Python機器學(xué)習(xí)（原書第3版）

Python機器學(xué)習(xí)（原書第3版）讀書筆記模板01思維導(dǎo)圖讀書筆記作者介紹內(nèi)容摘要目錄分析精彩摘錄目錄0305020406思維導(dǎo)圖第版機器算法實踐機器書范圍小結(jié)模型數(shù)據(jù)第章機器訓(xùn)練線性算法神經(jīng)網(wǎng)絡(luò)性能評估分類器關(guān)鍵字分析思維導(dǎo)圖內(nèi)容摘要內(nèi)容摘要本書自第1版出版以來，備受廣大讀者歡迎。第3版結(jié)合TensorFlow2和scikit-learn的最新版本進行了更新，其范圍進行了擴展，以涵蓋強化學(xué)習(xí)和生成對抗網(wǎng)絡(luò)（GAN）這兩種最先進的機器學(xué)習(xí)技術(shù)。與同類書相比，本書除了介紹如何用Python和基于Python的機器學(xué)習(xí)軟件庫進行實踐外，還討論了機器學(xué)習(xí)概念的必要細節(jié)，同時對機器學(xué)習(xí)算法的工作原理、使用方法以及如何避免掉入常見的陷阱提供了直觀且翔實的解釋，是Python機器學(xué)習(xí)入門必讀之作。書中涵蓋了眾多高效Python庫，包括scikit-learn、Keras和TensorFlow等，系統(tǒng)性地梳理和分析了各種經(jīng)典算法，并通過Python語言以具體代碼示例的方式深入淺出地介紹了各種算法的應(yīng)用，還給出了從情感分析到神經(jīng)網(wǎng)絡(luò)的一些實踐技巧，可幫助讀者快速解決自己和團隊面臨的一些重要問題。本書適用于機器學(xué)習(xí)的初學(xué)者和專業(yè)技術(shù)人員。讀書筆記讀書筆記看到作者名字塞巴斯蒂安欣喜了一下，終于出中文版了，看英文原版時對作者循序漸進的圖表展示印象深刻。目錄分析1.1構(gòu)建能把數(shù)據(jù)轉(zhuǎn)換為知識的智能機器1.2三種不同類型的機器學(xué)習(xí)1.3基本術(shù)語與符號1.4構(gòu)建機器學(xué)習(xí)系統(tǒng)的路線圖第1章賦予計算機從數(shù)據(jù)中學(xué)習(xí)的能力1.6本章小結(jié)1.5將Python用于機器學(xué)習(xí)第1章賦予計算機從數(shù)據(jù)中學(xué)習(xí)的能力2.1人工神經(jīng)元——機器學(xué)習(xí)的早期歷史2.2用Python實現(xiàn)感知器學(xué)習(xí)算法2.3自適應(yīng)線性神經(jīng)元和學(xué)習(xí)收斂2.4本章小結(jié)第2章訓(xùn)練簡單的機器學(xué)習(xí)分類算法3.1選擇分類算法3.2了解scikit-learn的第一步——訓(xùn)練感知器3.3基于邏輯回歸的分類概率建模3.4使用支持向量機最大化分類間隔第3章scikit-learn機器學(xué)習(xí)分類器3.5用核支持向量機求解非線性問題3.6決策樹學(xué)習(xí)3.7k-近鄰——一種惰性學(xué)習(xí)算法3.8本章小結(jié)第3章scikit-learn機器學(xué)習(xí)分類器4.1處理缺失數(shù)據(jù)4.3把數(shù)據(jù)集劃分為獨立的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集4.2處理類別數(shù)據(jù)第4章構(gòu)建良好的訓(xùn)練數(shù)據(jù)集——數(shù)據(jù)預(yù)處理4.4保持相同的特征縮放4.5選擇有意義的特征4.6用隨機森林評估特征的重要性4.7本章小結(jié)第4章構(gòu)建良好的訓(xùn)練數(shù)據(jù)集——數(shù)據(jù)預(yù)處理5.1用主成分分析實現(xiàn)無監(jiān)督降維5.2基于線性判別分析的監(jiān)督數(shù)據(jù)壓縮5.3非線性映射的核主成分分析5.4本章小結(jié)第5章通過降維壓縮數(shù)據(jù)6.1用流水線方法簡化工作流6.2使用k折交叉驗證評估模型性能6.3用學(xué)習(xí)和驗證曲線調(diào)試算法6.4通過網(wǎng)格搜索調(diào)優(yōu)機器學(xué)習(xí)模型第6章模型評估和超參數(shù)調(diào)優(yōu)的最佳實踐6.6本章小結(jié)6.5了解不同的性能評估指標第6章模型評估和超參數(shù)調(diào)優(yōu)的最佳實踐7.1集成學(xué)習(xí)7.2通過多數(shù)票機制組合分類器7.3bagging——基于bootstrap樣本構(gòu)建集成分類器7.4通過自適應(yīng)boosting提高弱學(xué)習(xí)機的性能7.5本章小結(jié)12345第7章組合不同模型的集成學(xué)習(xí)8.1為文本處理預(yù)備好IMDb電影評論數(shù)據(jù)8.2詞袋模型介紹8.3訓(xùn)練用于文檔分類的邏輯回歸模型8.4處理更大的數(shù)據(jù)集——在線算法和核