【干货书】用Python进行深思熟虑的机器学习, 216页pdf,Thoughtful ML with Python

2020 年 4 月 4 日 专知
【干货书】用Python进行深思熟虑的机器学习, 216页pdf,Thoughtful ML with Python

获得在日常工作中应用机器学习所需的信心。通过本实用指南,作者Matthew Kirk向您展示了如何在您的代码中集成和测试机器学习算法,而没有学术潜台词。


全书以图形和突出显示的代码示例为特色,使用Python的Numpy、panda、Scikit-Learn和SciPy数据科学库进行测试。如果你是一个软件工程师或业务分析师,对数据科学感兴趣,这本书将帮助你:


  • 参考真实世界的例子来测试每一个算法,通过参与,动手练习

  • 在开始编码之前,应用测试驱动开发(TDD)来编写和运行测试

  • 探索使用数据提取和特性开发来改进您的机器学习模型的技术

  • 注意机器学习的风险,如数据拟合不足或过拟合

  • 使用k近邻、神经网络、集群和其他算法


http://shop.oreilly.com/product/0636920039082.do




专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“TMLP” 就可以获取【干货书】用Python进行深思熟虑的机器学习, 216页pdf,Thoughtful ML with Python》论文专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
30

相关内容

介绍

这本书在保持非常务实的教导和结果导向付出很大的精力。构建聊天机器人不只是完成一个教程或遵循几个步骤,它本身就是一种技能。这本书肯定不会用大量的文本和过程让你感到无聊;相反,它采用的是边做边学的方法。到目前为止,在你的生活中,你肯定至少使用过一个聊天机器人。无论你是不是一个程序员,一旦你浏览这本书,你会发现构建模块的聊天机器人,所有的奥秘将被揭开。建立聊天机器人可能看起来很困难,但这本书将让你使它如此容易。我们的大脑不是用来直接处理复杂概念的;相反,我们一步一步地学习。当你读这本书的时候,从第一章到最后一章,你会发现事情的进展是多么的清晰。虽然你可以直接翻到任何一章,但我强烈建议你从第一章开始,因为它肯定会支持你的想法。这本书就像一个网络系列,你在读完一章之后就无法抗拒下一章的诱惑。在阅读完这本书后,你所接触到的任何聊天机器人都会在你的脑海中形成一幅关于聊天机器人内部是如何设计和构建的画面。

这本书适合谁?

这本书将作为学习与聊天机器人相关的概念和学习如何建立他们的一个完整的资源。那些将会发现这本书有用的包括: Python web开发人员希望扩大他们的知识或职业到聊天机器人开发。 学生和有抱负的程序员想获得一种新的技能通过亲身体验展示的东西,自然语言爱好者希望从头开始学习。 企业家如何构建一个聊天机器人的伟大的想法,但没有足够的技术关于如何制作聊天机器人的可行性信息。 产品/工程经理计划与聊天机器人相关项目。

如何使用这本书?

请记住,这本书的写作风格和其他书不一样。读这本书的时候要记住,一旦你完成了这本书,你就可以自己建造一个聊天机器人,或者教会别人如何建造一个聊天机器人。在像阅读其他书籍一样阅读这本书之前,务必记住以下几点:

  • 这本书涵盖了构建聊天机器人所需的几乎所有内容,而不是现有内容。
  • 这本书是关于花更多的时间在你的系统上做事情的,这本书就在你身边。确保您执行每个代码片段并尝试编写代码;不要复制粘贴。
  • 一定要按照书中的步骤去做;如果你不理解一些事情,不要担心。你将在本章的后面部分了解到。
  • 可以使用本书所提供的源代码及Jupyter NoteBook作为参考。

