又粗又大又硬的黄色网,免费的AV片一区二区三区视频,日日摸处处碰夜夜爽视频

《Python機器學習實戰(zhàn)：基于Scikit-learn與PyTorch的神經(jīng)網(wǎng)絡解決方案》基于作者多年的積累，通過概念及其解釋、Python代碼示例及其解釋和代碼輸出，特別針對零基礎讀者精心設計了這本機器學習進階指南。全書包含3部分16章的內(nèi)容，在介紹完編程和數(shù)據(jù)處理基礎之后，探討了監(jiān)督學習（如線性回歸、邏輯回歸及決策樹、樸素貝葉斯和支持向量機）、集成學習以及無監(jiān)督學習（如降維和聚類等）。值得一提的是，書的最后講到了神經(jīng)網(wǎng)絡和深度學習的基本思想，探討了人工神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡。《Python機器學習實戰(zhàn)：基于Scikit-learn與PyTorch的神經(jīng)網(wǎng)絡解決方案》適合零基礎且希望了解和掌握機器學習的讀者閱讀與參考。

我們一直想要合作寫一本以機器學習為主題的書。十年前，我們剛開始接觸AI。如今，這個領域已經(jīng)有了突飛猛進的發(fā)展和擴張。作為終身學習者，我們意識到，在最開始接觸任何領域時，都需要一份更明晰的資料來清楚地指明前方的道路。在通過閱讀、學習和利用所學的知識來加強學習體驗的過程中，也需要有一系列明確的解釋和偶爾的靈感。我們在軟件開發(fā)、數(shù)據(jù)科學和機器學習的學術(shù)經(jīng)歷與職業(yè)生涯中經(jīng)常使用Python。通過這本書，我們做了一次非常謙卑的嘗試，為絕對零基礎的初學者寫一本以機器學習為主題的分步驟指南。本書的每一章都包含對概念的解釋、代碼示例、對代碼示例的解釋以及代碼輸出截圖。
第Ⅰ部分包含4章的內(nèi)容。第1章講解不同平臺上如何設置Python環(huán)境。第2章涉及NumPy和Ndarray。第3章探討如何用Matplotlib進行可視化。第4章介紹Pandas數(shù)據(jù)科學庫。最開始的這幾章都旨在建立編程和基本的數(shù)據(jù)處理基礎，這是學習機器學習的先決條件之一。
第Ⅱ部分探討傳統(tǒng)的機器學習方法。在第5章中，我們先對機器學習領域進行概覽，然后講解如何安裝Scikit-learn，并介紹一個簡短而快速的使用Scikit-learn的機器學習解決方案示例。第6章詳細說明一些方法，以幫助大家理解結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)和圖像數(shù)據(jù)，并將這些數(shù)據(jù)轉(zhuǎn)化為機器學習庫所能接受的格式。第7章介紹監(jiān)督學習式，講解了針對回歸問題的線性回歸和針對分類問題的邏輯回歸和決策樹。在每個實驗中，我們還展示了如何利用決策邊界圖（decision boundary plot）來繪制算法所學到的可視化內(nèi)容。第8章深入研究如何進一步微調(diào)機器學習模型。我們解釋了一些評估模型性能的想法，過擬合和欠擬合的問題，以及處理這些問題和提升模型性能的方法。第9章繼續(xù)探討監(jiān)督式學習方法并重點介紹樸素貝葉斯和支持向量機。第10章講解集成學習，這種解決方案將多個較簡單的模型結(jié)合起來，以獲得比單獨這些模型更好的性能。在第11章中，我們討論了無監(jiān)督學習，并重點關(guān)注降維、聚類和頻繁模式挖掘方法。每個部分都包含一個使用Scikit-learn實現(xiàn)所討論方法的完整例子。
最后，第Ⅲ部分中的第12章介紹神經(jīng)網(wǎng)絡和深度學習的基本思想。我們介紹了一個非常流行的開源機器學習框架PyTorch，后續(xù)章節(jié)的例子都會用到它。第13章講解人工神經(jīng)網(wǎng)絡，并深入論述了前饋（feedforward）和反向傳播（backpropagation）的理論基礎，然后要地介紹損失函數(shù)（loss function）和一個簡單神經(jīng)網(wǎng)絡的例子。在后半部分中，我們解釋了如何創(chuàng)建一個能夠識別手寫數(shù)字的多層神經(jīng)網(wǎng)絡。在第14章中，我們討論卷積神經(jīng)網(wǎng)絡并講述了一個圖像分類案例。第15章探討遞歸神經(jīng)網(wǎng)絡，并指導您解決一個序列建模問題。在最后的第16章中，我們論述規(guī)劃、管理和設計機器學習和數(shù)據(jù)科學項目的策略。我們還講解了一個端到端的案例，它很簡短，使用了深度學習來進行情感分析。
如果是初次接觸這個主題，那么我們強烈建議您按照章節(jié)順序閱讀本書，因為其中概念是相互關(guān)聯(lián)的。仔細閱讀所有代碼，可以隨意地嘗試修改和調(diào)整代碼結(jié)構(gòu)、數(shù)據(jù)集和超參數(shù)。
如果對一些主題已經(jīng)有所了解，請隨意跳到自己感興趣的章節(jié)并深入研究相關(guān)內(nèi)容。祝大家學習順利。

