机器学习Web应用 PDF 高清原版

Python是一种通用性计算机语言，都是一种相对性非常容易学习培训的語言。因而，大数据工程师在为中小规模纳税人的uci数据集制做原形、保持数据可视化和剖析统计数据时，常常挑选应用Python。 这书弥补了深度学习和Web开发设计中间的差距。这书重中之重解读在Web运用中保持分析预测作用的难题，重中之重详细介绍Python語言及有关架构、专用工具和库，展现了怎样构建深度学习系统软件。你将从这书学得深度学习的关键定义，学习培训如何把统计数据布署到用Django架构开发设计的Web运用；还将学得怎样发掘Web、文本文档和服务端统计数据及其怎样构建强烈推荐模块。 接着，你将深化探寻功能齐全的Django架构，学习培训构建1个简易、具有科技感的电影影评情感分析运用，它但是用机器学习算法驱动器的！ 这书是写給正勤奋变成大数据工程师的用户及其当红的大数据工程师的。用户应当具有某些深度学习工作经验。当你对开发设计智能化（具有预测分析作用的）Web运用很感兴趣，或已经从业有关开发设计工作中，这书特别适合你。把握必须的Django专业知识，学习培训这书将会更为轻轻松松。人们还期待用户具有必须的Python程序编写背景图和扎扎实实的生物学专业知识。 根据阅读文章这书，你将可以： ● 了解深度学习基本要素和深度学习小区应用的某些专业术语。

● 用多种多样专用工具和技术性从平台网站发掘统计数据。 

● 把握Django架构的关键定义。 

● 掌握常见的聚类算法和归类技术性，合用Python保持他们。 

● 把握用Django构建Web运用需要的全部bi备专业知识。 

● 用Python語言的Django库取得成功构建和布署电影推荐系统软件。

深度学习能用来解决由客户造成的、总数持续提高的Web统计数据。 这书解读怎样用Python語言、Django架构开发设计这款Web商业服务运用，及其怎样用某些制好的库和专用工具（sklearn、scipy、nltk和Django等）解决和剖析运用所转化成或应用的统计数据。这书不但涉及到深度学习的关键定义，还详细介绍了如何把统计数据布署到用Django架构开发设计的Web运用，包含Web、文本文档和服务端统计数据的发掘和强烈推荐模块的构建方式 。 这书合适之广居变成或不久变成大数据工程师的用户学习培训，也合适对深度学习、Web大数据挖掘等技术性实践活动很感兴趣的用户参照阅读文章。

目录

• 第1章 Python机器学习实践入门 1
• 1.1 机器学习常用概念 1
• 1.2 数据的准备、处理和可视化
• —NumPy、pandas和matplotlib教程 6
• 1.2.1 NumPy的用法 6
• 1.2.2 理解pandas模块 23
• 1.2.3 matplotlib教程 32
• 1.3 本书使用的科学计算库 35
• 1.4 机器学习的应用场景 36
• 1.5 小结 36
• 第2章 无监督机器学习 37
• 2.1 聚类算法 37
• 2.1.1 分布方法 38
• 2.1.2 质心点方法 40
• 2.1.3 密度方法 41
• 2.1.4 层次方法 44
• 2.2 降维 52
• 2.3 奇异值分解（SVD） 57
• 2.4 小结 58
• 第3章 有监督机器学习 59
• 3.1 模型错误评估 59
• 3.2 广义线性模型 60
• 3.2.1 广义线性模型的概率
• 解释 63
• 3.2.2 k近邻 63
• 3.3 朴素贝叶斯 64
• 3.3.1 多项式朴素贝叶斯 65
• 3.3.2 高斯朴素贝叶斯 66
• 3.4 决策树 67
• 3.5 支持向量机 70
• 3.6 有监督学习方法的对比 75
• 3.6.1 回归问题 75
• 3.6.2 分类问题 80
• 3.7 隐马尔可夫模型 84
• 3.8 小结 93
• 第4章 Web挖掘技术 94
• 4.1 Web结构挖掘 95
• 4.1.1 Web爬虫 95
• 4.1.2 索引器 95
• 4.1.3 排序—PageRank
• 算法 96
• 4.2 Web内容挖掘 97
• 句法解析 97
• 4.3 自然语言处理 98
• 4.4 信息的后处理 108
• 4.4.1 潜在狄利克雷分配 108
• 4.4.2 观点挖掘（情感
• 分析） 113
• 4.5 小结 117
• 第5章 推荐系统 118
• 5.1 效用矩阵 118
• 5.2 相似度度量方法 120
• 5.3 协同过滤方法 120
• 5.3.1 基于记忆的协同
• 过滤 121
• 5.3.2 基于模型的协同
• 过滤 126
• 5.4 CBF方法 130
• 5.4.1 商品特征平均得分
• 方法 131
• 5.4.2 正则化线性回归
• 方法 132
• 5.5 用关联规则学习，构建推荐
• 系统 133
• 5.6 对数似然比推荐方法 135
• 5.7 混合推荐系统 137
• 5.8 推荐系统评估 139
• 5.8.1 均方根误差（RMSE）
• 评估 140
• 5.8.2 分类效果的度量方法 143
• 5.9 小结 144
• 第6章 开始Django之旅 145
• 6.1 HTTP—GET和POST方法的
• 基础 145
• 6.1.1 Django的安装和
• 服务器的搭建 146
• 6.1.2 配置 147
• 6.2 编写应用—Django
• 最重要的功能 150
• 6.2.1 model 150
• 6.2.2 HTML网页背后的
• URL和view 151
• 6.2.3 URL声明和view 154
• 6.3 管理后台 157
• 6.3.1 shell接口 158
• 6.3.2 命令 159
• 6.3.3 RESTful应用编程
• 接口（API） 160
• 6.4 小结 162
• 第7章 电影推荐系统Web应用 163
• 7.1 让应用跑起来 163
• 7.2 model 165
• 7.3 命令 166
• 7.4 实现用户的注册、登录和
• 登出功能 172
• 7.5 信息检索系统（电影查询） 175
• 7.6 打分系统 178
• 7.7 推荐系统 180
• 7.8 管理界面和API 182
• 7.9 小结 184
• 第8章 影评情感分析应用 185
• 8.1 影评情感分析应用用法
• 简介 185
• 8.2 搜索引擎的选取和应用的
• 代码 187
• 8.3 Scrapy的配置和情感分析
• 应用代码 189
• 8.3.1 Scrapy的设置 190
• 8.3.2 Scraper 190
• 8.3.3 Pipeline 193
• 8.3.4 爬虫 194
• 8.4 Django model 196