内容简介

本书帮你掌握通过机器学习和深度学习来识别和解决复杂问题所需的基本技能。本书使用了流行的 Python机器学习生态系统中的真实示例，将成为你在学习机器学习的艺术和科学并成为一名成功的从业者道路上的*美伴侣。本书中使用的概念、技术、工具、框架和方法将教会你如何成功思考、设计、构建和执行机器学习系统和项目，并利用这些知识解决一些来自不同领域的实际问题，包括零售、运输、电影、音乐、计算机视觉、艺术和金融。本书将教会你解决自己遇到的机器学习问题！

本书适合人工智能、机器学习、深度学习相关行业的从业者和学习者阅读。

  目录

目录

原书序言

原书前言

译者简介

*1部分 理解机器学习

*1章 机器学习基础 // 2 

1.1 机器学习的需求 // 3 

1.2 理解机器学习 // 6 

1.3 计算机科学 // 12 

1.4 数据科学 // 14 

1.5 数学 // 15 

1.6 统计学 // 20 

1.7 数据挖掘 // 22 

1.8 人工智能 // 22 

1.9 自然语言处理 // 23 

1.10 深度学习 // 24 

1.11 机器学习方法 // 29 

1.12 监督学习 // 30 

1.13 无监督学习 // 33 

1.14 半监督学习 // 36 

1.15 强化学习 // 37 

1.16 批量学习 // 37 

1.17 在线学习 // 38 

1.18 基于实例的学习 // 38 

1.19 基于模型的学习 // 39 

1.20 CRISP-DM处理模型 // 39 

1.21 构建机器智能 // 45 

1.22 真实案例研究：预测学生获取推荐 // 47 

1.23 机器学习的挑战 // 55 

1.24 机器学习的现实应用 // 55 

1.25 *结 // 56

*2章 Python机器学习生态系统 // 57 

2.1 Python简介 // 57 

2.2 Python机器学习生态系统简介 // 62 

2.3 *结 // 100

*2部分 机器学习流程

第3章 数据的处理、重整以及可视化 // 102 

3.1 数据收集 // 103 

3.2 数据描述 // 116 

3.3 数据重整 // 117 

3.4 数据汇总 // 128 

3.5 数据可视化 // 130 3.6

*结 // 152

第4章 特征工程和特征选择 // 153 

4.1 特征：更好地理解你的数据 // 154 

4.2 重温机器学习流程 // 155 

4.3 特征提取和特征工程 // 156 

4.4 数值型数据的特征工程 // 160 

4.5 分类型数据的特征工程 // 174 

4.6 文本型数据的特征工程 // 183 

4.7 时态型数据的特征工程 // 193 

4.8 图像型数据的特征工程 // 197 

4.9 特征缩放 // 211 

4.10 特征选择 // 214 

4.11 特征降维 // 221 

4.12 *结 // 224

第5章 构建、调优和模型的部署 // 225 

5.1 构建模型 // 226 

5.2 模型评估 // 239 

5.3 模型调优 // 248 

5.4 模型解释 // 259 

5.5 模型部署 // 265 

5.6 *结 // 267

第3部分 真实案例研究

第6章 共享单车趋势分析 // 270 

6.1 共享单车数据集 // 270 

6.2 问题陈述 // 271 

6.3 探索性数据分析 // 271 

6.4 回归分析 // 278 

6.5 建模 // 280 

6.6 下一步 // 291 

6.7 *结 // 292

第7章 电影影评的情感分析 // 293 

7.1 问题陈述 // 294 

7.2 设置依赖项 // 294 

7.3 获取数据 // 295 

7.4 文字的预处理与标准化 // 295 

7.5 无监督的以词典为基础的模型 // 298 

7.6 使用监督学习进行情感分类 // 306 

7.7 传统的有监督的机器学习模型 // 308 

7.8 较新的有监督的深度学习模型 // 310 

7.9 *级的有监督的深度学习模型 // 316 

7.10 分析情感的因果关系 // 323 

7.11 *结 // 332

第8章 顾客分类和有效的交叉销售 /333/ 

8.1 在线零售交易记录数据集 // 333 

8.2 探索性数据分析 // 334 

8.3 顾客分类 // 337 

8.4 交叉销售 // 350 

8.5 *结 // 361

第9章 分析酒的类型和质量 // 362 

9.1 问题陈述 // 362 

9.2 设置依赖项 // 363 

9.3 获取数据 // 363 

9.4 探索性数据分析 // 364 

9.5 预测建模 // 378 

9.6 预测葡萄酒类型 // 379 

9.7 预测葡萄酒质量 // 385 

9.8 *结 // 397

*10章 分析音乐趋势和推荐 // 398 

10.1 百万歌曲数据集品味画像 // 398 

10.2 探索性数据分析 // 399 

10.3 推荐引擎 // 407 

10.4 推荐引擎库的注意事项 // 415 

10.5 *结 // 416

*11章 预测股票和商品价格 // 417 

11.1 时序数据及时序分析 // 417 

11.2 预测黄金价格 // 423 

11.3 股票价格预测 // 432 

11.4 *结 // 445

*12章 计算机视觉深度学习 // 447 

12.1 卷积神经网络 // 447 

12.2 使用 CNN进行图像分类 // 448 

12.3 使用 CNN的艺术风格转换 // 457 

12.4 *结 // 467