[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+利用Python进行数据分析（原书第2版）（2册）
| 作者 |
| [美]韦斯·麦金尼（Wes McKinney） |
| 丛书名 |
| “工业和信息化领域急需紧缺人才（大数据和人工智能）培养工程”系列丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782001101710 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------机器学习实战：基于Sophon平台的机器学习理论与实践--------------------------- 在机器学习大行其道的今天，机器学习平台也有着突飞猛进的发展。本书的立意，就是使用机器学习平台积累、沉淀下来的模块、组件去解决一个又一个业务难题和探索隐藏在其中的数据之美。Sophon机器学习平台的丰富算子能力和优秀的建模上线功能提供正是这样的能力。本书针对每种类型的机器学习问题，结合实际案例依照数据、分析、建模、总结的演进历程进行系统化阐述并进行实战讲解。 ---------------------------利用Python进行数据分析（原书第2版）--------------------------- 阅读本书可以获得关于在Python下操作、处理、清洗、规整数据集的完整说明。本书第2版针对Python 3.6进行了更新，并增加了实际案例向你展示如何高效地解决一系列数据分析问题。你将在阅读过程中学习到最新版本的pandas、NumPy、IPython和Jupyter。 |
| 目录 |
---------------------------机器学习实战：基于Sophon平台的机器学习理论与实践--------------------------- 前言 丛书前言 本书编委会 前言 第1章机器学习导论 1.1 什么是机器学习 1.1.1 机器学习的背景 1.1.2 机器学习的定义 1.1.3 机器学习的任务类型 1.1.4 构建机器学习应用的步骤 1.2 开发机器学习工作流的方式 第2章数据预处理与特征工程 2.1 特征提取 2.1.1 探索性数据分析 2.1.2 数值特征 2.1.3 类别特征 2.1.4 时间特征 2.1.5 文本特征 2.1.6 过滤方法 2.1.7 封装方法 2.1.8 嵌入方法 2.1.9 自动化特征工程 2.2 交互式数据预处理 2.3 本章小结 第3章回归模型 3.1 回归任务概述 3.2 回归算法原理 3.2.1 线性回归 3.2.2 决策树回归 3.2.3 生存回归 3.3 Sophon案例 3.4 本章小结 第4章分类 4.1 分类任务概述 4.2 分类算法原理 4.2.1 逻辑回归 4.2.2 因子分解机 4.2.3 XGBoost 4.3 使用Sophon建立分类模型 4.3.1 场景介绍 4.3.2 建模过程 4.3.3 结果分析 4.4 本章小结 第5章模型融合 5.1 集成学习理论 5.1.1 集成学习基本概念 5.1.2 个体学习器 5.1.3 基学习器集成 5.1.4 常用的集成学习方法 5.2 常用融合方法 5.2.1 平均法 5.2.2 学习法（Stacking 方法） 5.3 使用Sophon进行模型融合 5.3.1 场景与数据集介绍 5.3.2 建模过程 5.3.3 结果分析 5.4 本章小结 第6章聚类 78 6.1 聚类任务概述 6.2 聚类算法原理 6.2.1 K-Means 6.2.2 Fuzzy C-Means 6.2.3 Canopy 6.2.4 高斯混合 6.3 聚类模型实例 6.3.1 场景介绍 6.3.2 建模过程 6.3.3 结果分析 6.4 本章小结 第7章图计算 7.1 背景和问题描述 7.2 常用算法介绍 7.2.1 PageRank 7.2.2 标签传播 7.2.3 中心性检测 7.2.4 图嵌入 7.3 落地案例 7.3.1 场景介绍 7.3.2 建模过程 7.3.3 结果分析 7.4 本章小结 第8章自动机器学习 8.1 场景介绍 8.2 自动化特征工程 8.2.1 自动多表特征扩展 8.2.2 自动特征构建 8.3 建模过程 8.4 结果分析 8.5 真实测试案例 8.5.1 数据集 8.5.2 前置设置 8.5.3 测试结果分析 8.5.4 Abalone 和 Airfoil Self-Noise 数据集的增强测试 8.5.5 小结 8.6 本章小结 第9章自然语言处理 9.1 自然语言处理算法原理 