内容概要

  • Chapter 1: 在本章中,你将从商业和开发人员的角度了解与聊天机器人相关的事情。这一章为我们熟悉chatbots概念并将其转换为代码奠定了基础。希望在本章结束时,你会明白为什么你一定要为自己或你的公司创建一个聊天机器人。
  • Chapter 2: 在本章中会涉及聊天机器人的自然语言处理,你将学习到聊天机器人需要NLP时应该使用哪些工具和方法。这一章不仅教你在NLP的方法,而且还采取实际的例子和演示与编码的例子。本章还讨论了为什么使用特定的NLP方法可能需要在聊天机器人。注意,NLP本身就是一种技能。
  • Chapter 3: 在本章中,你将学习如何使用像Dialogflow这样的工具以一种友好而简单的方式构建聊天机器人。如果你不是程序员,你肯定会喜欢它,因为它几乎不需要编程技能。
  • Chapter 4:在本章中,你将学习如何以人们想要的方式构建聊天机器人。标题说的很艰难,但一旦你完成了前一章,你会想要更多,因为这一章将教如何建立内部聊天机器人从零开始,以及如何使用机器学习算法训练聊天机器人。
  • Chapter 5:在本章中,部署你的聊天机器人纯粹是设计给你的聊天机器人应用一个最后的推动。当你经历了创建聊天机器人的简单和艰难的过程后,你肯定不想把它留给自己。你将学习如何展示你的聊天机器人到世界使用Facebook和Slack,最后,整合他们在你自己的网站。
成为VIP会员查看完整内容
Building Chatbots with Python.pdf
0
138

本书涵盖了这些领域中使用Python模块演示的概率、统计和机器学习的关键思想。整本书包括所有的图形和数值结果,都可以使用Python代码及其相关的Jupyter/IPython Notebooks。作者通过使用多种分析方法和Python代码的有意义的示例,开发了机器学习中的关键直觉,从而将理论概念与具体实现联系起来。现代Python模块(如panda、y和Scikit-learn)用于模拟和可视化重要的机器学习概念,如偏差/方差权衡、交叉验证和正则化。许多抽象的数学思想,如概率论中的收敛性,都得到了发展,并用数值例子加以说明。本书适合任何具有概率、统计或机器学习的本科生,以及具有Python编程的基本知识的人。

成为VIP会员查看完整内容
0
177

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

成为VIP会员查看完整内容
0
133

概率图模型是机器学习中的一种技术,它使用图论的概念来简明地表示和最佳地预测数据问题中的值。

图模型为我们提供了在数据中发现复杂模式的技术,广泛应用于语音识别、信息提取、图像分割和基因调控网络建模等领域。

这本书从概率论和图论的基础开始,然后继续讨论各种模型和推理算法。所有不同类型的模型都将与代码示例一起讨论,以创建和修改它们,并在它们上运行不同的推理算法。有一整章是关于朴素贝叶斯模型和隐马尔可夫模型的。这些模型已经通过实际例子进行了详细的讨论。

你会学到什么

  • 掌握概率论和图论的基本知识
  • 使用马尔可夫网络
  • 实现贝叶斯网络
  • 图模型中的精确推理技术,如变量消除算法
  • 了解图模型中的近似推理技术,如消息传递算法

图模型中的示例算法 通过真实的例子来掌握朴素贝叶斯的细节 使用Python中的各种库部署PGMs 获得隐马尔可夫模型的工作细节与现实世界的例子

详细 概率图模型是机器学习中的一种技术,它使用图论的概念来简洁地表示和最佳地预测数据问题中的值。在现实问题中,往往很难选择合适的图模型和合适的推理算法,这对计算时间和精度有很大的影响。因此,了解这些算法的工作细节是至关重要的。

这本书从概率论和图论的基础开始,然后继续讨论各种模型和推理算法。所有不同类型的模型都将与代码示例一起讨论,以创建和修改它们,并在它们上运行不同的推理算法。有一个完整的章节专门讨论最广泛使用的网络朴素贝叶斯模型和隐马尔可夫模型(HMMs)。这些模型已经通过实际例子进行了详细的讨论。

风格和方法 一个易于遵循的指南,帮助您理解概率图模型使用简单的例子和大量的代码例子,重点放在更广泛使用的模型。

成为VIP会员查看完整内容
0
159

改进您的编程技术和方法,成为一个更有生产力和创造性的Python程序员。本书探索了一些概念和特性,这些概念和特性不仅将改进您的代码,而且还将帮助您理解Python社区,并对Python哲学有深入的了解和详细的介绍。

