xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

《Python機器學(xué)習(xí)實戰(zhàn)：基于Scikit-learn與PyTorch的神經(jīng)網(wǎng)絡(luò)解決方案》基于作者多年的積累，通過概念及其解釋、Python代碼示例及其解釋和代碼輸出，特別針對零基礎(chǔ)讀者精心設(shè)計了這本機器學(xué)習(xí)進階指南。全書包含3部分16章的內(nèi)容，在介紹完編程和數(shù)據(jù)處理基礎(chǔ)之后，探討了監(jiān)督學(xué)習(xí)（如線性回歸、邏輯回歸及決策樹、樸素貝葉斯和支持向量機）、集成學(xué)習(xí)以及無監(jiān)督學(xué)習(xí)（如降維和聚類等）。值得一提的是，書的最后講到了神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的基本思想，探討了人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)。 《Python機器學(xué)習(xí)實戰(zhàn)：基于Scikit-learn與PyTorch的神經(jīng)網(wǎng)絡(luò)解決方案》適合零基礎(chǔ)且希望了解和掌握機器學(xué)習(xí)的讀者閱讀與參考。

NumPy、Pandas、Matplotlib、Scikit-learn以及Pytorch，一應(yīng)俱全
涵括常見應(yīng)用場景，可作為初學(xué)者入門指南以及從業(yè)者中長期參考手冊
深度闡述機器學(xué)習(xí)環(huán)境搭建、數(shù)據(jù)加載、數(shù)值處理、數(shù)據(jù)分析和可視化
結(jié)合理論和實踐來解釋監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、回歸算法以及集成學(xué)習(xí)
通過一個端到端解決方案來解釋復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)、原理和實現(xiàn)

本書分為三個部分。第一部分向您介紹使用 Python 的數(shù)字運算和數(shù)據(jù)分析工具，并深入解釋環(huán)境配置、數(shù)據(jù)加載、數(shù)值處理、數(shù)據(jù)分析和可視化。第二部分涵蓋機器學(xué)習(xí)基礎(chǔ)知識和 Scikit-learn 庫。它還通過理論和實踐課程以簡單的方式解釋了監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、回歸算法的實現(xiàn)和分類以及集成學(xué)習(xí)方法。第三部分解釋了復(fù)雜的神經(jīng)網(wǎng)絡(luò)架構(gòu)，并詳細介紹了卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)部工作和實現(xiàn)。最后一章包含 Pytorch 中神經(jīng)網(wǎng)絡(luò)的詳細端到端解決方案。本書可以幫助讀者實現(xiàn)機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)解決方案。
特色主題如下：
復(fù)習(xí)NumPy和Pandas中的數(shù)據(jù)結(jié)構(gòu)
展示機器學(xué)習(xí)技術(shù)和算法
了解監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)
重點討論卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)
全面介紹熟悉scikit-learn和 PyTorch
預(yù)測遞歸神經(jīng)網(wǎng)絡(luò)和長短期記憶中的序列