9.1.1 词向量 9.1.2 序列标注 9.1.3 关键词抽取 9.1.4 文本自动摘要 9.1.5 文本情感分析 9.2 使用Sophon建立自然语言处理模型 9.2.1 场景介绍 9.2.2 建模流程 9.2.3 模型评估 9.3 落地案例 9.4 本章小结 第10章计算机视觉 10.1 计算机视觉概述 10.2 计算机视觉算法原理 10.2.1 图像分类 10.2.2 目标检测 10.3 计算机视觉模型示例 10.3.1 图像预处理 10.3.2 图像分类算法建模 10.3.3 目标检测算法建模 10.4 落地案例 10.5 本章小结 附录A 企业级人工智能应用平台Sophon A.1 产品架构 A.2 技术特点 A.3 组件介绍能 A.4 Sophon Edge 边缘计算 A.5 Sophon EP 实体画像 A.6 Sophon KG 知识图谱 A.7 Sophon CV 图像分析 A.8 Sophon NLP 自然语言处理 A.9 Sophon Cloud 服务管理 ---------------------------利用Python进行数据分析（原书第2版）--------------------------- 前言1 第1章 准备工作7 1.1 本书内容7 1.1.1 什么类型的数据7 1.2 为何利用Python进行数据分析8 1.2.1 Python作为胶水8 1.2.2 解决“双语言”难题8 1.2.3 为何不使用Python9 1.3 重要的Python库9 1.3.1 NumPy9 1.3.2 pandas10 1.3.3 matplotlib11 1.3.4 IPython与Jupyter11 1.3.5 SciPy12 1.3.6 scikit-learn12 1.3.7 statsmodels13 1.4 安装与设置13 1.4.1 Windows14 1.4.2 Apple（OS X和macOS）14 1.4.3 GNU/Linux14 1.4.4 安装及更新Python包15 1.4.5 Python 2和Python 316 1.4.6 集成开发环境和文本编辑器16 1.5 社区和会议17 1.6 快速浏览本书17 1.6.1 代码示例18 1.6.2 示例数据18 1.6.3导入约定18 1.6.4术语19 第2章 Python语言基础、IPython及Jupyter notebook20 2.1 Python解释器21 2.2 IPython基础22 2.2.1 运行IPython命令行22 2.2.2 运行 Jupyter notebook23 2.2.3 Tab补全25 2.2.4 内省27 2.2.5 %run命令28 2.2.6 执行剪贴板中的程序30 2.2.7 终端快捷键30 2.2.8 关于魔术命令31 2.2.9 matplotlib集成33 2.3 Python语言基础34 2.3.1 语言语义34 2.3.2 标量类型42 2.3.3 控制流49 第3章 内建数据结构、函数及文件54 3.1 数据结构和序列54 3.1.1 元组54 3.1.2 列表57 3.1.3 内建序列函数61 3.1.4 字典64 3.1.5集合67 3.1.6 列表、集合和字典的推导式69 3.2 函数72 3.2.1 命名空间、作用域和本地函数72 3.2.2 返回多个值73 3.2.3 函数是对象74 3.2.4 匿名（Lambda）函数75 3.2.5 柯里化：部分参数应用76 3.2.6 生成器77 3.2.7 错误和异常处理79 3.3 文件与操作系统82 3.3.1 字节与Unicode文件85 3.4 本章小结86 第4章 NumPy基础：数组与向量化计算87 4.1 NumPy ndarray：多维数组对象89 4.1.1 生成ndarray90 4.1.2 ndarray的数据类型92 4.1.3 NumPy数组算术94 4.1.4 基础索引与切片95 4.1.5 布尔索引100 4.1.6 神奇索引103 4.1.7 数组转置和换轴104 4.2 通用函数：快速的逐元素数组函数106 4.3 使用数组进行面向数组编程109 4.3.1 将条件逻辑作为数组操作110 4.3.2 数学和统计方法111 4.3.3 布尔值数组的方法113 4.3.4 排序114 4.3.5 唯一值与其他集合逻辑115 4.4 使用数组进行文件输入和输出115 4.5 线性代数116 4.6 伪随机数生成118 4.7 示例：随机漫步120 4.7.1 一次性模拟多次随机漫步121 4.8 本章小结122 