《Python机器学习经典实例(影印版 英文版)》这本实用指南提供了近200则完整的攻略,可帮助你解决日常工作中可能遇到的机器学习难题。如果你熟悉Python以及包括pandas和scikit-learn在内的库,那么解决一些特定问题将不在话下,比如数据加载、文本处理、数值数据、模型选择、降维以及诸多其他主题。

  每则攻略中都包含代码,你可以将其复制并粘贴到实验数据集中,以确保代码的确有效。你可以插入、组合、修改这些代码,从而协助构建你自己的应用程序。攻略中还包括相关的讨论,对解决方案给出了解释并提供有意义的上下文。

  《Python机器学习经典实例(影印版 英文版)》在理论和概念之外提供了构造实用机器学习应用所需的具体细节。

https://www.oreilly.com/library/view/machine-learning-with/9781491989371/

成为VIP会员查看完整内容
0
65

相关内容

Python是一种面向对象的解释型计算机程序设计语言,在设计中注重代码的可读性,同时也是一种功能强大的通用型语言。

这本书的书名听起来有点神秘。如果这本书以一种错误的方式呈现了这个主题,人们为什么要读它呢?书中哪些地方做得特别“不对”?

在回答这些问题之前,让我先描述一下本文的目标受众。这本书是“荣誉线性代数”课程的课堂讲稿。这应该是高等数学学生的第一门线性代数课程。它的目标是一个学生,虽然还不是非常熟悉抽象推理,但愿意学习更严格的数学,在“烹饪书风格”的微积分类型课程。除了作为线性代数的第一门课程,它也应该是第一门向学生介绍严格证明、形式定义——简而言之,现代理论(抽象)数学风格的课程。

目标读者解释了基本概念和具体实例的非常具体的混合,它们通常出现在介绍性的线性代数文本中,具有更抽象的定义和高级书籍的典型构造。

https://www.math.brown.edu/streil/papers/LADW/LADW_2017-09-04.pdf

成为VIP会员查看完整内容
0
35

链接:

http://greenteapress.com/wp/think-bayes/

作者:Allen B. Downey

Think Bayes是介绍如何通过编程方法进行贝叶斯统计的书籍。

这本书和其他Think X系列书籍的想法一样,他们认为只要你知道如何编程,那么你就可以通过这项技能来学习其他的课题。

大多数的贝叶斯统计书籍会使用数学符号并且通过微积分一类的数学概念来展现其统计思想。这本书则使用Python代码、离散逼近而非数学、连续数学来解释贝叶斯统计。通过这样的方式,在数学书里的积分,将会转变为求和。许多在概率分布上的操作将会通过简单的循环而实现。

成为VIP会员查看完整内容
1
40

如果您是用Python编程的新手,并且正在寻找可靠的介绍,那么这本书就是为您准备的。由计算机科学教师开发,在“为绝对初学者”系列丛书通过简单的游戏创造教授编程的原则。您将获得实际的Python编程应用程序所需的技能,并将了解如何在真实场景中使用这些技能。在整个章节中,你会发现一些代码示例来说明所提出的概念。在每一章的结尾,你会发现一个完整的游戏,展示了这一章的关键思想,一章的总结,以及一系列的挑战来测试你的新知识。当你读完这本书的时候,你将非常精通Python,并且能够将你所学到的基本编程原理应用到你要处理的下一种编程语言。

成为VIP会员查看完整内容
0
100

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
132

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
112

数据科学库、框架、模块和工具包非常适合进行数据科学研究,但它们也是深入研究这一学科的好方法,不需要真正理解数据科学。在本书中,您将了解到许多最基本的数据科学工具和算法都是通过从头实现来实现的。

如果你有数学天赋和一些编程技能,作者Joel Grus将帮助你熟悉作为数据科学核心的数学和统计,以及作为数据科学家的入门技能。如今,这些杂乱的、充斥着海量数据的数据,为一些甚至没人想过要问的问题提供了答案。这本书为你提供了挖掘这些答案的诀窍。