我們一直想要合作寫一本以機器學(xué)習(xí)為主題的書。十年前，我們剛開始接觸AI。如今，這個領(lǐng)域已經(jīng)有了突飛猛進的發(fā)展和擴張。作為終身學(xué)習(xí)者，我們意識到，在最開始接觸任何領(lǐng)域時，都需要一份更明晰的資料來清楚地指明前方的道路。在通過閱讀、學(xué)習(xí)和利用所學(xué)的知識來加強學(xué)習(xí)體驗的過程中，也需要有一系列明確的解釋和偶爾的靈感。我們在軟件開發(fā)、數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的學(xué)術(shù)經(jīng)歷與職業(yè)生涯中經(jīng)常使用Python。通過這本書，我們做了一次非常謙卑的嘗試，為絕對零基礎(chǔ)的初學(xué)者寫一本以機器學(xué)習(xí)為主題的分步驟指南。本書的每一章都包含對概念的解釋、代碼示例、對代碼示例的解釋以及代碼輸出截圖。
第Ⅰ部分包含4章的內(nèi)容。第1章講解不同平臺上如何設(shè)置Python環(huán)境。第2章涉及NumPy和Ndarray。第3章探討如何用Matplotlib進行可視化。第4章介紹Pandas數(shù)據(jù)科學(xué)庫。最開始的這幾章都旨在建立編程和基本的數(shù)據(jù)處理基礎(chǔ)，這是學(xué)習(xí)機器學(xué)習(xí)的先決條件之一。
第Ⅱ部分探討傳統(tǒng)的機器學(xué)習(xí)方法。在第5章中，我們先對機器學(xué)習(xí)領(lǐng)域進行概覽，然后講解如何安裝Scikit-learn，并介紹一個簡短而快速的使用Scikit-learn的機器學(xué)習(xí)解決方案示例。第6章詳細說明一些方法，以幫助大家理解結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)和圖像數(shù)據(jù)，并將這些數(shù)據(jù)轉(zhuǎn)化為機器學(xué)習(xí)庫所能接受的格式。第7章介紹監(jiān)督學(xué)習(xí)式，講解了針對回歸問題的線性回歸和針對分類問題的邏輯回歸和決策樹。在每個實驗中，我們還展示了如何利用決策邊界圖（decision boundary plot）來繪制算法所學(xué)到的可視化內(nèi)容。第8章深入研究如何進一步微調(diào)機器學(xué)習(xí)模型。我們解釋了一些評估模型性能的想法，過擬合和欠擬合的問題，以及處理這些問題和提升模型性能的方法。第9章繼續(xù)探討監(jiān)督式學(xué)習(xí)方法并重點介紹樸素貝葉斯和支持向量機。第10章講解集成學(xué)習(xí)，這種解決方案將多個較簡單的模型結(jié)合起來，以獲得比單獨這些模型更好的性能。在第11章中，我們討論了無監(jiān)督學(xué)習(xí)，并重點關(guān)注降維、聚類和頻繁模式挖掘方法。每個部分都包含一個使用Scikit-learn實現(xiàn)所討論方法的完整例子。
最后，第Ⅲ部分中的第12章介紹神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的基本思想。我們介紹了一個非常流行的開源機器學(xué)習(xí)框架PyTorch，后續(xù)章節(jié)的例子都會用到它。第13章講解人工神經(jīng)網(wǎng)絡(luò)，并深入論述了前饋（feedforward）和反向傳播（backpropagation）的理論基礎(chǔ)，然后要地介紹損失函數(shù)（loss function）和一個簡單神經(jīng)網(wǎng)絡(luò)的例子。在后半部分中，我們解釋了如何創(chuàng)建一個能夠識別手寫數(shù)字的多層神經(jīng)網(wǎng)絡(luò)。在第14章中，我們討論卷積神經(jīng)網(wǎng)絡(luò)并講述了一個圖像分類案例。第15章探討遞歸神經(jīng)網(wǎng)絡(luò)，并指導(dǎo)您解決一個序列建模問題。在最后的第16章中，我們論述規(guī)劃、管理和設(shè)計機器學(xué)習(xí)和數(shù)據(jù)科學(xué)項目的策略。我們還講解了一個端到端的案例，它很簡短，使用了深度學(xué)習(xí)來進行情感分析。
如果是初次接觸這個主題，那么我們強烈建議您按照章節(jié)順序閱讀本書，因為其中概念是相互關(guān)聯(lián)的。仔細閱讀所有代碼，可以隨意地嘗試修改和調(diào)整代碼結(jié)構(gòu)、數(shù)據(jù)集和超參數(shù)。
如果對一些主題已經(jīng)有所了解，請隨意跳到自己感興趣的章節(jié)并深入研究相關(guān)內(nèi)容。祝大家學(xué)習(xí)順利。

阿什溫·帕揚卡（AshwinPajankar）是一名技術(shù)類作家、講師、內(nèi)容創(chuàng)作者和YouTuber主播。他在南德的SGGSIE&T獲得了工程學(xué)士學(xué)位，在印度理工學(xué)院海德拉巴校區(qū)獲得了計算機科學(xué)與工程碩士學(xué)位。他在7歲的時候接觸到電子技術(shù)和計算機編程。BASIC 是他學(xué)會的第一種編程語言。他還用過其他很多編程語言，比如匯編語言、C、C 、VisualBasic、Java、ShellScripting、Python、SQL和 JavaScript。他還非常喜歡使用單板計算機和微控制器，比如樹莓派、BananaPro、Arduino、BBC Microbit 和 ESP32。
他目前正專注于發(fā)展 YouTube 頻道，內(nèi)容涉及計算機編程、電子技術(shù)和微控制器。

阿迪亞·喬希（AdityaJoshi）是一名機器學(xué)習(xí)工程師，他曾經(jīng)在早中期創(chuàng)業(yè)公司的數(shù)據(jù)科學(xué)和機器學(xué)習(xí)團隊工作。他在浦那大學(xué)獲得了工程學(xué)士學(xué)位，在印度理工學(xué)院海德拉巴校區(qū)獲得了計算機科學(xué)與工程碩士學(xué)位。他在碩士學(xué)習(xí)期間對機器學(xué)習(xí)產(chǎn)生了興趣，并與印度理工學(xué)院海德拉巴校區(qū)的搜索和信息提取實驗室有了聯(lián)系。他喜歡教學(xué)，經(jīng)常參加培訓(xùn)研討會、聚會和短期課程。

