Python機器學習中文版，python機器中文版

Python機器學習中文版，python機器中文版

• Python機器學習簡介
• 第一章 讓電腦從資料中學習
  • 將資料轉化為知識
  • 三類機器學習演算法

• 第二章 訓練機器學習分類演算法
  • 透過人工神經元一窺早期機器學習曆史
  • 使用Python實現感知機演算法
  • 基於Iris資料集訓練感知機模型
  • 自適應線性神經元及收斂問題
  • Python實現自適應線性神經元
  • 大規模機器學習和隨機梯度下降
• 第三章 使用Scikit-learn進行分類器之旅
  • 如何選擇合適的分類器演算法
  • scikit-learn之旅
  • 邏輯斯蒂迴歸對類別機率建模
  • 使用正則化解決過擬合
  • 支援向量機
  • 使用鬆弛變數解決非線性可分的情況
  • 使用核SVM解決非線性問題
  • 決策樹學習
  • 最大資訊增益
  • 構建一棵決策樹
  • 隨機森林
  • k近鄰——一個懶惰學習演算法
  • 總結
• 第四章 構建一個好的訓練集---資料預先處理
  • 處理缺失值
  • 消除帶有缺失值的特徵或樣本
  • 改寫缺失值
  • 理解sklearn中estimator的API
  • 處理分類資料
  • 將資料集分割為訓練集和測試集
  • 統一特徵取值範圍
  • 選擇有意義的特徵
  • 利用隨機森林評估特徵重要性
  • 總結
• 第五章 通過降維壓縮資料
  • PCA進行無監督降維
  • 聊一聊方差
  • 特徵轉換
  • LDA進行監督資料壓縮
  • 未經處理資料映射到新特徵空間
  • 使用核PCA進行非線性映射
  • 用Python實現核PCA
  • 映射新的資料點
  • sklearn中的核PCA
  • 總結
• 第六章 模型評估和調參
  • 通過管道建立工作流程
  • K折交叉驗證評估模型效能
  • 使用學習曲線和驗證曲線 調試演算法
  • 通過網格搜尋調參
  • 通過嵌套交叉驗證選擇演算法
  • 不同的效能評價指標
• 第七章 整合學習
  • 整合學習
  • 結合不同的分類演算法進行投票
• 第八章 深度學習之PyTorch