Python機器學習實戰(zhàn)：真實智能案例實踐指南

目錄
原書序言
原書前言
譯者簡介

第1部分　理解機器學習
第1章　機器學習基礎 // 2
11　機器學習的需求 // 3
12　理解機器學習 // 6
13　計算機科學 // 12
14　數(shù)據(jù)科學 // 14
15　數(shù)學 // 15
16　統(tǒng)計學 // 20
17　數(shù)據(jù)挖掘 // 22
18　人工智能 // 22
19　自然語言處理 // 23
110　深度學習 // 24
111　機器學習方法 // 29
112　監(jiān)督學習 // 30
113　無監(jiān)督學習 // 33
114　半監(jiān)督學習 // 36
115　強化學習 // 37
116　批量學習 // 37
117　在線學習 // 38
118　基于實例的學習 // 38
119　基于模型的學習 // 39
120　CRISP-DM處理模型 // 39
121　構建機器智能 // 45
122　真實案例研究：預測學生獲取推薦 // 47
123　機器學習的挑戰(zhàn) // 55
124　機器學習的現(xiàn)實應用 // 55
125　總結 // 56

第2章　 Python機器學習生態(tài)系統(tǒng) // 57
21　Python簡介 // 57
22　Python機器學習生態(tài)系統(tǒng)簡介 // 62
23　總結 // 100

第2部分　機器學習流程
第3章　 數(shù)據(jù)的處理、重整以及可視化 // 102
31　數(shù)據(jù)收集 // 103
32　數(shù)據(jù)描述 // 116
33　數(shù)據(jù)重整 // 117
34　數(shù)據(jù)匯總 // 128
35　數(shù)據(jù)可視化 // 130 36　
總結 // 152

第4章　特征工程和特征選擇 // 153
41　特征：更好地理解你的數(shù)據(jù) // 154
42　重溫機器學習流程 // 155
43　特征提取和特征工程 // 156
44　數(shù)值型數(shù)據(jù)的特征工程 // 160
45　分類型數(shù)據(jù)的特征工程 // 174
46　文本型數(shù)據(jù)的特征工程 // 183
47　時態(tài)型數(shù)據(jù)的特征工程 // 193
48　圖像型數(shù)據(jù)的特征工程 // 197
49　特征縮放 // 211
410　特征選擇 // 214
411　特征降維 // 221
412　總結 // 224

第5章　構建、調優(yōu)和模型的部署 // 225
51　構建模型 // 226
52　模型評估 // 239
53　模型調優(yōu) // 248
54　模型解釋 // 259
55　模型部署 // 265
56　總結 // 267

第3部分　真實案例研究
第6章　共享單車趨勢分析 // 270
61　共享單車數(shù)據(jù)集 // 270
62　問題陳述 // 271
63　探索性數(shù)據(jù)分析 // 271
64　回歸分析 // 278
65　建模 // 280
66　下一步 // 291
67　總結 // 292

第7章　電影影評的情感分析 // 293
71　問題陳述 // 294
72　設置依賴項 // 294
73　獲取數(shù)據(jù) // 295
74　文字的預處理與標準化 // 295
75　無監(jiān)督的以詞典為基礎的模型 // 298
76　使用監(jiān)督學習進行情感分類 // 306
77　傳統(tǒng)的有監(jiān)督的機器學習模型 // 308
78　較新的有監(jiān)督的深度學習模型 // 310
79　高級的有監(jiān)督的深度學習模型 // 316
710　分析情感的因果關系 // 323
711　總結 // 332

第8章　 顧客分類和有效的交叉銷售 /333/
81　在線零售交易記錄數(shù)據(jù)集 // 333
82　探索性數(shù)據(jù)分析 // 334
83　顧客分類 // 337
84　交叉銷售 // 350
85　總結 // 361

第9章　分析酒的類型和質量 // 362
91　問題陳述 // 362
92　設置依賴項 // 363
93　獲取數(shù)據(jù) // 363
94　探索性數(shù)據(jù)分析 // 364
95　預測建模 // 378
96　預測葡萄酒類型 // 379
97　預測葡萄酒質量 // 385
98　總結 // 397

第10章　分析音樂趨勢和推薦 // 398
101　百萬歌曲數(shù)據(jù)集品味畫像 // 398
102　探索性數(shù)據(jù)分析 // 399
103　推薦引擎 // 407
104　推薦引擎庫的注意事項 // 415
105　總結 // 416

第11章　預測股票和商品價格 // 417
111　時序數(shù)據(jù)及時序分析 // 417
112　預測黃金價格 // 423
113　股票價格預測 // 432
114　總結 // 445

第12章　計算機視覺深度學習 // 447
121　卷積神經(jīng)網(wǎng)絡 // 447
122　使用 CNN進行圖像分類 // 448
123　使用 CNN的藝術風格轉換 // 457
124　總結 // 467