具體描述
近些年機器學習發展迅猛，早已從科研領域延伸到瞭商業領域，新技術和新應用不斷湧現，其中Python語言光芒難掩。越來越多的開發者和研究人員選擇瞭Python，Python也助推瞭機器學習和數據科學的發展。
本書是基於Python的機器學習指南，全麵介紹瞭各種強大的機器學習技術，不僅清晰闡釋瞭基本的算法和概念，而且運用豐富的Python代碼示例展示瞭各種復雜算法的實現與應用，此外還介紹瞭如何使用流行的機器學習庫和框架。對於想要瞭解數據科學領域中的新進展，以提高自身技能的Python開發人員、分析師和數據科學傢來說，本書值得一讀。
- 利用無監督學習技術識彆數據集的內在模式與結構
- 掌握受限玻爾茲曼機和深度信念網絡的工作原理
- 使用堆疊降噪自編碼機構建深度架構
- 應用捲積神經網絡解決圖像分類問題
- 學習CPLE、自學習和S3VM等半監督學習技術
- 運用強大的特徵工程技術提升模型性能
- 使用集成技術提升深度學習模型的效率
- 介紹Lasagne、TensorFlow等機器學習工具
著者簡介
約翰·哈蒂（John Hearty）
數據科學傢，數據科學和架構工程領域谘詢專傢，曾為微軟、世嘉等公司提供谘詢服務，緻力於將機器學習前沿技術付諸實踐，熱衷於用Python構建機器學習解決方案。現任職於NuData Security公司。
圖書目錄
第1章 無監督機器學習 1
1.1 主成分分析 1
1.1.1 主成分分析入門 2
1.1.2 應用主成分分析 3
1.2 k均值聚類 5
1.2.1 聚類入門 5
1.2.2 開始聚類分析 6
1.2.3 調整聚類參數 10
1.3 自組織映射 13
1.3.1 自組織映射入門 13
1.3.2 部署自組織映射 14
1.4 擴展閱讀 17
1.5 小結 18
第2章 深度信念網絡 19
2.1 神經網絡入門 19
2.1.1 神經網絡的組成 20
2.1.2 網絡拓撲結構 20
2.2 受限玻爾茲曼機 23
2.2.1 受限玻爾茲曼機簡介 23
2.2.2 受限玻爾茲曼機的應用 26
2.2.3 受限玻爾茲曼機的擴展應用 35
2.3 深度信念網絡 35
2.3.1 訓練深度信念網絡 36
2.3.2 應用深度信念網絡 36
2.3.3 驗證深度信念網絡 39
2.4 擴展閱讀 40
2.5 小結 40
第3章 堆疊式降噪自編碼機 41
3.1 自編碼機 41
3.1.1 自編碼機簡介 41
3.1.2 降噪自編碼機 43
3.1.3 應用降噪自編碼機 44
3.2 堆疊式降噪自編碼機 47
3.2.1 應用堆疊式降噪自編碼機 48
3.2.2 評估堆疊式降噪自編碼機的性能 53
3.3 擴展閱讀 54
3.4 小結 54
第4章 捲積神經網絡 55
4.1 CNN介紹 55
4.1.1 CNN拓撲結構 56
4.1.2 應用CNN 66
4.2 擴展閱讀 71
4.3 小結 71
第5章 半監督學習 72
5.1 簡介 72
5.2 何為半監督學習 72
5.3 半監督算法實戰 73
5.3.1 自訓練 73
5.3.2 對比悲觀似然估計 81
5.4 擴展閱讀 89
5.5 小結 90
第6章 文本特徵工程 91
6.1 介紹 91
6.2 文本特徵工程 92
6.2.1 清洗文本數據 92
6.2.2 根據文本數據構造特徵 99
6.2.3 測試準備好的數據 103
6.3 擴展閱讀 108
6.4 小結 109
第7章 特徵工程II 110
7.1 介紹 110
7.2 創建特徵集 110
7.2.1 為機器學習應用構建特徵 111
7.2.2 運用特徵選擇技術 117
7.3 特徵工程實戰 123
7.4 擴展閱讀 141
7.5 小結 142
第8章 集成方法 143
8.1 集成簡介 143
8.1.1 理解平均集成 144
8.1.2 應用提升法 148
8.1.3 使用堆疊集成 153
8.2 在動態應用中使用模型 157