第5章 pandas入门123 5.1 pandas数据结构介绍123 5.1.1 Series123 5.1.2 DataFrame128 5.1.3 索引对象134 5.2 基本功能135 5.2.1 重建索引136 5.2.2 轴向上删除条目138 5.2.3 索引、选择与过滤140 5.2.4 整数索引144 5.2.5 算术和数据对齐145 5.2.6 函数应用和映射150 5.2.7 排序和排名152 5.2.8 含有重复标签的轴索引155 5.3 描述性统计的概述与计算157 5.3.1 相关性和协方差159 5.3.2 唯一值、计数和成员属性161 5.4 本章小结164 第6章 数据载入、存储及文件格式165 6.1 文本格式数据的读写165 6.1.1 分块读入文本文件171 6.1.2 将数据写入文本格式172 6.1.3 使用分隔格式174 6.1.4 JSON数据176 6.1.5 XML和HTML：网络抓取177 6.2 二进制格式180 6.2.1 使用HDF5格式181 6.2.2 读取Microsoft Excel文件183 6.3 与Web API交互184 6.4 与数据库交互186 6.5 本章小结187 第7章 数据清洗与准备188 7.1 处理缺失值188 7.1.1 过滤缺失值189 7.1.2 补全缺失值191 7.2 数据转换194 7.2.1 删除重复值194 7.2.2 使用函数或映射进行数据转换195 7.2.3 替代值197 7.2.4 重命名轴索引198 7.2.5 离散化和分箱199 7.2.6 检测和过滤异常值202 7.2.7 置换和随机抽样203 7.2.8 计算指标/虚拟变量204 7.3 字符串操作207 7.3.1 字符串对象方法208 7.3.2 正则表达式210 7.3.3 pandas中的向量化字符串函数213 7.4 本章小结215 第8章 数据规整：连接、联合与重塑216 8.1 分层索引216 8.1.1重排序和层级排序219 8.1.2 按层级进行汇总统计220 8.1.3 使用DataFrame的列进行索引220 8.2 联合与合并数据集221 8.2.1 数据库风格的DataFrame连接222 8.2.2 根据索引合并226 8.2.3 沿轴向连接230 8.2.4 联合重叠数据235 8.3 重塑和透视236 8.3.1 使用多层索引进行重塑236 8.3.2 将“长”透视为“宽”240 8.3.3 将“宽”透视为“长”242 8.4 本章小结244 第9章 绘图与可视化245 9.1 简明matplotlib API入门245 9.1.1 图片与子图246 9.1.2 颜色、标记和线类型250 9.1.3 刻度、标签和图例252 9.1.4 注释与子图加工255 9.1.5 将图片保存到文件258 9.1.6 matplotlib设置258 9.2 使用pandas和seaborn绘图259 9.2.1 折线图259 9.2.2 柱状图262 9.2.3 直方图和密度图266 9.2.4 散点图或点图269 9.2.5 分面网格和分类数据270 9.3 其他Python可视化工具271 9.4 本章小结272 第10章 数据聚合与分组操作274 10.1 GroupBy机制274 10.1.1 遍历各分组278 10.1.2 选择一列或所有列的子集279 10.1.3 使用字典和Series分组280 10.1.4 使用函数分组281 10.1.5 根据索引层级分组282 10.2 数据聚合282 10.2.1 逐列及多函数应用284 10.2.2 返回不含行索引的聚合数据287 10.3 应用：通用拆分-应用-联合288 10.3.1 压缩分组键290 10.3.2 分位数与桶分析291 10.3.3 示例：使用指定分组值填充缺失值292 10.3.4 示例：随机采样与排列294 10.3.5 示例：分组加权平均和相关性296 10.3.6 示例：逐组线性回归298 10.4 数据透视表与交叉表298 10.4.1 交叉表：crosstab301 10.5 本章小结302 第11章 时间序列303 11.1 日期和时间数据的类型及工具303 11.1.1 字符串与datetime互相转换305 11.2 时间序列基础307 11.2.1 索引、选择、子集308 11.2.2 含有重复索引的时间序列311 11.3 日期范围、频率和移位312 11.3.1 生成日期范围313 11.3.2 频率和日期偏置316 11.3.3 移位（前向和后向）日期317 