Alexander的Python機器學習 之目錄分析。

標籤：知識點   交易   機票   發展   處理   使用者   工作流程   個性   1.3   

 

無聊，順應一下潮流，學習一下python機器學習吧。

買了一本書，首先分析一下目錄吧。

 

1.第一章是 Python機器學習的生態系統。

　　1.1.資料科學或機器學習的工作流程。

　　　　然後又分成6點進行詳細說明：擷取，檢查和探索，清理和準備，建模，評估，部署。

　　1.2.講解了Python庫和相應的功能。

　　　　這裡也分成5個點進行詳細說明：擷取，檢查，準備，建模和評估，部署。

　　1.3.設定機器學習的環境。

　　1.4.最後來一個總結。

 

2.第二章就來一個案例吧，構建應用程式，來挖掘低價的公寓。

　　2.1.首先來擷取公寓房源的資料吧。這裡將使用import.io方法來抓取房來源資料。

　　2.2.然後就是檢查和準備資料呢。分為兩個點，首先分析資料，然後就是可視化資料。

　　2.3.然後就是對資料進行建模。這裡又分為兩個點，首先是預測，然後就是擴充模型。

　　2.4.最後來一個總結吧。

 

3.第三章來一個機票的案例吧，同樣來挖掘一下低價的機票。

　　3.1.首先肯定是要擷取機票價格資料嘛。

　　3.2.這裡是一個學習點：使用進階的網路爬蟲技術來檢索票價資料。

　　3.3.擷取到資料之後就是解析了，這裡通過聚類技術來識別一個異常的票價，也是一個學習點。

　　3.4.然後就是意義所在之處了，通過使用IFTTT來發送即時提醒，這個就可以為人民服務了吧。

　　3.5.學習了這些分散的知識點，通過這個項目簡單整合一下吧。

　　3.6.最後來一個總結吧。這個總結性價比極高的喲。

 

4.來點厲害的，使用羅吉斯迴歸來預測IPO市場，IPO市場就類似炒股了。

　　4.1.首先介紹一下什麼是IPO，這個不用說了，就是一些有商業頭腦的人通過公眾來投資公司攢大錢。

　　4.2.講解特徵工程，這個厲害了。

　　4.3.然後講解二元分類，貌似很高大上呢。

　　4.4.分析一下特徵的重要性，同樣也是預測IPO市場的重要部分吧。

　　4.5.最後來個小結。

 

5.建立自訂的新聞源，這個我喜歡。

　　5.1.使用Pocket應用程式，來建立一個監督訓練的集合。原來訓練就是這個意思，之前公司老是聽到那些牛人說什麼訓練訓練的。

　　5.2.第二步就是擷取到資料來源了，這裡使用embed.ly的API來下載故事的內容。

　　5.3.然後就是講解自然語言的一些處理基礎了，這個是個痛點。

　　5.4.然後就是講解如何使用向量機，這個同樣非常關鍵，對於訓練是非常有必要的。

　　5.5.然後就是講解IFTTT與文章源，Google表達和電子郵件的整合，這裡涉及的概念有點多。

　　5.6.然後就是根據自己愛好，設定每日個人化的簡報，就是得出結果了吧。

　　5.7.最後來一個小結吧。

 

6.來點有意思的東西，預測你的內容是否會廣為流傳。這個意思就是你火了。

　　6.1.講解了一個病毒的案例，說明它是怎麼火的。

　　6.2.統計火的程度，即擷取分享的數量和內容。

　　6.3.探索是怎麼火起來的，即探索傳播性的特徵。

　　6.4.然後就是構建一個自己的內容的預測模型，看看會不會火。

　　6.5.最後來一個小結吧。

 

7.之前使用羅吉斯迴歸方法預測IPO市場，這裡用機器學習來預測股票市場。

　　7.1.首先要針對分析的類型研究一下，股票市場會有很多不同的類型嘛。

　　7.2.然後就是我們能夠從股票市場上學到一些東西，當然這是多方面的。

　　7.3.這裡動真刀了，教你如何開發一個交易策略。

　　　　分為幾個點吧，首先是延遲分析的周期，不然你分析完後時間已經過了，則得不償失。

　　　　　　　　　　　 然後是使用支援向量迴歸，來構建一個模型。

　　　　　　　　　　　 最後來建模吧，再教你一個動態時間扭曲，這個名字nice啊。

　　7.4.最後來一個小結咯。

　　

8.再來一個案例吧，建立一個圖片相似性的引擎。

　　顧名思義，就是找到類似的圖片。

　　8.1.首先當然要瞭解一像的機器學習了。

　　8.2.然後需要瞭解一下處理映像的知識。

　　8.3.基礎瞭解之後，來學一下如何尋找相似的映像吧，這個當然是核心內容了。

　　8.4.接下來就是瞭解深度學習了，這個應該就是深入學習映像之間的關係了。涉及到底層的操作。

　　8.5.然後當然就是展示成果的引擎了，構建一個映像相似性的一個系統。

　　8.6.最後來一個小結吧。

 

9.來一個聊天機器人吧。這個其實都耳熟能詳了吧。

　　9.1.首先瞭解一靈測試吧。這個最基礎的東西了。

　　9.2.然後就是瞭解一下聊天機器人曆史和意義。

　　9.3.開始進行設計了，要怎麼實現，用什麼方法，現在開始想啦。

　　9.4.開始擼代碼了，打造一個聊天機器人。

　　9.5.最後來一個小結吧。

 

10.最後同樣來一個有實際意義的功能，Recommendation Engine。

　　現在大多新聞APP都基本實現按需分配了。

　　10.1.首先是瞭解一下什麼是協同過濾，這裡分了兩種，一種基於使用者，一種基於項目的過濾。

　　10.2.然後是瞭解一下什麼是內容過濾，這個就是過濾的內在細節了。

　　10.3.講解一下什麼是混合系統，將一種複雜的東西按照使用者的需求來進行篩選的一個系統。

　　10.4.開始擼代碼了，打造一個推薦系統。

　　10.5.最後來一個小結。

 

11.最最後，來一個個人總結。

　　現在本人對Python和機器學習一竅不通。純小白。

　　看完這本書後，不知道又是怎樣的一個我。開始漫長的機器學習之路吧。我愛robot。

　　所以就第一章講了一點基礎，剩下的9章都是項目了，這樣安排比較合理，我也很喜歡。

　　項目才是推動知識的發展的根本。

 

Alexander的Python機器學習 之目錄分析。