Python快速實戰機器學習(1) 教材準備
- 2019 年 10 月 11 日
- 筆記
導語
機器學習是如今人工智慧時代背景下一個重要的領域，它應用廣泛，如推薦系統，文本分析，影像識別，語言翻譯等等。要想學通這個大的領域不是一件容易的事情，所以我打算集大家之長，開通一個「Python快速實戰機器學習」系列，用Python程式碼實踐機器學習裡面的演算法，旨在理論和實踐同時進行，快速掌握知識。
預計這個系列會更新30篇左右，每一篇盡量講清楚一個演算法。具體的形式為理論加上程式碼。作為第一篇，我們先不講具體知識，而是準備一些學習資料，作為以後學習過程的參考。
機器學習實戰
豆瓣評分：
主要內容：
本書第一部分主要介紹機器學習基礎，以及如何利用演算法進行分類，並逐步介紹了多種經典的監督學習演算法；第三部分則重點介紹無監督學習及其一些主要演算法；第四部分介紹了機器學習演算法的一些附屬工具。
目錄：
第一部分 分類 第1章 機器學習基礎 第2章 k-近鄰演算法 第3章 決策樹 第4章 基於概率論的分類方法：樸素貝葉斯 第5章 Logistic回歸 第6章 支援向量機 第7章 利用AdaBoost元演算法提高分類 第二部分 利用回歸預測數值型數據 第8章 預測數值型數據：回歸 第9章 樹回歸 第三部分 無監督學習 第10章 利用K-均值聚類演算法對未標註數據分組 第11章 使用Apriori演算法進行關聯分析 第12章 使用FP-growth演算法來高效發現頻繁項集 第四部分 其他工具 第13章 利用PCA來簡化數據 第14章 利用SVD簡化數據 第15章 大數據與MapReduce
Scikit-Learn與TensorFlow機器學習實用指南
豆瓣評分：
主要內容
通過具體的例子、很少的理論以及兩款成熟的Python框架：Scikit-Learn和TensorFlow。你將會學習到各種技術，從簡單的線性回歸及發展到深度神經網路。使用Scikit-Learn全程跟蹤一個機器學習項目的例子探索各種訓練模型；使用TensorFlow庫構建和訓練神經網路，深入神經網路架構。
目錄：
第一部分 機器學習基礎 第1章 機器學習概覽 第2章 端到端的機器學習項目 第3章 分類 第4章 訓練模型 第5章 支援向量機 第6章 決策樹 第7章 集成學習和隨機森林 第8章 降維 第9章 運行TensorFlow 第10章 人工神經網路簡介 第11章 訓練深度神經網路 第12章 跨設備和伺服器的分散式TensorFlow 第13章 卷積神經網路
Python機器學習
豆瓣評分：
目錄 ：
第1章 賦予電腦學習數據的能力
第2章 機器學習分類演算法
第3章 使用scikit-learn實現機器學習分類演算法
第4章 數據預處理—構建好的訓練數據集
第5章 通過降維壓縮數據
第6章 模型評估與參數調優實戰
第7章 集成學習—組合不同的模型
第8章 使用機器學習進行情感分析
第9章 在Web應用中嵌入機器學習模型
第10章 使用回歸分析預測連續型目標變數
第11章 聚類分析——處理無類標數據
第12章 使用人工神經網路識別影像
第13章 使用Theano並行訓練神經網路
集體智慧編程
豆瓣評分：
主要內容：
本書以機器學習與計算統計為主題背景，專門講述如何挖掘和分析Web上的數據和資源，如何分析用戶體驗、市場營銷、個人品味等諸多資訊，並得出有用的結論，通過複雜的演算法來從Web網站獲取、收集並分析用戶的數據和回饋資訊，以便創造新的用戶價值和商業價值。全書內容翔實，包括協作過濾技術（實現關聯產品推薦功能）、集群數據分析（在大規模數據集中發掘相似的數據子集）、搜索引擎核心技術（爬蟲、索引、查詢引擎、PageRank演算法等）、搜索海量資訊並進行分析統計得出結論的優化演算法、貝葉斯過濾技術（垃圾郵件過濾、文本過濾）、用決策樹技術實現預測和決策建模功能、社交網路的資訊匹配技術、機器學習和人工智慧應用等。
目錄：
第1章 集體智慧導言 第2章 提供推薦 第3章 發現群組 第4章 搜索與排名 第5章 優化 第6章 文檔過濾 第7章 決策樹建模 第8章 構建價格模型 第9章 高階分類：核方法與SVM 第10章 尋找獨立特徵 第11章 智慧進化 第12章 演算法總結
//
關於Python的要求說明
//
為了學習機器學習，我們對於Python有兩點要求：
- 掌握Python基礎知識
- 熟悉NumPy,Pandas,Matplotlib等
如果你喜歡本文，請分享到朋友圈，想要獲得更多資訊，請關注我。
