機器學習入門:Python語言實現
內容描述
本書旨在為讀者提供與機器學習有關Python3的基本編程概念。
前4章快速介紹了Python 3、NumPy和Pandas。
第5章介紹了機器學習的基本概念。
第6章主要介紹機器學習分類器,例如邏輯回歸、kNN、決策樹、隨機森林和SVM。
第7章介紹了自然語言處理和強化學習。
本書還提供了基於Keras的代碼示例作為理論討論的補充。
此外還為正則表達式、Keras和TensorFlow 2提供了單獨的附錄。
目錄大綱
譯者序
前言
第1章 Python 3簡介 1
11 Python相關工具與安裝 1
111 Python相關工具 1
112 安裝Python 3
113 設置PATH環境變量(僅Windows) 3
12 Python編程基礎 3
121 Python交互式解釋器 3
122 Python基礎語法 4
123 以模塊形式保存代碼 6
124 Python中的一些標準模塊 7
125 help(?)和dir(?)函數 7
126 編譯時和運行時的代碼檢查 8
13 Python中的簡單數據類型 9
131 數字 9
132 字符串 12
133 處理日期 19
14 Python中的異常處理 21
141 處理用戶輸入 22
142 命令行參數 24
15 小結 25
第2章 條件邏輯、循環和函數 26
21 Python中的條件邏輯 26
211 Python的保留關鍵字 27
212 Python運算符的優先級 28
213 比較運算符和布爾運算符 28
22 Python中的變量和參數 29
221 局部變量和全局變量 29
222 變量的作用域 29
223 引用傳遞和值傳遞 31
224 實參和形參 31
23 在Python中使用循環 32
231 Python中的for循環 32
232 Python中的while循環 39
24 Python中的用戶自定義函數 41
241 在函數中設定默認值 42
242 具有可變參數的函數 42
243 lambda表達式 43
25 遞歸 44
251 計算階乘值 44
252 計算斐波那契數 45
253 計算兩個數的最大公約數 45
254 計算兩個數的最小公倍數 46
26 小結 47
第3章 Python數據類型 48
31 列表 48
311 列表和基本操作 48
312 列表中的表達式 53
313 連接字符串列表 53
314 Python中的range(?)函數 54
315 數組和append(?)函數 55
316 使用列表和split(?)函數 56
317 對列表中的單詞計數 56
318 遍歷成對的列表 57
319 其他與列表相關的函數 57
3110 棧和隊列 59
3111 使用向量 60
3112 使用矩陣 61
3113 使用NumPy庫處理矩陣 61
32 元組(不可變列表) 62
33 集合 63
34 字典 64
341 創建字典及字典中的基本操作 65
342 字典的相關函數和方法 67
343 字典的格式 67
344 有序字典 67
35 Python中的其他數據類型 68
351 Python中的其他序列類型 68
352 Python中的可變類型和不可變類型 69
353 type(?)函數 70
36 小結 70
第4章 NumPy和Pandas介紹 71
41 NumPy 71
411 NumPy簡介 71
412 NumPy數組 72
413 使用NumPy數組的示例 73
42 子範圍 77
421 使用向量的“-1”子範圍 77
422 使用數組的“-1”子範圍 77
43 NumPy中其他有用的方法 78
431 數組和向量操作 79
432 NumPy和點積 79
433 NumPy和向量的“範數” 80
434 NumPy和向量的乘積 81
435 NumPy和reshape(?)方法 82
436 計算均值和標準差 83
44 Pandas 84
45 Pandas DataFrame的各種操作 89
451 合併Pandas DataFrame 89
452 使用Pandas DataFrame進行數據操作 90
453 Pandas DataFrame和CSV文件 93
454 Pandas DataFrame和Excel電子表格 95
455 選擇、添加和刪除DataFrame中的列 96
456 Pandas DataFrame和散點圖 97
457 Pandas DataFrame和簡單統計 98
458 Pandas中簡單有用的命令 98
46 小結 100
第5章 機器學習 101
51 什麼是機器學習 101
511 機器學習算法的類型 103
512 特徵工程、特徵選擇和特徵提取 105
513 降維 106
52 使用數據集 107
521 訓練數據與測試數據 108
522 什麼是交叉驗證 108
523 正則化 108
524 偏差-方差的權衡 109
525 模型性能的衡量指標 109
53 線性回歸 111
531 線性回歸與曲線擬合 112
532 何時的解是準確值 112
533 什麼是多元分析 112
534 其他類型的回歸 113
535 平面中對直線的處理(選讀) 113
54 求解線性回歸問題的示例 116
541 使用NumPy和Matplotlib繪製散點圖 116
542 MSE 119
543 Keras的線性回歸 123
55 小結 126
第6章 機器學習中的分類器 127
61 分類器 127
611 什麼是分類 127
612 線性分類器 129
613 kNN 129
614 決策樹 130
615 隨機森林 133
616 支持向量機 134
617 貝葉斯分類器 134
618 訓練分類器 136
619 評估分類器 137
62 激活函數 137
621 什麼是激活函數 137
622 常見的激活函數 139
623 ReLU和ELU激活函數 140
624 sigmoid、softmax和tanh的相似之處 141
625 sigmoid、softmax和hardmax的區
作者介紹
Oswald Campesato
專門研究深度學習、Java、Android和TensorFlow。
他是25本書的作者/合著者,其中包括TensorFlow Pocket Primer、
Artificial Intelligence, Machine Learning, and Deep Learning和Python Pocket Primer。