第Ⅰ部分PYTHON機器學習
第1章Python 3和Jupyter Notebook入門 3
1.1Python概述 4
1.1.1Python編程語言的歷史 4
1.1.2Python編程語言的哲學 4
1.1.3Python的使用范圍 5
1.2安裝Python 6
1.2.1在Linux 發(fā)行版上安裝 Python 7
1.2.2在macOS 上安裝Python 7
1.3Python模式 7
1.3.1交互模式 7
1.3.2腳本模式 11
1.4Pip3工具 13
1.5科學Python生態(tài)系統(tǒng) 14
1.6Python的實現(xiàn)和發(fā)行版 14
1.7Anaconda發(fā)行版 15
1.8小結(jié) 16
第2章NumPy入門 17
2.1開始使用NumPy 18
2.2Ndarray的索引 20
2.3Ndarray的屬性 22
2.4NumPy常量 23
2.5小結(jié) 24
第3章數(shù)據(jù)可視化入門 25
3.1用于創(chuàng)建Ndarray的NumPy例程 26
3.2Matplotlib數(shù)據(jù)可視化 28
3.3小結(jié) 34
第4章Pandas入門 35
4.1Pandas基礎知識 36
4.2Pandas中的Series 36
4.3Pandas中的數(shù)據(jù)框架 38
4.4在數(shù)據(jù)框架中實現(xiàn)數(shù)據(jù)的可視化 40
4.5小結(jié) 46
第Ⅱ部分機器學習方法
第5章Scikit-learn機器學習概述 49
5.1從數(shù)據(jù)中學習 50
5.1.1監(jiān)督式學習 50
5.1.2無監(jiān)督學習 51
5.2機器學習系統(tǒng)的結(jié)構(gòu) 52
5.2.1問題理解 53
5.2.2數(shù)據(jù)收集 53
5.2.3數(shù)據(jù)標注和數(shù)據(jù)準備 53
5.2.4數(shù)據(jù)整理 53
5.2.5模型的開發(fā)、訓練和評估 54
5.2.6模型的部署 54
5.3Scikit-Learn 55
5.4安裝Scikit-Learn 55
5.5了解API 56
5.6第一個Scikit-learn實驗 57
5.7小結(jié) 60
第6章為機器學習準備數(shù)據(jù) 61
6.1數(shù)據(jù)變量的類型 62
6.1.1名目數(shù)據(jù) 62
6.1.2次序數(shù)據(jù) 62
6.1.3等距數(shù)據(jù) 63
6.1.4等比數(shù)據(jù) 63
6.2轉(zhuǎn)換 63
6.2.1轉(zhuǎn)換名目屬性 64
6.2.2轉(zhuǎn)換有序?qū)傩?66
6.3歸一化 67
6.3.1線性函數(shù)歸一化 68
6.3.2標準縮放 69
6.4預處理文本 70
6.4.1準備NLTK 70
6.4.2NLP流水線的5個步驟 71
6.4.3詞干提取和詞形還原 72
6.4.4移除停用詞 73
6.4.5準備詞向量 73
6.5預處理圖像 75
6.6小結(jié) 77
第7章初探監(jiān)督式學習方法 79
7.1線性回歸 80
7.2邏輯回歸 86
7.2.1表達式概率的線與曲線的比較 87
7.2.1學習參數(shù) 87
7.2.2可視化決策邊界 90
7.3決策樹 91
7.3.1構(gòu)建決策樹 92
7.3.2Python中的決策樹 93
7.4小結(jié) 96
第8章對監(jiān)督式學習進行調(diào)試 97
8.1訓練和測試過程 98
8.2性能的衡量標準 98
8.2.1混淆矩陣 99
8.2.2精確率 100
8.2.3準確率 100
8.2.3F值 100
8.2.4Python中的性能指標 101
8.3交叉驗證 103
8.3.1為什么要進行交叉驗證 104
8.3.2使用Python進行交叉驗證 105
8.4ROC曲線 106
8.5過擬合和正則化 109
8.5.1偏差和方差 112
8.5.2正則化 113
