Python机器学习手册 从数据预处理到深度学习2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

Python机器学习手册 从数据预处理到深度学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 向量、矩阵和数组1

1.0 简介1

1.1 创建一个向量1

1.2 创建一个矩阵2

1.3 创建一个稀疏矩阵3

1.4 选择元素5

1.5 展示一个矩阵的属性6

1.6 对多个元素同时应用某个操作7

1.7 找到最大值和最小值8

1.8 计算平均值、方差和标准差9

1.9 矩阵变形10

1.10 转置向量或矩阵11

1.11 展开一个矩阵12

1.12 计算矩阵的秩13

1.13 计算行列式14

1.14 获取矩阵的对角线元素14

1.15 计算矩阵的迹15

1.16 计算特征值和特征向量16

1.17 计算点积17

1.18 矩阵的相加或相减18

1.19 矩阵的乘法19

1.20 计算矩阵的逆20

1.21 生成随机数21

第2章 加载数据23

2.0 简介23

2.1 加载样本数据集23

2.2 创建仿真数据集25

2.3 加载CSV文件28

2.4 加载Excel文件29

2.5 加载JSON文件29

2.6 查询SQL数据库31

第3章 数据整理33

3.0 简介33

3.1 创建一个数据帧34

3.2 描述数据35

3.3 浏览数据帧37

3.4 根据条件语句来选择行39

3.5 替换值40

3.6 重命名列41

3.7 计算最小值、最大值、总和、平均值与计数值43

3.8 查找唯一值44

3.9 处理缺失值45

3.10 删除一列47

3.11 删除一行48

3.12 删除重复行49

3.13 根据值对行分组51

3.14 按时间段对行分组52

3.15 遍历一个列的数据54

3.16 对一列的所有元素应用某个函数55

3.17 对所有分组应用一个函数56

3.18 连接多个数据帧57

3.19 合并两个数据帧59

第4章 处理数值型数据63

4.0 简介63

4.1 特征的缩放63

4.2 特征的标准化65

4.3 归一化观察值66

4.4 生成多项式和交互特征69

4.5 转换特征70

4.6 识别异常值71

4.7 处理异常值73

4.8 将特征离散化75

4.9 使用聚类的方式将观察值分组77

4.10 删除带有缺失值的观察值79

4.11 填充缺失值81

第5章 处理分类数据83

5.0 简介83

5.1 对nominal型分类特征编码84

5.2 对ordinal分类特征编码86

5.3 对特征字典编码88

5.4 填充缺失的分类值91

5.5 处理不均衡分类93

第6章 处理文本97

6.0 简介97

6.1 清洗文本97

6.2 解析并清洗HTML99

6.3 移除标点100

6.4 文本分词101

6.5 删除停止词（stop word）102

6.6 提取词干103

6.7 标注词性104

6.8 将文本编码成词袋（Bag of Words）107

6.9 按单词的重要性加权109

第7章 处理日期和时间113

7.0 简介113

7.1 把字符串转换成日期113

7.2 处理时区115

7.3 选择日期和时间116

7.4 将日期数据切分成多个特征117

7.5 计算两个日期之间的时间差118

7.6 对一周内的各天进行编码119

7.7 创建一个滞后的特征120

7.8 使用滚动时间窗口121

7.9 处理时间序列中的缺失值123

第8章 图像处理127

8.0 简介127

8.1 加载图像128

8.2 保存图像130

8.3 调整图像大小131

8.4 裁剪图像132

8.5 平滑处理图像133

8.6 图像锐化136

8.7 提升对比度138

8.8 颜色分离140

8.9 图像二值化142

8.10 移除背景144

8.11 边缘检测148

8.12 角点检测150

8.13 为机器学习创建特征153

8.14 将颜色平均值编码成特征156

8.15 将色彩直方图编码成特征157

第9章 利用特征提取进行特征降维161

9.0 简介161

9.1 使用主成分进行特征降维161

9.2 对线性不可分数据进行特征降维164

9.3 通过最大化类间可分性进行特征降维166

9.4 使用矩阵分解法进行特征降维169

9.5 对稀疏数据进行特征降维170