参加Python速成班

  • 学习线性代数、统计和概率的基础知识,并了解如何以及何时在数据科学中使用它们
  • 收集、探索、清理、分析和操作数据
  • 深入了解机器学习的基本原理
  • 实现诸如k近邻、朴素贝叶斯、线性和逻辑回归、决策树、神经网络和聚类等模型
  • 探索推荐系统、自然语言处理、网络分析、MapReduce和数据库
成为VIP会员查看完整内容
0
75

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
89

Python是世界上最流行的编程语言之一,人们从不同的背景成为Python程序员。有些人受过正规的计算机科学教育。其他人则将Python学习作为一种爱好。还有一些人在专业环境中使用Python,但他们的主要工作不是做软件开发人员。这本中级书中的问题将帮助经验丰富的程序员在学习语言的某些高级功能的同时,从他们的CS教育中重新了解自己的想法。自学成才的程序员将通过学习所选语言(例如Python)中的经典问题来加速CS教育。本书涵盖了各种各样的问题解决技术,以至于每个人都有真正的收获。

这本书不是对Python的介绍。相反,这本书假设您已经是一名中级或高级的Python程序员。尽管这本书需要Python3.7,但我们并不认为它能够精通最新版本的Python的每一个方面。事实上,这本书的内容是建立在这样一个假设上的:它将作为学习材料,帮助读者达到这样的掌握。另一方面,这本书不适合完全不熟悉Python的读者。

目录

介绍

  1. 小问题

    • 斐波那契序列

    • 简单的压缩

    • 牢不可破的加密

    • 计算圆周率

    • 汉诺塔

    • 实际应用

    • 练习

  2. 搜索问题

    • DNA搜索

    • 迷宫求解

    • 传教士和野人问题

    • 实际应用

    • 练习

  3. 约束满足问题

    • 构建约束-满足问题框架

    • 澳大利亚的地图着色问题

    • 八皇后问题

    • 单词搜索

    • SEND+MORE=MONEY

    • 电路板布局

    • 实际应用

    • 练习

  4. 图论问题

    • 地图作为图

    • 构建图框架

    • 最短路径查找

    • 最小化网络建设成本

    • 求加权图中的最短路径

    • 实际应用

    • 练习

  5. 遗传算法

    • 生物背景

    • 一种通用遗传算法

    • 一个天真的测试

    • SEND+MORE=MONEY revisited

    • 优化列表压缩

    • 遗传算法的挑战

    • 实际应用

    • 练习

  6. k-means聚类

    • 预备工作

    • k-means聚类算法

    • 按年龄和经度对州长进行聚类

    • 按长度聚集迈克尔·杰克逊的专辑

    • K-means聚类的问题和扩展

    • 实际应用

    • 练习

  7. 相当简单的神经网络

    • 生物学基础?

    • 人工神经网络

    • 预备工作

    • 构建网络

    • 分类问题

    • 加速神经网络

    • 神经网络问题和扩展

    • 实际应用

    • 练习

  8. 对抗搜索

    • 基本棋盘游戏组件
      
    • 井字游戏

    • 四子棋

    • 除了α-β剪枝之外的极大极小改进

    • 实际应用

    • 练习

  9. 其他问题

    • 背包问题

    • 旅行推销员问题

    • 电话号码助记符

    • 练习

附录A 词汇表

附录B 更多资源

附录C 类型提示简介

成为VIP会员查看完整内容
0
33

简介:

科学专业人员可以通过本书学习Scikit-Learn库以及机器学习的基础知识。该书将Anaconda Python发行版与流行的Scikit-Learn库结合在一起,展示了各种有监督和无监督的机器学习算法。通过Python编写的清晰示例向读者介绍机器学习的原理,以及相关代码。

本书涵盖了掌握这些内容所需的所有应用数学和编程技能。不需要深入的面向对象编程知识,因为可以提供并说明完整的示例。必要时,编码示例很深入且很复杂。它们也简洁,准确,完整,是对引入的机器学习概念的补充。处理示例有助于建立理解和应用复杂机器学习算法所需的技能。

本书的学生将学习作为胜任力前提的基础知识。读者将了解专门为数据科学专业人员设计的Python Anaconda发行版,并将在流行的Scikit-Learn库中构建技能,该库是Python领域许多机器学习应用程序的基础。

