书籍详情
Python机器学习实践指南
作者：Alexander，T.，Combs 著；黄申 译
出版社：人民邮电出版社
出版时间：2017-04-01
ISBN：9787115449061
定价：¥69.00
购买这本书可以去
内容简介
机器学习是近年来渐趋热门的一个领域，同时Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Python 语言两个热门的领域，通过利用两种核心的机器学习算法来将Python 语言在数据分析方面的优势发挥到**。全书共有10 章。第1 章讲解了Python 机器学习的生态系统，剩余9 章介绍了众多与机器学习相关的算法，包括各类分类算法、数据可视化技术、推荐引擎等，主要包括机器学习在公寓、机票、IPO 市场、新闻源、内容推广、股票市场、图像、聊天机器人和推荐引擎等方面的应用。本书适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。
作者简介
Alexander T. Combs 是一位经验丰富的数据科学家、策略师和开发人员。他有金融数据抽取、自然语言处理和生成，以及定量和统计建模的背景。他目前是纽约沉浸式数据科学项目的一名全职zi深讲师。
目录
目 录
第1章Python机器学习的生态系统 1
1．1 数据科学/机器学习的工作
流程 2
1．1．1 获取 2
1．1．2 检查和探索 2
1．1．3 清理和准备 3
1．1．4 建模 3
1．1．5 评估 3
1．1．6 部署 3
1．2 Python库和功能 3
1．2．1 获取 4
1．2．2 检查 4
1．2．3 准备 20
1．2．4 建模和评估 26
1．2．5 部署 34
1．3 设置机器学习的环境 34
1．4 小结 34
第2章构建应用程序，发现低价的
公寓 35
2．1 获取公寓房源数据 36
使用import．io抓取房源
数据 36
2．2 检查和准备数据 38
2．2．1 分析数据 46
2．2．2 可视化数据 50
2．3 对数据建模 51
2．3．1 预测 54
2．3．2 扩展模型 57
2．4 小结 57
第3章构建应用程序，发现低价的
机票 58
3．1 获取机票价格数据 59
3．2 使用高级的网络爬虫技术
检索票价数据 60
3．3 解析DOM以提取定价数据 62
通过聚类技术识别
异常的票价 66
3．4 使用IFTTT发送实时提醒 75
3．5 整合在一起 78
3．6 小结 82
第4章使用逻辑回归预测IPO市场 83
4．1 IPO市场 84
4．1．1 什么是IPO 84
4．1．2 近期IPO市场表现 84
4．1．3 基本的IPO策略 93
4．2 特征工程 94
4．3 二元分类 103
4．4 特征的重要性 108
4．5 小结 111
第5章创建自定义的新闻源 112
5．1 使用Pocket应用程序，创建一个监督训练的集合 112
5．1．1 安装Pocket的Chrome
扩展程序 113
5．1．2 使用Pocket API来检索
故事 114
5．2 使用embed．ly API下载故事的
内容 119
5．3 自然语言处理基础 120
5．4 支持向量机 123
5．5 IFTTT与文章源、Google表单
和电子邮件的集成 125
通过IFTTT设置新闻源
和Google表单 125
5．6 设置你的每日个性化
新闻简报 133
5．7 小结 137
第6章预测你的内容是否会广为
流传 138
6．1 关于病毒性，研究告诉我们了
些什么 139
6．2 获取分享的数量和内容 140
6．3 探索传播性的特征 149
6．3．1 探索图像数据 149
6．3．2 探索标题 152
6．3．3 探索故事的内容 156
6．4 构建内容评分的预测模型 157
6．5 小结 162
第7章使用机器学习预测股票市场 163
7．1 市场分析的类型 164
7．2 关于股票市场，研究告诉
我们些什么 165
7．3 如何开发一个交易策略 166
7．3．1 延长我们的分析
周期 172
7．3．2 使用支持向量回归，
构建我们的模型 175
7．3．3 建模与动态时间扭曲 182
7．4 小结 186
第8章建立图像相似度的引擎 187
8．1 图像的机器学习 188
8．2 处理图像 189
