Python机器学习算法与应用

6.7 本章小结

6.6 PaddlePaddle平台情感分析

6.5 PaddlePaddle平台个性化推荐

6.4 PaddlePaddle平台词向量

6.3 PaddlePaddle平台图像分类

6.2 PaddlePaddle平台手写体数字识别

6.1 PaddlePaddle平台安装

第6章 PaddlePaddle平台机器学习实战

5.3 本章小结

5.2.2 自行车租赁数据分析与可视化案例

5.2.1 Kaggle机器学习概况

5.2 Kaggle机器学习案例

5.1.2 Kaggle信用卡欺诈检测实例

5.1.1 Kaggle信用卡欺诈检测准备

5.1 Kaggle信用卡欺诈检测

第5章 Kaggle平台机器学习实战

4.22 本章小结

4.21 Seaborn

4.20 Requests

4.19 Pattern

4.18 Deap

4.17 Annoy

4.16 PyMVPA

4.15 Fuel

4.14 PyBrain

4.13 PyMC与PyMC3

4.12 Orange3

4.11 Nilearn

4.10 Neon

4.9 NuPIC

4.8 Chainer

4.7 Shogun

4.6 Pylearn2

4.5.4 文档相似度的计算

4.5.3 主题向量的变换

4.5.2 训练语料的预处理

4.5.1 Gensim特性与核心概念

4.5 Gensim

4.4.2 网络模型

4.4.1 Caffe框架与运行环境

4.4 Caffe

4.3 Theano

4.2.3 TensorFlow的基本使用

4.2.2 TensorFlow的下载与安装

4.2.1 TensorFlow简介

4.2 TensorFlow

4.1.4 Boston房价数据集的示例

4.1.3 鸢尾花数据集举例

4.1.2 SKlearn的强大数据库

4.1.1 SKlearn包含的机器学习方式

4.1 SKlearn

第4章 Python机器学习项目

3.11 本章小结

3.10 KNN算法

3.9 人工神经网络

3.8 LDA主题模型

3.7 隐马尔可夫模型

3.6 贝叶斯算法

3.5 EM算法

3.4 聚类算法

3.3.3 核函数

3.3.2 SVM的非线性映射

3.3.1 最优分类面和广义最优分类面

3.3 SVM

3.2 决策树、随机森林

3.1.3 回归分析

3.1.2 特征选择

3.1.1 数据清洗

3.1 数据清洗和特征选择

第3章 机器学习分类算法

2.7 本章小结

2.6 数据可视化

2.5 数据动态性

2.4.5 主成分分析的计算

2.4.4 证明主成分的方差是依次递减

2.4.3 主成分的导出

2.4.2 主成分分析的几何解释

2.4.1 主成分分析的原理及模型

2.4 数据主成分分析

2.3 数据聚类性

2.2.2 相关分析

2.2.1 相关关系

2.2 数据相关性

2.1.3 数据分布偏态与峰度的测定

2.1.2 数据分布离散程度的测定

2.1.1 数据分布集中趋势的测定

2.1 数据分布性

第2章 机器学习数据特征

1.5 本章小结

1.4 机器学习的研究领域

1.3 机器学习的分类

1.2 机器学习的发展

1.1 机器学习定义

第1章 机器学习概述

致谢

源码下载

本书读者

本书内容

前言

内容简介

版权页

封面

封面

版权页

内容简介

前言

本书内容

本书读者

源码下载

致谢

第1章 机器学习概述

1.1 机器学习定义

1.2 机器学习的发展

1.3 机器学习的分类

1.4 机器学习的研究领域

1.5 本章小结

第2章 机器学习数据特征

2.1 数据分布性

2.1.1 数据分布集中趋势的测定

2.1.2 数据分布离散程度的测定

2.1.3 数据分布偏态与峰度的测定

2.2 数据相关性

2.2.1 相关关系

2.2.2 相关分析

2.3 数据聚类性

2.4 数据主成分分析

2.4.1 主成分分析的原理及模型

2.4.2 主成分分析的几何解释

2.4.3 主成分的导出

2.4.4 证明主成分的方差是依次递减

2.4.5 主成分分析的计算

2.5 数据动态性

2.6 数据可视化

2.7 本章小结

第3章 机器学习分类算法

3.1 数据清洗和特征选择

3.1.1 数据清洗

3.1.2 特征选择

3.1.3 回归分析

3.2 决策树、随机森林

3.3 SVM

3.3.1 最优分类面和广义最优分类面

3.3.2 SVM的非线性映射

3.3.3 核函数

3.4 聚类算法

3.5 EM算法

3.6 贝叶斯算法

3.7 隐马尔可夫模型

3.8 LDA主题模型

3.9 人工神经网络

3.10 KNN算法

3.11 本章小结

第4章 Python机器学习项目

4.1 SKlearn

4.1.1 SKlearn包含的机器学习方式

4.1.2 SKlearn的强大数据库

4.1.3 鸢尾花数据集举例

4.1.4 Boston房价数据集的示例

4.2 TensorFlow

4.2.1 TensorFlow简介

4.2.2 TensorFlow的下载与安装

4.2.3 TensorFlow的基本使用

4.3 Theano

4.4 Caffe

4.4.1 Caffe框架与运行环境

4.4.2 网络模型

4.5 Gensim

4.5.1 Gensim特性与核心概念

4.5.2 训练语料的预处理

4.5.3 主题向量的变换

4.5.4 文档相似度的计算

4.6 Pylearn2

4.7 Shogun

4.8 Chainer

4.9 NuPIC

4.10 Neon

4.11 Nilearn

4.12 Orange3

4.13 PyMC与PyMC3

4.14 PyBrain

4.15 Fuel

4.16 PyMVPA

4.17 Annoy

4.18 Deap

4.19 Pattern

4.20 Requests

4.21 Seaborn

4.22 本章小结

第5章 Kaggle平台机器学习实战

5.1 Kaggle信用卡欺诈检测

5.1.1 Kaggle信用卡欺诈检测准备

5.1.2 Kaggle信用卡欺诈检测实例

5.2 Kaggle机器学习案例

5.2.1 Kaggle机器学习概况

5.2.2 自行车租赁数据分析与可视化案例

5.3 本章小结

第6章 PaddlePaddle平台机器学习实战

6.1 PaddlePaddle平台安装

6.2 PaddlePaddle平台手写体数字识别

6.3 PaddlePaddle平台图像分类

6.4 PaddlePaddle平台词向量

6.5 PaddlePaddle平台个性化推荐

6.6 PaddlePaddle平台情感分析

6.7 本章小结