Python機器學習經(jīng)典實例（第2版）

第 1章　監(jiān)督學習　1
1．1　技術(shù)要求　1
1．2　簡介　2
1．3　用Python創(chuàng)建數(shù)組　3
1．3．1　準備工作　3
1．3．2　詳細步驟　3
1．3．3　工作原理　4
1．3．4　更多內(nèi)容　4
1．4　用均值移除法進行數(shù)據(jù)預處理　5
1．4．1　準備工作　5
1．4．2　詳細步驟　6
1．4．3　工作原理　7
1．4．4　更多內(nèi)容　7
1．5　數(shù)據(jù)縮放　7
1．5．1　準備工作　7
1．5．2　詳細步驟　8
1．5．3　工作原理　9
1．5．4　更多內(nèi)容　9
1．6　歸一化　9
1．6．1　準備工作　9
1．6．2　詳細步驟　10
1．6．3　工作原理　10
1．6．4　更多內(nèi)容　10
1．7　二值化　10
1．7．1　準備工作　11
1．7．2　詳細步驟　11
1．7．3　工作原理　11
1．7．4　更多內(nèi)容　12
1．8　one-hot編碼　12
1．8．1　準備工作　12
1．8．2　詳細步驟　12
1．8．3　工作原理　13
1．8．4　更多內(nèi)容　14
1．9　標簽編碼　14
1．9．1　準備工作　14
1．9．2　詳細步驟　14
1．9．3　工作原理　15
1．9．4　更多內(nèi)容　16
1．10　構(gòu)建線性回歸器　16
1．10．1　準備工作　17
1．10．2　詳細步驟　18
1．10．3　工作原理　20
1．10．4　更多內(nèi)容　20
1．11　計算回歸準確度　21
1．11．1　準備工作　21
1．11．2　詳細步驟　21
1．11．3　工作原理　22
1．11．4　更多內(nèi)容　22
1．12　模型持久化　22
1．12．1　準備工作　22
1．12．2　詳細步驟　23
1．12．3　工作原理　23
1．12．4　更多內(nèi)容　23
1．13　構(gòu)建嶺回歸器　24
1．13．1　準備工作　25
1．13．2　詳細步驟　25
1．13．3　工作原理　26
1．14　構(gòu)建多項式回歸器　26
1．14．1　準備工作　27
1．14．2　詳細步驟　27
1．14．3　工作原理　29
1．14．4　更多內(nèi)容　29
1．15　估算房屋價格　29
1．15．1　準備工作　30
1．15．2　詳細步驟　30
1．15．3　工作原理　33
1．15．4　更多內(nèi)容　33
1．16　計算特征的相對重要性　33
1．16．1　準備工作　34
1．16．2　詳細步驟　34
1．16．3　工作原理　36
1．16．4　更多內(nèi)容　36
1．17　評估共享單車的需求分布　36
1．17．1　準備工作　36
1．17．2　詳細步驟　36
1．17．3　工作原理　39
1．17．4　更多內(nèi)容　39
第　2章 構(gòu)建分類器　41
2．1　技術(shù)要求　41
2．2　簡介　42
2．3　構(gòu)建簡單分類器　42
2．3．1　準備工作　43
2．3．2　詳細步驟　43
2．3．3　工作原理　45
2．3．4　更多內(nèi)容　45
2．4　構(gòu)建邏輯回歸分類器　45
2．4．1　準備工作　45
2．4．2　詳細步驟　46
2．4．3　工作原理　49
2．4．4　更多內(nèi)容　49
2．5　構(gòu)建樸素貝葉斯分類器　49
2．5．1　準備工作　50
2．5．2　詳細步驟　50
2．5．3　工作原理　52
2．5．4　更多內(nèi)容　53
2．6　將數(shù)據(jù)集劃分成訓練集和測試集　53
2．6．1　準備工作　54
2．6．2　詳細步驟　54
2．6．3　工作原理　56
2．6．4　更多內(nèi)容　57
2．7　用交叉驗證評估模型準確度　57
2．7．1　準備工作　57
2．7．2　詳細步驟　57
2．7．3　工作原理　58
2．7．4　更多內(nèi)容　59
2．8　混淆矩陣可視化　59
2．8．1　準備工作　60
2．8．2　詳細步驟　60
2．8．3　工作原理　61
2．8．4　更多內(nèi)容　62
2．9　提取性能報告　62
2．9．1　準備工作　62
2．9．2　詳細步驟　62
2．9．3　工作原理　63
2．9．4　更多內(nèi)容　63
2．10　根據(jù)特征評估汽車質(zhì)量　63
2．10．1　準備工作　63
2．10．2　詳細步驟　64
2．10．3　工作原理　66