外學(xué)習(xí)第8章用機器學(xué)習(xí)進行情感分析8.6本章小結(jié)8.5用潛在狄利克雷分配實現(xiàn)主題建模第8章用機器學(xué)習(xí)進行情感分析9.1序列化擬合的scikit-learn估計器9.2搭建SQLite數(shù)據(jù)庫存儲數(shù)據(jù)9.3用Flask開發(fā)Web應(yīng)用9.4將電影評論分類器轉(zhuǎn)換為Web應(yīng)用第9章將機器學(xué)習(xí)模型嵌入Web應(yīng)用9.6本章小結(jié)9.5在公共服務(wù)器上部署Web應(yīng)用第9章將機器學(xué)習(xí)模型嵌入Web應(yīng)用10.1線性回歸簡介10.2探索住房數(shù)據(jù)集10.3普通最小二乘線性回歸模型的實現(xiàn)10.4利用RANSAC擬合魯棒回歸模型第10章用回歸分析預(yù)測連續(xù)目標變量10.5評估線性回歸模型的性能10.6用正則化方法進行回歸10.7將線性回歸模型轉(zhuǎn)換為曲線——多項式回歸10.8用隨機森林處理非線性關(guān)系10.9本章小結(jié)12345第10章用回歸分析預(yù)測連續(xù)目標變量11.1用k-均值進行相似性分組11.2把集群組織成層次樹11.3通過DBSCAN定位高密度區(qū)域11.4本章小結(jié)第11章用聚類分析處理無標簽數(shù)據(jù)12.1用人工神經(jīng)網(wǎng)絡(luò)建立復(fù)雜函數(shù)模型12.2識別手寫數(shù)字12.3訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)12.4關(guān)于神經(jīng)網(wǎng)絡(luò)的收斂性第12章從零開始實現(xiàn)多層人工神經(jīng)網(wǎng)絡(luò)12.6本章小結(jié)12.5關(guān)于神經(jīng)網(wǎng)絡(luò)實現(xiàn)的最后幾句話第12章從零開始實現(xiàn)多層人工神經(jīng)網(wǎng)絡(luò)13.1TensorFlow與模型訓(xùn)練的性能13.2學(xué)習(xí)TensorFlow的第一步13.3用TensorFlow的DatasetAPI構(gòu)建輸入流水線13.4在TensorFlow中構(gòu)建神經(jīng)網(wǎng)絡(luò)模型第13章用TensorFlow并行訓(xùn)練神經(jīng)網(wǎng)絡(luò)13.6本章小結(jié)13.5選擇多層神經(jīng)網(wǎng)絡(luò)的激活函數(shù)第13章用TensorFlow并行訓(xùn)練神經(jīng)網(wǎng)絡(luò)14.1TensorFlow的主要功能14.2TensorFlow的計算圖：遷移到TensorFlowv214.3用于存儲和更新模型參數(shù)的TensorFlow變量對象14.4通過自動微分和GradientTape計算梯度14.5通過KerasAPI簡化通用體系結(jié)構(gòu)的實現(xiàn)12345第14章深入探討TensorFlow的工作原理14.7本章小結(jié)14.6TensorFlow估計器第14章深入探討TensorFlow的工作原理15.1構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)的模塊15.3用TensorFlow實現(xiàn)深度卷積神經(jīng)網(wǎng)絡(luò)15.2構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)第15章用深度卷積神經(jīng)網(wǎng)絡(luò)為圖像分類15.5本章小結(jié)15.4用卷積神經(jīng)網(wǎng)絡(luò)根據(jù)人臉圖像進行性別分類第15章用深度卷積神經(jīng)網(wǎng)絡(luò)為圖像分類16.1序列數(shù)據(jù)介紹16.2循環(huán)神經(jīng)網(wǎng)絡(luò)序列建模16.3用TensorFlow實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)序列建模16.4用轉(zhuǎn)換器模型理解語言16.5本章小結(jié)12345第16章用循環(huán)神經(jīng)網(wǎng)絡(luò)為序列數(shù)據(jù)建模17.1生成對抗網(wǎng)絡(luò)介紹17.3用卷積和WassersteinGAN提高合成圖像的質(zhì)量17.2從零開始實現(xiàn)GAN第17章用生成對抗網(wǎng)絡(luò)合成新數(shù)據(jù)17.5本章小結(jié)17.4其他的GAN應(yīng)用第17章用生成對抗網(wǎng)絡(luò)合成新數(shù)據(jù)18.1概述——從經(jīng)驗中學(xué)習(xí)18.2RL的理論基礎(chǔ)18.3強化學(xué)習(xí)算法18.4實現(xiàn)第一個