 赋予计算机从数据中学习的能力
1.1 构建能把数据转换为知识的智能机器
1.2 三种不同类型的机器学习
1.3 基本术语与符号
1.4 构建机器学习系统的路线图
1.5 将Python用于机器学习
1.6 本章小结
第2章 训练简单的机器学习分类算法
2.1 人工神经元——机器学习的早期历史
2.2 用Python实现感知器学习算法
2.3 自适应线性神经元和学习收敛
2.4 本章小结
第3章 scikit-learn机器学习分类器
3.1 选择分类算法
3.2 了解scikit-learn的第一步——训练感知器
3.3 基于逻辑回归的分类概率建模
3.4 使用支持向量机最大化分类间隔
3.5 用核支持向量机求解非线性问题
3.6 决策树学习
3.7 k-近邻——一种惰性学习算法
3.8 本章小结
第4章 构建良好的训练数据集——数据预处理
4.1 处理缺失数据
4.2 处理类别数据
4.3 把数据集划分为独立的训练数据集和测试数据集
4.4 保持相同的特征缩放
4.5 选择有意义的特征
4.6 用随机森林评估特征的重要性
4.7 本章小结
第5章 通过降维压缩数据
5.1 用主成分分析实现无监督降维
5.2 基于线性判别分析的监督数据压缩
5.3 非线性映射的核主成分分析
5.4 本章小结
第6章 模型评估和超参数调优的最佳实践
6.1 用流水线方法简化工作流
6.2 使用k折交叉验证评估模型性能
6.3 用学习和验证曲线调试算法
6.4 通过网格搜索调优机器学习模型
6.5 了解不同的性能评估指标
6.6 本章小结
第7章 组合不同模型的集成学习
7.1 集成学习
7.2 通过多数票机制组合分类器
7.3 bagging——基于bootstrap样本构建集成分类器
7.4 通过自适应boosting提高弱学习机的性能
7.5 本章小结
第8章 用机器学习进行情感分析
8.1 为文本处理预备好IMDb电影评论数据
8.2 词袋模型介绍
8.3 训练用于文档分类的逻辑回归模型
8.4 处理更大的数据集——在线算法和核外学习
8.5 用潜在狄利克雷分配实现主题建模
8.6 本章小结
第9章 将机器学习模型嵌入Web应用
9.1 序列化拟合的scikit-learn估计器
9.2 搭建SQLite数据库存储数据
9.3 用Flask开发Web应用
9.4 将电影评论分类器转换为Web应用
9.5 在公共服务器上部署Web应用
9.6 本章小结
第10章 用回归分析预测连续目标变量
10.1 线性回归简介
10.2 探索住房数据集
10.3 普通最小二乘线性回归模型的实现
10.4 利用RANSAC拟合鲁棒回归模型
10.5 评估线性回归模型的性能
10.6 用正则化方法进行回归
10.7 将线性回归模型转换为曲线——多项式回归
10.8 用随机森林处理非线性关系
10.9 本章小结
第11章 用聚类分析处理无标签数据
11.1 用k-均值进行相似性分组
11.2 把集群组织成层次树
11.3 通过DBSCAN定位高密度区域
11.4 本章小结
第12章 从零开始实现多层人工神经网络
12.1 用人工神经网络建立复杂函数模型
12.2 识别手写数字
12.3 训练人工神经网络
12.4 关于神经网络的收敛性
12.5 关于神经网络实现的最后几句话
12.6 本章小结
第13章 用TensorFlow并行训练神经网络
13.1 TensorFlow与模型训练的性能
13.2 学习TensorFlow的第一步
13.3 用TensorFlow的Dataset API构建输入流水线
13.4 在TensorFlow中构建神经网络模型
13.5 选择多层神经网络的激活函数
13.6 本章小结
第14章 深入探讨TensorFlow的工作原理
14.1 TensorFlow的主要功能
14.2 TensorFlow的计算图：迁移到TensorFlow v2