11.4 时区处理320 11.4.1 时区的本地化和转换320 11.4.2 时区感知时间戳对象的操作323 11.4.3 不同时区间的操作324 11.5 时间区间和区间算术324 11.5.1 区间频率转换326 11.5.2 季度区间频率327 11.5.3 将时间戳转换为区间（以及逆转换）329 11.5.4 从数组生成PeriodIndex330 11.6 重新采样与频率转换332 11.6.1 向下采样334 11.6.2 向上采样与插值336 11.6.3 使用区间进行重新采样337 11.7 移动窗口函数339 11.7.1 指数加权函数342 11.7.2 二元移动窗口函数343 11.7.3 用户自定义的移动窗口函数344 11.8 本章小结344 第12章 高阶pandas346 12.1 分类数据346 12.1.1 背景和目标346 12.1.2 pandas中的Categorical类型348 12.1.3 使用Categorical对象进行计算350 12.1.4 分类方法352 12.2 高阶GroupBy应用355 12.2.1 分组转换和“展开”GroupBy355 12.2.2 分组的时间重新采样359 12.3 方法链技术361 12.3.1 pipe方法362 12.4 本章小结363 第13章 Python建模库介绍364 13.1 pandas与建模代码的结合364 13.2 使用Patsy创建模型描述367 13.2.1 Patsy公式中的数据转换369 13.2.2 分类数据与Patsy371 13.3 statsmodels介绍373 13.3.1 评估线性模型374 13.3.2 评估时间序列处理377 13.4 scikit-learn介绍377 13.5 继续你的教育381 第14章 数据分析示例382 14.1 从Bitly获取1.USA.gov数据382 14.1.1 纯Python时区计数383 14.1.2 使用pandas进行时区计数385 14.2 MovieLens 1M数据集392 14.2.1 测量评价分歧396 14.3 美国1880～2010年的婴儿名字397 14.3.1分析名字趋势402 14.4 美国农业部食品数据库410 14.5 2012年联邦选举委员会数据库416 14.5.1 按职业和雇主的捐献统计419 14.5.2 捐赠金额分桶421 14.5.3 按州进行捐赠统计423 14.6 本章小结424 附录A 高阶NumPy425 附录B 更多IPython系统相关内容457 |
有问题微信扫码联系
推荐
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+Python机器学习（原书第2版）（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+Python深度学习：基于TensorFlow（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+神经网络与深度学习实战：Python+Keras+TensorFlow（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+Python数据分析与数据化运营 第2版（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+机器学习实战：基于Scikit-Learn和TensorFlow（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+利用Python进行数据分析（原书第2版）（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+强化学习：原理与Python 实现[鲜读]（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+Python人脸识别：从入门到工程实践（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+Python数据分析与挖掘实战（第2版）（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台（2册）
- ※[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+深度学习之图像识别：核心技术与案例实战（2册）