歐拉在校期間多次入選優(yōu)等生名單，奉行深思篤行的做事原則，擅長于問題引導(dǎo)和拆解，曾經(jīng)運用數(shù)據(jù)模型和R語言幫助某企業(yè)在半年內(nèi)實現(xiàn)了十倍的增長。美食愛好者。有多部譯著，翻譯風(fēng)格活潑而準確，有志于通過文字、技術(shù)和思維來探尋商業(yè)價值與人文精神的平衡。目前感興趣的方向有機器學(xué)習(xí)和人工智能。

第Ⅰ部分PYTHON機器學(xué)習(xí)
第1章Python 3和Jupyter Notebook入門 3
1.1Python概述 4
1.1.1Python編程語言的歷史 4
1.1.2Python編程語言的哲學(xué) 4
1.1.3Python的使用范圍 5
1.2安裝Python 6
1.2.1在Linux 發(fā)行版上安裝 Python 7
1.2.2在macOS 上安裝Python 7
1.3Python模式 7
1.3.1交互模式 7
1.3.2腳本模式 11
1.4Pip3工具 13
1.5科學(xué)Python生態(tài)系統(tǒng) 14
1.6Python的實現(xiàn)和發(fā)行版 14
1.7Anaconda發(fā)行版 15
1.8小結(jié) 16
第2章NumPy入門 17
2.1開始使用NumPy 18
2.2Ndarray的索引 20
2.3Ndarray的屬性 22
2.4NumPy常量 23
2.5小結(jié) 24
第3章數(shù)據(jù)可視化入門 25
3.1用于創(chuàng)建Ndarray的NumPy例程 26
3.2Matplotlib數(shù)據(jù)可視化 28
3.3小結(jié) 34
第4章Pandas入門 35
4.1Pandas基礎(chǔ)知識 36
4.2Pandas中的Series 36
4.3Pandas中的數(shù)據(jù)框架 38
4.4在數(shù)據(jù)框架中實現(xiàn)數(shù)據(jù)的可視化 40
4.5小結(jié) 46
第Ⅱ部分機器學(xué)習(xí)方法
第5章Scikit-learn機器學(xué)習(xí)概述 49
5.1從數(shù)據(jù)中學(xué)習(xí) 50
5.1.1監(jiān)督式學(xué)習(xí) 50
5.1.2無監(jiān)督學(xué)習(xí) 51
5.2機器學(xué)習(xí)系統(tǒng)的結(jié)構(gòu) 52
5.2.1問題理解 53
5.2.2數(shù)據(jù)收集 53
5.2.3數(shù)據(jù)標注和數(shù)據(jù)準備 53
5.2.4數(shù)據(jù)整理 53
5.2.5模型的開發(fā)、訓(xùn)練和評估 54
5.2.6模型的部署 54
5.3Scikit-Learn 55
5.4安裝Scikit-Learn 55
5.5了解API 56
5.6第一個Scikit-learn實驗 57
5.7小結(jié) 60
第6章為機器學(xué)習(xí)準備數(shù)據(jù) 61
6.1數(shù)據(jù)變量的類型 62
6.1.1名目數(shù)據(jù) 62
6.1.2次序數(shù)據(jù) 62
6.1.3等距數(shù)據(jù) 63
6.1.4等比數(shù)據(jù) 63
6.2轉(zhuǎn)換 63
6.2.1轉(zhuǎn)換名目屬性 64
6.2.2轉(zhuǎn)換有序?qū)傩?66
6.3歸一化 67
6.3.1線性函數(shù)歸一化 68
6.3.2標準縮放 69
6.4預(yù)處理文本 70
6.4.1準備NLTK 70
6.4.2NLP流水線的5個步驟 71
6.4.3詞干提取和詞形還原 72
6.4.4移除停用詞 73
6.4.5準備詞向量 73
6.5預(yù)處理圖像 75
6.6小結(jié) 77
第7章初探監(jiān)督式學(xué)習(xí)方法 79
7.1線性回歸 80
7.2邏輯回歸 86
7.2.1表達式概率的線與曲線的比較 87
7.2.1學(xué)習(xí)參數(shù) 87
7.2.2可視化決策邊界 90
7.3決策樹 91
7.3.1構(gòu)建決策樹 92
7.3.2Python中的決策樹 93
7.4小結(jié) 96
第8章對監(jiān)督式學(xué)習(xí)進行調(diào)試 97
8.1訓(xùn)練和測試過程 98
8.2性能的衡量標準 98
8.2.1混淆矩陣 99
8.2.2精確率 100
8.2.3準確率 100
8.2.3F值 100
8.2.4Python中的性能指標 101
8.3交叉驗證 103
8.3.1為什么要進行交叉驗證 104