2．10．4　更多內(nèi)容　66
2．11　生成驗證曲線　66
2．11．1　準備工作　67
2．11．2　詳細步驟　67
2．11．3　工作原理　69
2．11．4　更多內(nèi)容　69
2．12　生成學習曲線　69
2．12．1　準備工作　70
2．12．2　詳細步驟　70
2．12．3　工作原理　71
2．12．4　更多內(nèi)容　71
2．13　估算收入階層　71
2．13．1　準備工作　72
2．13．2　詳細步驟　72
2．13．3　工作原理　75
2．13．4　更多內(nèi)容　75
2．14　葡萄酒質(zhì)量預測　75
2．14．1　準備工作　76
2．14．2　詳細步驟　76
2．14．3　工作原理　78
2．14．4　更多內(nèi)容　78
2．15　新聞組熱門話題分類　78
2．15．1　準備工作　78
2．15．2　詳細步驟　79
2．15．3　工作原理　80
2．15．4　更多內(nèi)容　80
第3章　預測建?！?1
3．1　技術(shù)要求　81
3．2　簡介　82
3．3　用SVM構(gòu)建線性分類器　82
3．3．1　準備工作　83
3．3．2　詳細步驟　84
3．3．3　工作原理　86
3．3．4　更多內(nèi)容　87
3．4　用SVM構(gòu)建非線性分類器　87
3．4．1　準備工作　87
3．4．2　詳細步驟　87
3．4．3　工作原理　89
3．4．4　更多內(nèi)容　89
3．5　解決類型不平衡問題　89
3．5．1　準備工作　90
3．5．2　詳細步驟　90
3．5．3　工作原理　93
3．5．4　更多內(nèi)容　93
3．6　提取置信度　93
3．6．1　準備工作　93
3．6．2　詳細步驟　93
3．6．3　工作原理　95
3．6．4　更多內(nèi)容　96
3．7　尋找最優(yōu)超參數(shù)　96
3．7．1　準備工作　96
3．7．2　詳細步驟　96
3．7．3　工作原理　100
3．7．4　更多內(nèi)容　101
3．8　構(gòu)建事件預測器　101
3．8．1　準備工作　101
3．8．2　詳細步驟　102
3．8．3　工作原理　104
3．8．4　更多內(nèi)容　104
3．9　估算交通流量　104
3．9．1　準備工作　104
3．9．2　詳細步驟　105
3．9．3　工作原理　107
3．9．4　更多內(nèi)容　107
3．10　用TensorFlow簡化機器學習流程　107
3．10．1　準備工作　107
3．10．2　詳細步驟　108
3．10．3　工作原理　109
3．10．4　更多內(nèi)容　109
3．11　堆疊法實現(xiàn)　109
3．11．1　準備工作　109
3．11．2　詳細步驟　109
3．11．3　工作原理　110
3．11．4　更多內(nèi)容　111
第4章　無監(jiān)督學習——聚類　112
4．1　技術(shù)要求　112
4．2　簡介　113
4．3　用k-means算法聚類數(shù)據(jù)　113
4．3．1　準備工作　114
4．3．2　詳細步驟　114
4．3．3　工作原理　116
4．3．4　更多內(nèi)容　117
4．4　用向量量化壓縮圖片　117
4．4．1　準備工作　118
4．4．2　詳細步驟　118
4．4．3　工作原理　121
4．4．4　更多內(nèi)容　121
4．5　用凝聚層次聚類進行數(shù)據(jù)分組　122
4．5．1　準備工作　122
4．5．2　詳細步驟　122
4．5．3　工作原理　125
4．5．4　更多內(nèi)容　125
4．6　評估聚類算法性能　126
4．6．1　準備工作　126
4．6．2　詳細步驟　126
4．6．3　工作原理　129
4．6．4　更多內(nèi)容　129
4．7　用DBSCAN算法估算簇的個數(shù)　129
4．7．1　準備工作　130
4．7．2　詳細步驟　130
4．7．3　工作原理　133
4．7．4　更多內(nèi)容　133
4．8　探索股票數(shù)據(jù)模式　134
4．8．1　準備工作　134
4．8．2　詳細步驟　134
4．8．3　工作原理　136
4．8．4　更多內(nèi)容　136
4．9　構(gòu)建市場細分模型　136
4．9．1　準備工作　136
4．9．2　詳細步驟　137
4．9．3　工作原理　139
4．9．4　更多內(nèi)容　139
4．10　用自動編碼器重構(gòu)手寫數(shù)字圖像　139
4．10．1　準備工作　140
