安居多伦多
  • 多市生活
    • 多市生活
    • 加国税务
    • 旅游度假
    • 生活安全
    • 行车安全
    • 窍门集锦
  • 多市书苑
    • 热门
    • 小说
    • 教育
  • 家居信息
    • 家居信息
    • 房屋保养
    • 房屋贷款
    • 房屋租赁
    • 房屋建筑
    • 房前屋后
    • 家居风水
  • 健康保健
    • 健康保健
    • 饮食起居
    • 食品安全
    • 健身锻炼
  • 书苑账户
    • 书苑登入
    • 书苑注册
    • 忘记书苑密码
    • 书苑账户信息
    • 关于我们
    • 联系我们
    • 隐私政策
多伦多书苑
在线书籍:随时阅读,随身听书。
所有书籍 | 人文 | 人物 | 人生哲理 | 健康 | 儿童文学 | 医学 | 历史 | 古典文学 | 哲学宗教 | 商业 | 外国文学 | 寓言童话 | 小说 | 故事 | 教育励志 | 管理
  1. 安居多伦多
  2. 网上书苑
  3. IT
  4. Python
  5. Python机器学习——预测分析核心算法

Python机器学习——预测分析核心算法

2022-02-18 0人点赞 0条评论
点赞
x
语速55: 80
进度0:

本书概况

Python机器学习——预测分析核心算法

本书简介

在学习和研究机器学习的时候,面临令人眼花缭乱的算法,机器学习新手往往会不知所措。本书从算法和 Python 语言实现的角度,帮助读者认识机器学习。

本书专注于两类核心的“算法族”,即惩罚线性回归和集成方法,并通过代码实例来展示所讨论的算法的使用原则。全书共分为 7 章,详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。

本书主要针对想提高机器学习技能的 Python 开发人员,帮助他们解决某一特定的项目或是提升相关的技能。

致我的孩子—Scott、Seth 和 Cayley,他们那如花的生命带给我世界上最美妙的时光。

致我亲密的朋友—David 和 Ron,他们给我带来了无私慷慨、坚定不移的友谊。

致我在加州山景城黑客道场的朋友和同事,他们给我带来了技术挑战以及机敏的应答。

致我的攀岩伙伴。正如一个伙伴凯瑟琳所说通过攀岩可以交上最好的朋友,因为“他们见证过因恐惧而僵硬的面庞,见证过相互鼓励搀扶,见证过攀登成功后的喜悦”。

作者

Michael Bowles,拥有机械工程学士和硕士学位、仪器仪表博士学位以及 MBA 学位。他在硅谷黑客道场教授机器学习,提供机器学习项目咨询,同时参与了多家创业公司,涉及的领域包括生物信息学、金融高频交易等。他在麻省理工学院获得助理教授教职后,创建并运营了两家硅谷创业公司,这两家公司都已成功上市。他在黑客道场的课程往往听者云集并且好评颇多。他的履历涉及学术界、工业界以及商业界。他目前在一家初创公司工作,其中机器学习技术至关重要。他是多个管理团队的成员、咨询师以及顾问。他也曾经在加州山景城的黑客道场、创业公司孵化器和办公场所教授机器学习课程。

他出生于俄克拉荷马州并在那里获得学士和硕士学位。在东南亚待了一段时间后,他前往剑桥攻读博士学位,毕业后任职于 MIT 的 Charles Stark Draper 实验室。之后他离开波士顿前往南加州的休斯飞机公司开发通信卫星。在 UCLA 获得 MBA 学位后,他前往旧金山的湾区工作。作为创始人以及 CEO,他目前经营两家公司,这两家公司都已获风险投资。

他目前仍然积极参与技术以及创业相关的工作。近期项目包括使用机器学习技术进行自动交易,基于基因信息进行生物预测,使用自然语言处理技术进行网站优化,利用人口统计学及实验室数据预测医疗效果,在机器学习和大数据相关领域的公司里尽心尽责。可以通过 www.mbowles.com 联系到他。

译者

沙嬴,李鹏

目录

✦ 前言
第 1 章 关于预测的两类核心算法
✦ 1.1 为什么这两类算法如此有用
✦ 1.2 什么是惩罚回归方法
✦ 1.3 什么是集成方法
✦ 1.4 算法的选择
✦ 1.5 构建预测模型的流程
✦ 1.6 各章内容及其依赖关系
✦ 小结
第 2 章 通过理解数据来了解问题
✦ 2.1 “解剖”一个新问题
✦ 2.2 分类问题:用声纳发现未爆炸的水雷
✦ 2.3 对“岩石 vs. 水雷”数据集属性的可视化展示
✦ 2.4 基于因素变量的实数值预测:鲍鱼的年龄
✦ 2.5 用实数值属性预测实数值目标:评估红酒口感
✦ 2.6 多类别分类问题:它属于哪种玻璃
✦ 小结
第 3 章 预测模型的构建:平衡性能、复杂性以及大数据
✦ 3.1 基本问题:理解函数逼近
✦ 3.2 影响算法选择及性能的因素——复杂度以及数据
✦ 3.3 度量预测模型性能
✦ 3.4 模型与数据的均衡
✦ 小结
第 4 章 惩罚线性回归模型
✦ 4.1 为什么惩罚线性回归方法如此有效
✦ 4.2 惩罚线性回归:对线性回归进行正则化以获得最优性能
✦ 4.3 求解惩罚线性回归问题
✦ 4.4 输入为数值型数据的线性回归方法的扩展
✦ 小结
第 5 章 使用惩罚线性方法来构建预测模型
✦ 5.1 惩罚线性回归的 Python 包
✦ 5.2 多变量回归:预测红酒口感
✦ 5.3 二分类:使用惩罚线性回归来检测未爆炸的水雷
✦ 5.4 多类别分类 - 分类犯罪现场的玻璃样本
✦ 小结
第 6 章 集成方法
✦ 6.1 二元决策树
✦ 6.2 自举集成:Bagging 算法
✦ 6.3 梯度提升法(Gradient Boosting)
✦ 6.4 随机森林
✦ 小结
第 7 章 用 Python 构建集成模型
✦ 7.1 用 Python 集成方法工具包解决回归问题
✦ 7.2 用 Bagging 来预测红酒口感
✦ 7.3 Python 集成方法引入非数值属性
✦ 7.4 用 Python 集成方法解决二分类问题
✦ 7.5 用 Python 集成方法解决多类别分类问题
✦ 7.6 算法比较
✦ 小结
欢迎来到异步社区!

类似书籍

Python机器学习手册:从数据预处理到深度学习
Python机器学习手册:从数据预处理到深度学习
Python机器学习实践指南
Python机器学习实践指南
机器学习实战
机器学习实战
Author:

相关

标签: 暂无
最后更新:2022-02-18
< 上一篇
下一篇 >

本书评论

取消回复
Chinese (Simplified) Chinese (Simplified) Chinese (Traditional) Chinese (Traditional) English English French French German German Japanese Japanese Korean Korean Russian Russian

©2021 安居多伦多 - 版权所有

本站由 好事来 Hostlike.com 提供技术支持。