8．3 查找相似的图像 191
8．4 了解深度学习 195
8．5 构建图像相似度的引擎 198
8．6 小结 206
第9章打造聊天机器人 207
9．1 图灵测试 207
9．2聊天机器人的历史 208
9．3 聊天机器人的设计 212
9．4 打造一个聊天机器人 217
9．5 小结 227
第10章构建推荐引擎 228
10．1 协同过滤 229
10．1．1 基于用户的过滤 230
10．1．2 基于项目的过滤 233
10．2 基于内容的过滤 236
10．3 混合系统 237
10．4 构建推荐引擎 238
10．5 小结 251
第1章Python机器学习的生态系统 1
1．1 数据科学/机器学习的工作
流程 2
1．1．1 获取 2
1．1．2 检查和探索 2
1．1．3 清理和准备 3
1．1．4 建模 3
1．1．5 评估 3
1．1．6 部署 3
1．2 Python库和功能 3
1．2．1 获取 4
1．2．2 检查 4
1．2．3 准备 20
1．2．4 建模和评估 26
1．2．5 部署 34
1．3 设置机器学习的环境 34
1．4 小结 34
第2章构建应用程序，发现低价的
公寓 35
2．1 获取公寓房源数据 36
使用import．io抓取房源
数据 36
2．2 检查和准备数据 38
2．2．1 分析数据 46
2．2．2 可视化数据 50
2．3 对数据建模 51
2．3．1 预测 54
2．3．2 扩展模型 57
2．4 小结 57
第3章构建应用程序，发现低价的
机票 58
3．1 获取机票价格数据 59
3．2 使用高级的网络爬虫技术
检索票价数据 60
3．3 解析DOM以提取定价数据 62
通过聚类技术识别
异常的票价 66
3．4 使用IFTTT发送实时提醒 75
3．5 整合在一起 78
3．6 小结 82
第4章使用逻辑回归预测IPO市场 83
4．1 IPO市场 84
4．1．1 什么是IPO 84
4．1．2 近期IPO市场表现 84
4．1．3 基本的IPO策略 93
4．2 特征工程 94
4．3 二元分类 103
4．4 特征的重要性 108
4．5 小结 111
第5章创建自定义的新闻源 112
5．1 使用Pocket应用程序，创建一个监督训练的集合 112
5．1．1 安装Pocket的Chrome
扩展程序 113
5．1．2 使用Pocket API来检索
故事 114
5．2 使用embed．ly API下载故事的
内容 119
5．3 自然语言处理基础 120
5．4 支持向量机 123
5．5 IFTTT与文章源、Google表单
和电子邮件的集成 125
通过IFTTT设置新闻源
和Google表单 125
5．6 设置你的每日个性化
新闻简报 133
5．7 小结 137
第6章预测你的内容是否会广为
流传 138
6．1 关于病毒性，研究告诉我们了
些什么 139
6．2 获取分享的数量和内容 140
6．3 探索传播性的特征 149
6．3．1 探索图像数据 149
6．3．2 探索标题 152
6．3．3 探索故事的内容 156
6．4 构建内容评分的预测模型 157
6．5 小结 162
第7章使用机器学习预测股票市场 163
7．1 市场分析的类型 164
7．2 关于股票市场，研究告诉
我们些什么 165
7．3 如何开发一个交易策略 166
7．3．1 延长我们的分析
周期 172
7．3．2 使用支持向量回归，
构建我们的模型 175
7．3．3 建模与动态时间扭曲 182
7．4 小结 186
第8章建立图像相似度的引擎 187
8．1 图像的机器学习 188
8．2 处理图像 189
8．3 查找相似的图像 191
8．4 了解深度学习 195
8．5 构建图像相似度的引擎 198
8．6 小结 206
第9章打造聊天机器人 207
9．1 图灵测试 207
9．2聊天机器人的历史 208
9．3 聊天机器人的设计 212
9．4 打造一个聊天机器人 217
9．5 小结 227
第10章构建推荐引擎 228
10．1 协同过滤 229
10．1．1 基于用户的过滤 230
10．1．2 基于项目的过滤 233
10．2 基于内容的过滤 236
10．3 混合系统 237
10．4 构建推荐引擎 238
10．5 小结 251
猜您喜欢