专业的Python 3,第三版给你的工具写干净,创新的代码。它首先回顾了一些核心的Python原则,这些原则将在本书后面的各种概念和示例中进行说明。本书的前半部分探讨了函数、类、协议和字符串的各个方面,描述了一些技术,这些技术可能不是常见的知识,但它们共同构成了坚实的基础。后面的章节涉及文档、测试和应用程序分发。在此过程中,您将开发一个复杂的Python框架,该框架将整合在本书中所学到的思想。

这个版本的更新包括Python 3中迭代器的角色、用Scrapy和BeautifulSoup进行web抓取、使用请求调用没有字符串的web页面、用于分发和安装的新工具等等。在本书的最后,您将准备好部署不常见的特性,这些特性可以将您的Python技能提升到下一个级别。

你将学习

  • 用各种类型的Python函数实现程序
  • 使用类和面向对象编程
  • 使用标准库和第三方库中的字符串
  • 使用Python获取web站点数据
  • 通过编写测试套件来自动化单元测试
  • 回顾成像、随机数生成和NumPy科学扩展
  • 理解Python文档的精髓,以帮助您决定分发代码的最佳方式

这本书是给谁看的 熟悉Python的中级程序员,希望提升到高级水平。您应该至少编写了一个简单的Python应用程序,并且熟悉基本的面向对象方法、使用交互式解释器和编写控制结构。

成为VIP会员查看完整内容
0
162

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
244

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
1
170

主题: Mastering Machine Learning with Python in Six Steps

简介: 分六个步骤探索高级Python 3主题的基本原理,所有这些步骤都是为了让您成为一个有价值的实践者而设计的。这个更新版本的方法是基于“六度分离”理论,它指出每个人和所有事物都是最大的六步,并将每一个主题呈现为两个部分:理论概念和使用适当的Python 3包的实际实现。您将从Python3编程语言的基础知识、机器学习历史、演化和系统开发框架开始。本文还介绍了探索性分析、特征降维、回归、时间序列预测等关键数据挖掘/分析概念及其在Scikit学习中的有效实现。您还将学习常用的模型诊断和调优技术。其中包括类创建的最佳概率截止点、方差、偏差、bagging、boosting、集成投票、网格搜索、随机搜索、贝叶斯优化以及物联网数据的降噪技术。最后,您将回顾高级文本挖掘技术、推荐系统、神经网络、深度学习、强化学习技术及其实现。本书中提供的所有代码都将以iPython笔记本的形式提供,使您能够尝试这些示例并将它们扩展到您的优势。

作者简介: Swamynathan Manohar 是一名数据科学从业者和一名狂热的程序员,在数据仓库、商业智能(BI)、分析工具开发、即席分析、预测建模、数据科学产品开发、咨询等各种数据科学相关领域拥有超过14年的经验,制定策略并执行分析计划。

成为VIP会员查看完整内容
0
63
小贴士
相关VIP内容
相关论文
Text-to-Image Synthesis Based on Machine Generated Captions
Marco Menardi,Alex Falcon,Saida S. Mohamed,Lorenzo Seidenari,Giuseppe Serra,Alberto Del Bimbo,Carlo Tasso
3+阅读 · 2019年10月9日
Meta-Learning with Implicit Gradients
Aravind Rajeswaran,Chelsea Finn,Sham Kakade,Sergey Levine
7+阅读 · 2019年9月10日
Kevin Clark,Urvashi Khandelwal,Omer Levy,Christopher D. Manning
4+阅读 · 2019年6月11日
Andrei Popescu-Belis
4+阅读 · 2019年1月25日
Ke Li,Jitendra Malik
5+阅读 · 2018年11月29日
Learning to Importance Sample in Primary Sample Space
Quan Zheng,Matthias Zwicker
5+阅读 · 2018年8月23日
Julia Kreutzer,Shahram Khadivi,Evgeny Matusov,Stefan Riezler
3+阅读 · 2018年4月16日
Zhen Yang,Wei Chen,Feng Wang,Bo Xu
3+阅读 · 2018年4月8日
Hemayet Ahmed Chowdhury,Tanvir Alam Nibir,Md. Saiful Islam
9+阅读 · 2018年3月22日
Chaowei Xiao,Bo Li,Jun-Yan Zhu,Warren He,Mingyan Liu,Dawn Song
9+阅读 · 2018年1月15日
Top
微信扫码咨询专知VIP会员