4．10．2　詳細步驟　140
4．10．3　工作原理　143
4．10．4　更多內(nèi)容　144
第5章　可視化數(shù)據(jù)　145
5．1　技術(shù)需求　145
5．2　簡介　146
5．3　畫3D散點圖　146
5．3．1　準備工作　146
5．3．2　詳細步驟　146
5．3．3　工作原理　148
5．3．4　更多內(nèi)容　148
5．4　畫氣泡圖　148
5．4．1　準備工作　148
5．4．2　詳細步驟　148
5．4．3　工作原理　149
5．4．4　更多內(nèi)容　150
5．5　畫動態(tài)氣泡圖　150
5．5．1　準備工作　150
5．5．2　詳細步驟　150
5．5．3　工作原理　152
5．5．4　更多內(nèi)容　152
5．6　畫餅圖　152
5．6．1　準備工作　152
5．6．2　詳細步驟　153
5．6．3　工作原理　154
5．6．4　更多內(nèi)容　154
5．7　繪制日期格式的時間序列數(shù)據(jù)　154
5．7．1　準備工作　154
5．7．2　詳細步驟　154
5．7．3　工作原理　156
5．7．4　更多內(nèi)容　156
5．8　畫直方圖　156
5．8．1　準備工作　157
5．8．2　詳細步驟　157
5．8．3　工作原理　158
5．8．4　更多內(nèi)容　159
5．9　可視化熱力圖　159
5．9．1　準備工作　159
5．9．2　詳細步驟　159
5．9．3　工作原理　161
5．9．4　更多內(nèi)容　161
5．10　動態(tài)信號的可視化模擬　161
5．10．1　準備工作　161
5．10．2　詳細步驟　161
5．10．3　工作原理　163
5．10．4　更多內(nèi)容　164
5．11　用seaborn庫畫圖　164
5．11．1　準備工作　164
5．11．2　詳細步驟　164
5．11．3　工作原理　166
5．11．4　更多內(nèi)容　166
第6章　構(gòu)建推薦引擎　167
6．1　技術(shù)要求　167
6．2　簡介　168
6．3　為數(shù)據(jù)處理構(gòu)建函數(shù)組合　168
6．4　構(gòu)建機器學習管道　171
6．5　構(gòu)建最近鄰分類器　173
6．6　構(gòu)建KNN分類器　176
6．7　構(gòu)建KNN回歸器　181
6．8　計算歐式距離分數(shù)　184
6．9　計算皮爾遜相關(guān)系數(shù)　186
6．10　查找數(shù)據(jù)集中的相似用戶　189
6．11　生成電影推薦　191
6．12　實現(xiàn)排序算法　193
6．13　用TensorFlow構(gòu)建過濾器模型　195
第7章　文本數(shù)據(jù)分析　201
7．1　技術(shù)要求　201
7．2　簡介　202
7．3　用標記解析的方法預處理數(shù)據(jù)　203
7．4　提取文本數(shù)據(jù)的詞干　205
7．5　用詞形還原的方法還原文本的基本形式　207
7．6　用分塊的方法劃分文本　209
7．7　構(gòu)建詞袋模型　211
7．8　構(gòu)建文本分類器　214
7．9　識別名字性別　217
7．10　語句情感分析　219
7．11　用主題建模識別文本模式　223
7．12　用spaCy進行詞性標注　226
7．13　用gensim構(gòu)建Word2Vec模型　228
7．14　用淺層學習檢測垃圾信息　229
第8章　語音識別　232
8．1　技術(shù)要求　232
8．2　簡介　233
8．3　讀取和繪制音頻數(shù)據(jù)　233
8．4　將音頻信號轉(zhuǎn)換為頻域　236
8．5　用自定義參數(shù)生成音頻信號　238
8．6　合成音樂　241
8．7　提取頻域特征　243
8．8　構(gòu)建隱馬爾可夫模型　246
8．9　構(gòu)建語音識別器　248
8．10　構(gòu)建TTS系統(tǒng)　253
第9章　時序列化和時序數(shù)據(jù)分析　256
9．1　技術(shù)要求　256
9．2　簡介　257
9．3　將數(shù)據(jù)轉(zhuǎn)換為時間序列格式　257
9．4　切分時間序列數(shù)據(jù)　260
9．5　操作時間序列數(shù)據(jù)　262
9．6　從時序數(shù)據(jù)中提取統(tǒng)計信息　265
9．7　為序列數(shù)據(jù)構(gòu)建隱馬爾可夫模型　268