8.6超參數(shù)調(diào)優(yōu) 116
8.7小結(jié) 120
第9章再談監(jiān)督學習方法 121
9.1樸素貝葉斯 122
9.1.1貝葉斯定理 122
9.1.2條件概率 123
9.1.3樸素貝葉斯的運作方式 123
9.1.4多項樸素貝葉斯 124
9.1.5Python中的樸素貝葉斯 124
9.2支持向量機 126
9.2.1SVM的運作方式 127
9.2.2非線性分類 128
9.2.3SVM中的核技巧 129
9.2.4Python中的支持向量機 130
9.3小結(jié) 134
第10章集成學習方法 135
10.1Bagging算法和隨機森林 136
10.2Boosting算法 140
10.3Stacking集成 146
10.4小結(jié) 150
第11章無監(jiān)督學習方法 151
11.1降維 152
11.1.1了解維數(shù)災難 152
11.1.2主成分分析 153
11.1.3Python中的主成分分析 154
11.2聚類 157
11.2.1使用k-均值進行聚類 158
11.2.2Python中的k-均值 158
11.2.3什么是正確的k 161
11.2.4聚類之圖像分割 162
11.2.5使用DBSCAN進行聚類 165
11.3頻繁模式挖掘 168
11.3.1購物籃分析 168
11.3.2Python中的頻繁模式挖掘 169
11.4小結(jié) 172
第Ⅲ部分神經(jīng)網(wǎng)絡和深度學習
第12章神經(jīng)網(wǎng)絡和PyTorch基礎 175
12.1安裝PyTorch 177
12.2 PyTorch的基礎知識 177
12.2.1創(chuàng)建張量 177
12.2.2張量操作 179
12.3感知器 181
12.4人工神經(jīng)網(wǎng)絡 185
12.5小結(jié) 186
第13章前饋神經(jīng)網(wǎng)絡 187
13.1前饋神經(jīng)網(wǎng)絡 188
13.1.1訓練神經(jīng)網(wǎng)絡 189
13.1.2損失函數(shù) 193
13.2使用人工神經(jīng)網(wǎng)絡進行回歸 195
13.3激活函數(shù) 198
13.3.1ReLU 激活函數(shù) 198
13.3.2Sigmoid 激活函數(shù) 199
13.3.3tanh激活函數(shù) 200
13.4多層人工神經(jīng)網(wǎng)絡 200
13.4.1PyTorch中的神經(jīng)網(wǎng)絡（NN）類 206
13.4.2過擬合和Dropout 208
13.5分類手寫數(shù)字 209
13.6小結(jié) 214
第14章卷積神經(jīng)網(wǎng)絡 215
14.1卷積運算 216
14.2CNN的結(jié)構(gòu) 219
14.3在PyTorch中使用卷積神經(jīng)網(wǎng)絡 221
14.4使用CNN進行圖像分類 223
14.5卷積神經(jīng)網(wǎng)絡的深度網(wǎng)絡 233
14.5小結(jié) 234
第15章循環(huán)神經(jīng)網(wǎng)絡 235
15.1循環(huán)單元 236
15.2RNN的類型 238
15.2.1一對一 238
15.2.2一對多 238
15.2.3多對一 238
15.2.4多對多 239
15.3Python中的RNN 239
15.4長短期記憶 240
15.4.1LSTM單元 241
15.4.2時間序列預測 242
15.5門控循環(huán)單元 252
15.6小結(jié) 252
第16章項目實戰(zhàn) 253
16.1數(shù)據(jù)科學生命周期 254
16.2如何提供ML應用 257
16.3通過實踐學習 258
16.3.1定義問題 258
16.3.2數(shù)據(jù) 259
16.3.3準備模型 263
16.3.4序列化模型，以便未來用于預測 268
16.3.5托管模型 270
16.4未來可期 271

你還可能感興趣

我要評論