掌握Python机器学习的有效工具，搞定scikit-learn的必备指南
Key Features
- 本书内容涵盖多种机器学习模型
- 讨论了数据预处理、超参数优化和集成方法等主题。
Book Description
近年来，Python语言成为了广受欢迎的编程语言，而它在机器学习领域也有着卓越的表现。scikit-learn是一个用Python语言编写的机器学习算法库，它可以实现一系列常用的机器学习算法，是一个不可多得的好工具。本书通过14章内容，详细地介绍了一系列机器学习模型和scikit-learn的使用技巧。本书从机器学习的基础理论讲起，涵盖了简单线性回归、K-近邻算法、特征提取、多元线性回归、逻辑回归、朴素贝叶斯、非线性分类、决策树回归、随机森林、感知机、支持向量机、人工神经网络、K-均值算法、主成分分析等重要话题。
本书适合机器学习领域的工程师学习，也适合想要了解scikit-learn的数据科学家阅读。通过阅读本书，读者将有效提升自己在机器学习模型的构建和评估方面的能力，并能够高效地解决机器学习难题。
What you will learn
- 学会构建用于文档分类、图像识别、广告检测等任务的系统
- 学到如何使用scikit-learn类库的API从类别变量、文本和图像中提取特征，如何评估模型的性能
- 如何提升模型的性能建立直觉
- 掌握在实践中运用scikit-learn构建高效模型所需的技能，并能够通过实用的策略完成高级任务。
Who this book is for
程序开发人员、一般的Python用户、机器学习、人工智能领域的读者、普通高校计算机相关专业的学生
Table of Contents
- 机器学习基础
- 简单线性回归
- 用K-近邻算法分类和回归
- 特征提取
- 从简单线性回归到多元线性回归
- 从线性回归到逻辑回归
- 朴素贝叶斯
- 非线性分类和决策树回归
- 集成方法:从决策树到随机森林
- 感知机
- 从感知机到支持向量机
- 从感知机到人工神经网络
- K-均值算法
- 使用主成分分析降维
Loading...
Loading...
Loading...