9．8　為序列化文本數(shù)據(jù)構(gòu)建條件隨機場　271
9．9　股市數(shù)據(jù)分析　274
9．10　用RNN預測時間序列數(shù)據(jù)　279
第　10章 圖像內(nèi)容分析　284
10．1　技術(shù)要求　284
10．2　簡介　285
10．3　用OpenCV_Python操作圖像　286
10．4　邊緣檢測　288
10．5　直方圖均衡　290
10．6　角點檢測　293
10．7　SIFT特征點檢測　294
10．8　構(gòu)建Star特征檢測器　296
10．9　用視覺碼本和向量量化創(chuàng)建特征　299
10．10　用極端隨機森林訓練圖像分類器　302
10．11　構(gòu)建對象識別器　304
10．12　用LightGBM進行圖像分類　306

第　11章 生物特征人臉識別　310
11．1　技術(shù)要求　310
11．2　簡介　311
11．3　從網(wǎng)絡攝像頭采集和處理視頻信息　311
11．4　用Haar級聯(lián)構(gòu)建人臉識別器　313
11．5　構(gòu)建眼鼻檢測器　316
11．6　主成分分析　319
11．7　核主成分分析　321
11．8　盲源分離　324
11．9　用局部二值模式直方圖構(gòu)建人臉識別器　328
11．10　基于HOG模型進行人臉識別　332
11．11　人臉特征點識別　334
11．12　用人臉識別進行用戶身份驗證　336
第　12章 強化學習　339
12．1　技術(shù)要求　339
12．2　簡介　340
12．3　用MDP預報天氣　341
12．4　用DP優(yōu)化金融投資組合　344
12．5　找出最短路徑　346
12．6　使用Q學習決定折扣因子　348
12．7　實現(xiàn)深度Q學習算法　351
12．8　開發(fā)基于AI的動態(tài)模型系統(tǒng)　353
12．9　通過雙Q學習進行深度強化學習　355
12．10　通過dueling Q學習進行深度強化學習　357
第　13章 深度神經(jīng)網(wǎng)絡　361
13．1　技術(shù)要求　361
13．2　簡介　362
13．3　構(gòu)建感知機模型　362
13．4　構(gòu)建單層神經(jīng)網(wǎng)絡　365
13．5　構(gòu)建深度神經(jīng)網(wǎng)絡　368
13．6　創(chuàng)建向量量化器　371
13．7　為序列數(shù)據(jù)分析構(gòu)建循環(huán)神經(jīng)網(wǎng)絡　373
13．8　可視化OCR數(shù)據(jù)庫字符　377
13．9　使用神經(jīng)網(wǎng)絡構(gòu)建光學字符識別器　379
13．10　用ANN實現(xiàn)優(yōu)化算法　381

第　14章 無監(jiān)督表示學習　385
14．1　需要的文件　385
14．2　簡介　386
14．3　用降噪自動編碼器檢測欺詐交易　386
14．4　用CBOW和skipgram表示生成詞嵌入　391
14．5　用PCA和t-SNE可視化MNIST數(shù)據(jù)　393
14．6　使用詞嵌入進行推特情感分析　397
14．7　用scikit-learn實現(xiàn)LDA　400
14．8　用LDA對文本文檔分類　402
14．9　為LDA準備數(shù)據(jù)　405
第　15章 自動機器學習與遷移學習　408
15．1　技術(shù)要求　408
15．2　簡介　409
15．3　Auto-WEKA　409
15．4　用AutoML工具TPOT生成機器學習管道　410
15．5　Auto-Keras　412
15．6　auto-sklearn　413
15．7　用MLBox進行功能選擇和泄漏檢測　415
15．8　用卷積神經(jīng)網(wǎng)絡進行遷移學習　417
15．9　用ResNet-50作預訓練圖像分類器進行遷移學習　421
15．10　用VGG16模型作特征提取器進行遷移學習　423
15．11　用預訓練GloVe嵌入模型進行遷移學習　425
第　16章 生產(chǎn)中的應用　430
16．1　技術(shù)要求　430
16．2　簡介　430
16．3　處理非結(jié)構(gòu)化數(shù)據(jù)　431
16．4　部署機器學習模型　433
16．5　跟蹤生產(chǎn)中的變化　435
16．6　跟蹤準確率并優(yōu)化模型　437