8.2.1 理解模型穩健性 158
8.2.2 控製模型穩健性的策略 163
8.3 擴展閱讀 166
8.4 小結 166
第9章 其他Python機器學習工具 167
9.1 可選的開發工具 167
9.1.1 Lasagne簡介 167
9.1.2 TensorFlow簡介 169
9.1.3 何時使用這些庫 173
9.2 擴展閱讀 174
9.3 小結 175
附錄 代碼運行要求 176
· · · · · · (收起)
1.1 主成分分析 1
1.1.1 主成分分析入門 2
1.1.2 應用主成分分析 3
1.2 k均值聚類 5
1.2.1 聚類入門 5
1.2.2 開始聚類分析 6
1.2.3 調整聚類參數 10
1.3 自組織映射 13
1.3.1 自組織映射入門 13
1.3.2 部署自組織映射 14
1.4 擴展閱讀 17
1.5 小結 18
第2章 深度信念網絡 19
2.1 神經網絡入門 19
2.1.1 神經網絡的組成 20
2.1.2 網絡拓撲結構 20
2.2 受限玻爾茲曼機 23
2.2.1 受限玻爾茲曼機簡介 23
2.2.2 受限玻爾茲曼機的應用 26
2.2.3 受限玻爾茲曼機的擴展應用 35
2.3 深度信念網絡 35
2.3.1 訓練深度信念網絡 36
2.3.2 應用深度信念網絡 36
2.3.3 驗證深度信念網絡 39
2.4 擴展閱讀 40
2.5 小結 40
第3章 堆疊式降噪自編碼機 41
3.1 自編碼機 41
3.1.1 自編碼機簡介 41
3.1.2 降噪自編碼機 43
3.1.3 應用降噪自編碼機 44
3.2 堆疊式降噪自編碼機 47
3.2.1 應用堆疊式降噪自編碼機 48
3.2.2 評估堆疊式降噪自編碼機的性能 53
3.3 擴展閱讀 54
3.4 小結 54
第4章 捲積神經網絡 55
4.1 CNN介紹 55
4.1.1 CNN拓撲結構 56
4.1.2 應用CNN 66
4.2 擴展閱讀 71
4.3 小結 71
第5章 半監督學習 72
5.1 簡介 72
5.2 何為半監督學習 72
5.3 半監督算法實戰 73
5.3.1 自訓練 73
5.3.2 對比悲觀似然估計 81
5.4 擴展閱讀 89
5.5 小結 90
第6章 文本特徵工程 91
6.1 介紹 91
6.2 文本特徵工程 92
6.2.1 清洗文本數據 92
6.2.2 根據文本數據構造特徵 99
6.2.3 測試準備好的數據 103
6.3 擴展閱讀 108
6.4 小結 109
第7章 特徵工程II 110
7.1 介紹 110
7.2 創建特徵集 110
7.2.1 為機器學習應用構建特徵 111
7.2.2 運用特徵選擇技術 117
7.3 特徵工程實戰 123
7.4 擴展閱讀 141
7.5 小結 142
第8章 集成方法 143
8.1 集成簡介 143
8.1.1 理解平均集成 144
8.1.2 應用提升法 148
8.1.3 使用堆疊集成 153
8.2 在動態應用中使用模型 157
8.2.1 理解模型穩健性 158
8.2.2 控製模型穩健性的策略 163
8.3 擴展閱讀 166
8.4 小結 166
第9章 其他Python機器學習工具 167
9.1 可選的開發工具 167
9.1.1 Lasagne簡介 167
9.1.2 TensorFlow簡介 169
9.1.3 何時使用這些庫 173
9.2 擴展閱讀 174
9.3 小結 175
附錄 代碼運行要求 176
· · · · · · (收起)
讀後感
評分
評分
評分
評分
評分
用戶評價
评分
评分
评分
评分
评分
相關圖書
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.quotespace.org All Rights Reserved. 小美書屋 版权所有