8.3.2使用Python進行交叉驗證 105
8.4ROC曲線 106
8.5過擬合和正則化 109
8.5.1偏差和方差 112
8.5.2正則化 113
8.6超參數(shù)調(diào)優(yōu) 116
8.7小結(jié) 120
第9章再談監(jiān)督學(xué)習(xí)方法 121
9.1樸素貝葉斯 122
9.1.1貝葉斯定理 122
9.1.2條件概率 123
9.1.3樸素貝葉斯的運作方式 123
9.1.4多項樸素貝葉斯 124
9.1.5Python中的樸素貝葉斯 124
9.2支持向量機 126
9.2.1SVM的運作方式 127
9.2.2非線性分類 128
9.2.3SVM中的核技巧 129
9.2.4Python中的支持向量機 130
9.3小結(jié) 134
第10章集成學(xué)習(xí)方法 135
10.1Bagging算法和隨機森林 136
10.2Boosting算法 140
10.3Stacking集成 146
10.4小結(jié) 150
第11章無監(jiān)督學(xué)習(xí)方法 151
11.1降維 152
11.1.1了解維數(shù)災(zāi)難 152
11.1.2主成分分析 153
11.1.3Python中的主成分分析 154
11.2聚類 157
11.2.1使用k-均值進行聚類 158
11.2.2Python中的k-均值 158
11.2.3什么是正確的k 161
11.2.4聚類之圖像分割 162
11.2.5使用DBSCAN進行聚類 165
11.3頻繁模式挖掘 168
11.3.1購物籃分析 168
11.3.2Python中的頻繁模式挖掘 169
11.4小結(jié) 172
第Ⅲ部分神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
第12章神經(jīng)網(wǎng)絡(luò)和PyTorch基礎(chǔ) 175
12.1安裝PyTorch 177
12.2 PyTorch的基礎(chǔ)知識 177
12.2.1創(chuàng)建張量 177
12.2.2張量操作 179
12.3感知器 181
12.4人工神經(jīng)網(wǎng)絡(luò) 185
12.5小結(jié) 186
第13章前饋神經(jīng)網(wǎng)絡(luò) 187
13.1前饋神經(jīng)網(wǎng)絡(luò) 188
13.1.1訓(xùn)練神經(jīng)網(wǎng)絡(luò) 189
13.1.2損失函數(shù) 193
13.2使用人工神經(jīng)網(wǎng)絡(luò)進行回歸 195
13.3激活函數(shù) 198
13.3.1ReLU 激活函數(shù) 198
13.3.2Sigmoid 激活函數(shù) 199
13.3.3tanh激活函數(shù) 200
13.4多層人工神經(jīng)網(wǎng)絡(luò) 200
13.4.1PyTorch中的神經(jīng)網(wǎng)絡(luò)（NN）類 206
13.4.2過擬合和Dropout 208
13.5分類手寫數(shù)字 209
13.6小結(jié) 214
第14章卷積神經(jīng)網(wǎng)絡(luò) 215
14.1卷積運算 216
14.2CNN的結(jié)構(gòu) 219
14.3在PyTorch中使用卷積神經(jīng)網(wǎng)絡(luò) 221
14.4使用CNN進行圖像分類 223
14.5卷積神經(jīng)網(wǎng)絡(luò)的深度網(wǎng)絡(luò) 233
14.5小結(jié) 234
第15章循環(huán)神經(jīng)網(wǎng)絡(luò) 235
15.1循環(huán)單元 236
15.2RNN的類型 238
15.2.1一對一 238
15.2.2一對多 238
15.2.3多對一 238
15.2.4多對多 239
15.3Python中的RNN 239
15.4長短期記憶 240
15.4.1LSTM單元 241
15.4.2時間序列預(yù)測 242
15.5門控循環(huán)單元 252
15.6小結(jié) 252
第16章項目實戰(zhàn) 253
16.1數(shù)據(jù)科學(xué)生命周期 254
16.2如何提供ML應(yīng)用 257
16.3通過實踐學(xué)習(xí) 258
16.3.1定義問題 258
16.3.2數(shù)據(jù) 259
16.3.3準備模型 263
16.3.4序列化模型，以便未來用于預(yù)測 268
16.3.5托管模型 270
16.4未來可期 271