本书内容包括:

  • 使用Scikit-Learn通用的简单和复杂数据集
  • 将数据处理为向量和矩阵以进行算法处理
  • 熟悉数据科学中使用的Anaconda发行版
  • 通过分类器,回归器和降维应用机器学习
  • 调整算法并为每个数据集找到最佳算法
  • 从CSV,JSON,Numpy和Pandas格式加载数据并保存

内容介绍:

这本书分为八章。 第1章介绍了机器学习,Anaconda和Scikit-Learn的主题。 第2章和第3章介绍算法分类。 第2章对简单数据集进行分类,第3章对复杂数据集进行分类。 第4章介绍了回归预测模型。 第5章和第6章介绍分类调整。 第5章调整简单数据集,第6章调整复杂数据集。 第7章介绍了预测模型回归调整。 第8章将所有知识汇总在一起,以整体方式审查和提出发现。

作者介绍:

David Paper博士是犹他州立大学管理信息系统系的教授。他写了两本书-商业网络编程:Oracle的PHP面向对象编程和Python和MongoDB的数据科学基础。他在诸如组织研究方法,ACM通讯,信息与管理,信息资源管理期刊,AIS通讯,信息技术案例与应用研究期刊以及远程计划等参考期刊上发表了70余篇论文。他还曾在多个编辑委员会担任过各种职务,包括副编辑。Paper博士还曾在德州仪器(TI),DLS,Inc.和凤凰城小型企业管理局工作。他曾为IBM,AT&T,Octel,犹他州交通运输部和空间动力实验室执行过IS咨询工作。 Paper博士的教学和研究兴趣包括数据科学,机器学习,面向对象的程序设计和变更管理。

目录:

成为VIP会员查看完整内容
0
69
小贴士
相关VIP内容
专知会员服务
35+阅读 · 2月28日
专知会员服务
65+阅读 · 2月25日
专知会员服务
40+阅读 · 2020年12月29日
专知会员服务
100+阅读 · 2020年8月14日
专知会员服务
132+阅读 · 2020年6月10日
专知会员服务
112+阅读 · 2020年6月3日
专知会员服务
75+阅读 · 2020年5月19日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
89+阅读 · 2020年3月12日
专知会员服务
33+阅读 · 2019年12月31日
相关资讯
经典教材《统计学习导论》Python版
专知
14+阅读 · 2020年10月19日
各编程领域最好的入门书籍
程序猿
11+阅读 · 2018年7月29日
Python中机器学习的特征选择工具
云栖社区
6+阅读 · 2018年7月16日
最全数据科学学习资源:Python、线性代数、机器学习...
人工智能头条
8+阅读 · 2018年5月14日
机器学习基础篇--监督学习经典案例(Python实现)
Python技术博文
6+阅读 · 2017年10月24日
机器学习必备手册
机器学习研究会
11+阅读 · 2017年10月24日
相关论文
Theresa Ullmann,Christian Hennig,Anne-Laure Boulesteix
0+阅读 · 3月1日
Noam Razin,Asaf Maman,Nadav Cohen
0+阅读 · 2月26日
Kristijonas Cyras,Ramamurthy Badrinath,Swarup Kumar Mohalik,Anusha Mujumdar,Alexandros Nikou,Alessandro Previti,Vaishnavi Sundararajan,Aneta Vulgarakis Feljan
11+阅读 · 2020年9月1日
A Primer in BERTology: What we know about how BERT works
Anna Rogers,Olga Kovaleva,Anna Rumshisky
26+阅读 · 2020年2月27日
Learning From Positive and Unlabeled Data: A Survey
Jessa Bekker,Jesse Davis
4+阅读 · 2018年11月12日
Yao Quanming,Wang Mengshuo,Jair Escalante Hugo,Guyon Isabelle,Hu Yi-Qi,Li Yu-Feng,Tu Wei-Wei,Yang Qiang,Yu Yang
6+阅读 · 2018年10月31日
Hwiyeol Jo,Jeong Ryu
8+阅读 · 2018年6月3日
Lei Zhang,Shuai Wang,Bing Liu
23+阅读 · 2018年1月24日
Top