机器学习初学者--学习使用Python构建机器学习系统，262页pdf

本书涵盖了机器学习中的重要概念和主题。它从数据清理开始，并概述了特征选择。然后讨论训练和测试、交叉验证和特征选择。这本书涵盖了最常见的特征选择技术的算法和实现。然后，本书重点介绍线性回归和梯度下降。本书涵盖了一些重要的分类技术，例如 K-最近邻、逻辑回归、朴素贝叶斯和线性判别分析。然后，它概述了神经网络，并解释了生物学背景、感知器的局限性和反向传播模型。支持向量机和核方法也包含在本书中。然后展示了如何实现决策树和随机森林。

最后，本书简要概述了无监督学习。涵盖了各种特征提取技术，例如傅里叶变换、STFT 和局部二分类模式。本书还讨论了主成分分析及其实现。

你会学到什么

• 了解如何为机器学习准备数据。
• 了解如何从头开始实施学习算法。
• 使用 scikit-learn 实现算法。
• 使用各种特征选择和特征提取方法。
• 了解如何开发人脸识别系统。

本书主要内容

本书涵盖了机器学习的主要议题。它从数据清理开始，并简要介绍了可视化的情况。本书的第一章讲述了机器学习的介绍、训练和测试、交叉验证和特征选择。第二章介绍了最常见的特征选择技术的算法和实现，如Fisher Discriminant ratio和互信息。

第三章向读者介绍了线性回归和梯度下降。后者将被许多算法所使用，这些算法将在本书后面讨论。一些重要的分类技术，如K-近邻、逻辑回归、朴素贝叶斯和线性判别分析，已经在下一章中讨论和实现。接下来的两章集中讨论了神经网络和它们的实现。这两章系统地解释了生物学背景、感知器的局限性和反向传播模型。下一章讨论了支持向量机和核方法。随后是决策树和随机森林的简要概述和实施。

最后一章讨论了无监督学习方法的概念，如K-means和光谱聚类。

本书主要特点

• 了解机器学习的类型。
• 熟悉不同的特征提取方法。
• 大致了解神经网络算法的工作原理。
• 了解如何实施决策树和随机森林模型。
• 这本书不仅解释了分类算法，还讨论了偏差/数学建模。

便捷阅读

262页 《机器学习初学者，学习使用Python构建机器学习系统》高清epub下载：
扫码添加云朵君微信，务必备注【MLB】

🏴‍☠️宝藏级🏴‍☠️ 原创公众号『 数据STUDIO 』内容超级硬核。公众号以Python为核心语言，垂直于数据科学领域，包括 可戳 👉 Python ｜ MySQL ｜ 数据分析 ｜ 数据可视化 ｜ 机器学习与数据挖掘 ｜ 爬虫 等，从入门到进阶！