更新时间：2020-06-23 13:51:26
封面
版权信息
数字版权声明
译者介绍
版权声明
O'Reilly Media Inc．介绍
前言
第1章 引言
1.1 为何选择机器学习
1.2 为何选择Python
1.3 scikit-learn
1.4 必要的库和工具
1.5 Python 2与Python 3的对比
1.6 本书用到的版本
1.7 第一个应用：鸢尾花分类
1.8 小结与展望
第2章 监督学习
2.1 分类与回归
2.2 泛化、过拟合与欠拟合
2.3 监督学习算法
2.4 分类器的不确定度估计
2.5 小结与展望
第3章 无监督学习与预处理
3.1 无监督学习的类型
3.2 无监督学习的挑战
3.3 预处理与缩放
3.4 降维、特征提取与流形学习
3.5 聚类
3.6 小结与展望
第4章 数据表示与特征工程
4.1 分类变量
4.2 分箱、离散化、线性模型与树
4.3 交互特征与多项式特征
4.4 单变量非线性变换
4.5 自动化特征选择
4.6 利用专家知识
4.7 小结与展望
第5章 模型评估与改进
5.1 交叉验证
5.2 网格搜索
5.3 评估指标与评分
5.4 小结与展望
第6章 算法链与管道
6.1 用预处理进行参数选择
6.2 构建管道
6.3 在网格搜索中使用管道
6.4 通用的管道接口
6.5 网格搜索预处理步骤与模型参数
6.6 网格搜索选择使用哪个模型
6.7 小结与展望
第7章 处理文本数据
7.1 用字符串表示的数据类型
7.2 示例应用：电影评论的情感分析
7.3 将文本数据表示为词袋
7.4 停用词
7.5 用tf-idf缩放数据
7.6 研究模型系数
7.7 多个单词的词袋（n元分词）
7.8 高级分词、词干提取与词形还原
7.9 主题建模与文档聚类
7.10 小结与展望
第8章 全书总结
8.1 处理机器学习问题
8.2 从原型到生产
8.3 测试生产系统
8.4 构建你自己的估计器
8.5 下一步怎么走
8.6 总结
关于作者
关于封面
技术改变世界·阅读塑造人生
内容简介
看完了
