《Scikit-Learn Cookbook 第二版》PDF下载
共 1881字,需浏览 4分钟
· 2022-12-22
由于 Python 的简单性和灵活性,Python 正迅速成为分析师和数据科学家的首选语言,并且在 Python 数据空间中,scikit-learn 是机器学习的明确选择。本书包括机器学习中常见和不常见问题的演练和解决方案,以及如何利用 scikit-learn 有效地执行各种机器学习任务。
374页《Scikit-learn Cookbook|使用 Scikit-learn 在 Python 中进行机器学习的80多个Cookbook》高清PDF 已经打包好,获取步骤如下:
▲点击关注回复 SLCB
![](https://filescdn.proginn.com/01442c2b1346f6c47099e69cd2128090/40dd331f3ee2e1c56070b04e4a953643.webp)
本书主要内容
使用 scikit-learn 在几分钟内构建预测模型 理解监督学习的两种类型分类和回归之间的区别和关系。 基于距离度量度量的聚类(一种无监督学习) 使用最近邻查找具有相似特征的点。 使用自动化和交叉验证来寻找最佳模型,并专注于数据产品 在众多算法中选择最好的算法,或者将它们组合在一起使用。 使用 sklearn 的简单语法创建自己的估计器 探索 scikit-learn 中可用的前馈神经网络
本书第二版首先向你介绍评估数据统计属性的方法,并为机器学习建模生成合成数据。随着章节的深入,你将遇到一些CookBook,而这些CookBook将教你实施数据预处理、线性回归、逻辑回归、K-NN、朴素贝叶斯、分类、决策树、集成等技术。此外,你将学习使用多类分类、交叉验证、模型评估来优化你的模型,并深入了解使用 scikit-learn 实施深度学习。除了涵盖模型部分的增强功能、API 和分类器、回归器和估计器等新功能外,本书还包含评估和微调模型性能的秘诀。
此外,本书提供完整的python代码,链接在书中列出!
目录
第一章,高性能机器学习 - NumPy,介绍了您的第一个使用支持向量机的机器学习算法。我们区分分类(什么类型?)和回归(多少?)。我们根据尚未看到的数据预测结果。 第二章,预模型工作流和预处理,揭示了一个实际的工业环境中大量的数据处理和预处理。要进行机器学习,你需要好的数据,本章将告诉你如何获取这些数据,并将其转化为便于机器学习的良好形式。 第三章,降维,讨论了减少特征的数量以简化机器学习和允许更好地使用计算资源。 第四章,基于scikit-learn的线性模型,从机器学习和人工智能的角度讲述了线性回归这一最古老的预测模型的故事。你可以用脊回归处理相关特征,用LASSO和交叉验证消除相关特征,或者用稳健的基于中值的回归消除异常值。 第五章,线性模型-逻辑回归,用逻辑回归检验了癌症和糖尿病的重要医疗保健数据集。该模型突出了回归和分类这两种监督学习的异同。 第六章,使用距离度量建立模型,在学校几何中熟悉的欧氏空间中放置点,因为距离是相似度的同义词。两点有多近(相似)或多远?我们能把他们归到一起吗?在欧几里得的帮助下,我们可以用k-means聚类方法实现无监督学习,并将点放在我们事先不知道的类别中。 第七章,交叉验证和模型后工作流,介绍了如何选择与交叉验证工作良好的模型:迭代训练和预测测试。我们还使用pickle模块节省了计算工作。 第八章,支持向量机,详细介绍了支持向量机这一功能强大且易于理解的算法。 第九章,树算法和集成算法,介绍了基于树的决策的算法:决策树。本章介绍元学习算法,以某种方式投票以提高整体预测精度的各种算法。 第十章,基于scikit-learn的文本和多类分类,回顾了使用简单的词袋模型进行自然语言处理的基础。通常,我们用三个或更多的类别来看待分类。 第十一章,神经网络,介绍了神经网络和感知器,神经网络的组成部分。每一层都确定流程中的一个步骤,从而得到预期的结果。由于我们没有专门规划任何步骤,所以我们冒险进入人工智能领域。保存神经网络以便以后可以继续训练它,或者加载它并将其作为堆叠集合的一部分使用。 第十二章,创建一个简单的估计器,帮助创建自己的scikit-learn估计器,可以为scikit-learn社区做出贡献,并与scikit-learn一起参与数据科学的发展。
PDF 下载方方法
374页《Scikit-learn Cookbook|使用 Scikit-learn 在 Python 中进行机器学习的80多个Cookbook》高清PDF 已经打包好,获取步骤如下:
▲点击关注回复 SLCB