《深入浅出Python机器学习》是一本非常火爆的书籍，它将Python、机器学习和人工智能三者有机地结合在了一起，这本书告诉我们，计算机是由程序驱动的，而人工智能不过是一些特殊的算法，只要我们具备一些程序设计语言的基础，并且跟随本书的内容学习，我们也能够进入人工智能的世界，成为一名人工智能应用的开发者，无论是对于初学者还是有一定基础的人来说，这本书都能够以浅显易懂的方式，帮助读者快速入门机器学习和人工智能领域，它讲解了Python的基本语法和常用库，以及机器学习算法的原理和应用，通过实践项目和案例的讲解，读者不仅能够学习到技术知识，还能够理解其实际运用的场景，这本书是学习机器学习和人工智能领域的必备之选。
内容介绍
机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者*这样的电子商务网站购买商品，或者在爱奇艺或是腾讯视频这样的视频网站观看节目，甚至只是进行一次百度搜索，就已经触碰到了机器学习的应用。使用这些服务的用户会产生数据，这些数据会被收集，在进行预处理之后用来训练模型，而模型会通过这些数据来提供更好的用户体验。此外，目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及，如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中，现在就是一个非常理想的时机。 本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识，从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式，完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。
目录
- 第1章概 述
- 第2章基于Python语言的环境配置
- 第3章 K最近邻算法——近朱者赤，近墨者黑
- 第4章广义线性模型——“耿直”的算法模型
- 第5章朴素贝叶斯——打雷啦，收衣服啊
- 第6章决策树与随机森林——会玩读心术的算法
- 第7章支持向量机SVM——专治线性不可分
- 第8章神经网络——曾入“冷宫”，如今得宠
- 第9章数据预处理、降维、特征提取及聚类——快刀斩乱麻
- 第10章数据表达与特征工程——锦上再添花
- 第11章模型评估与优化——只有更好，没有最好
- 第12章建立算法的管道模型——团结就是力量
- 第13章文本数据处理——亲，见字如“数”
- 第14章从数据获取到话题提取——从“研究员”到“段子手”
- 第15章人才需求现状与未来学习方向——你是不是下一个“大牛”
- 参考文献 / 275
数据工作的基本流程 定义问题: 我们首先需要解决的是我们将面临一个什么问题，需要我们做什么，俗话说的磨刀不误砍柴工，首先看清对手是谁才能有的放矢。 收集数据: 根据确定的数据分析对象，抽象出在数据分析中所需要的特征信息，然后选择合适的信息收集方法，将收集到的信息存入数据库。对于海量数据，选择一个合适的数据存储和管理的数据仓库是至关重要的。 准备消费数据: 把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。如果执行多数的数据挖掘算法，即使是在少量数据上也需要很长的时间，而做商业运营数据挖掘时数据量往往非常大。数据规约技术可以用来得到数据集的规约表示，它小得多，但仍然接近于保持原数据的完整性，并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。在数据库中的数据有一些是不完整的（有些感兴趣的属性缺少属性值）、含噪声的（包含错误的属性值），并且是不一致的（同样的信息不同的表示方式），因此需要进行数据清理，将完整、正确、一致的数据信息存入数据仓库中。不然，挖掘的结果会差强人意。通过平滑聚集、数据概化、规范化等方式将数据转换成适用于数据挖掘的形式。对于有些实数型数据，通过概念分层和数据的离散化来转换数据也是重要的一步。 探索性分析: 根据数据仓库中的数据信息，选择合适的分析工具，应用统计方法、事例推理、决策树、规则推理、模糊集，甚至神经网络、遗传算法的方法处理信息，得出有用的分析信息。 数据建模: 像描述性和推论性统计数据一样，数据建模可以总结数据或预测未来的结果。 您的数据集和预期结果将决定可供使用的算法。 重要的是要记住，算法是工具，而不是魔杖。 你仍然必须是知道如何为工作选择正确的工具的工匠。 一个比喻就是要求有人给你一把飞利浦剃须刀，他们给你一把螺丝刀或者一把锤子。 充其量，它显示完全缺乏了解。 最糟糕的是，这使得项目不可能完成。 数据建模也是如此。 错误的模型可能导致最差的表现，甚至会导致错误的结论。 模型验证和模型使用: 用训练数据对模型进行训练之后，就可以用于预测数据。
首先需要学习基于Python语言的环境配置，Python的下载和安装，使用pip进行Jupyter Notebook的下载和安装，一些必需库的安装：Numpy、Scipy、pandas、matplotlib、scikit-learn。 然后讲了经典的分类算法，K最近邻算法、广义线性模型、朴素贝叶斯、决策树与随机森林、支持向量机SVM； 接着引入当下热点深度学习的基础神经网络； 由于大数据的出现，必须学会数据处理：降维、特征提取及聚类、数据表达与特征工程； 机器学习模型构建是否成功，需要进行评估与优化； 应用机器学习理论到文本数据分析上面，即自然语言处理。