第10章 使用特征选择进行降维173

10.0 简介173

10.1 数值型特征方差的阈值化173

10.2 二值特征的方差阈值化175

10.3 处理高度相关性的特征176

10.4 删除与分类任务不相关的特征178

10.5 递归式特征消除180

第11章 模型评估183

11.0 简介183

11.1 交叉验证模型183

11.2 创建一个基准回归模型187

11.3 创建一个基准分类模型188

11.4 评估二元分类器190

11.5 评估二元分类器的阈值193

11.6 评估多元分类器197

11.7 分类器性能的可视化198

11.8 评估回归模型201

11.9 评估聚类模型203

11.10 创建自定义评估指标204

11.11 可视化训练集规模的影响206

11.12 生成对评估指标的报告208

11.13 可视化超参数值的效果209

第12章 模型选择213

12.0 简介213

12.1 使用穷举搜索选择最佳模型213

12.2 使用随机搜索选择最佳模型216

12.3 从多种学习算法中选择最佳模型218

12.4 将数据预处理加入模型选择过程220

12.5 用并行化加速模型选择221

12.6 使用针对特定算法的方法加速模型选择223

12.7 模型选择后的性能评估224

第13章 线性回归227

13.0 简介227

13.1 拟合一条直线227

13.2 处理特征之间的影响229

13.3 拟合非线性关系231

13.4 通过正则化减少方差233

13.5 使用套索回归减少特征235

第14章 树和森林237

14.0 简介237

14.1 训练决策树分类器237

14.2 训练决策树回归模型239

14.3 可视化决策树模型240

14.4 训练随机森林分类器243

14.5 训练随机森林回归模型244

14.6 识别随机森林中的重要特征245

14.7 选择随机森林中的重要特征248

14.8 处理不均衡的分类249

14.9 控制决策树的规模250

14.10 通过boosting提高性能252

14.11 使用袋外误差（Out-of-Bag Error）评估随机森林模型253

第15章 KNN255

15.0 简介255

15.1 找到一个观察值的最近邻255

15.2 创建一个KNN分类器258

15.3 确定最佳的邻域点集的大小260

15.4 创建一个基于半径的最近邻分类器261

第16章 逻辑回归263

16.0 简介263

16.1 训练二元分类器263

16.2 训练多元分类器265

16.3 通过正则化来减小方差266

16.4 在超大数据集上训练分类器267

16.5 处理不均衡的分类269

第17章 支持向量机271

17.0 简介271

17.1 训练一个线性分类器271

17.2 使用核函数处理线性不可分的数据274

17.3 计算预测分类的概率278

17.4 识别支持向量279

17.5 处理不均衡的分类281

第18章 朴素贝叶斯283

18.0 简介283

18.1 为连续的数据训练分类器284

18.2 为离散数据和计数数据训练分类器286

18.3 为具有二元特征的数据训练朴素贝叶斯分类器287

18.4 校准预测概率288

第19章 聚类291

19.0 简介291

19.1 使用K-Means聚类算法291

19.2 加速K-Means聚类294

19.3 使用Meanshift聚类算法295

19.4 使用DBSCAN聚类算法296

19.5 使用层次合并聚类算法298

第20章 神经网络301

20.0 简介301

20.1 为神经网络预处理数据302

20.2 设计一个神经网络304

20.3 训练一个二元分类器307

20.4 训练一个多元分类器309

20.5 训练一个回归模型311

20.6 做预测313

20.7 可视化训练历史315

20.8 通过权重调节减少过拟合318

20.9 通过提前结束减少过拟合320

20.10 通过Dropout减少过拟合322

20.11 保存模型训练过程324

20.12 使用k折交叉验证评估神经网络326

20.13 调校神经网络328

20.14 可视化神经网络331

20.15 图像分类333

20.16 通过图像增强来改善卷积神经网络的性能337

20.17 文本分类339

第21章 保存和加载训练后的模型343

21.0 简介343

21.1 保存和加载scikit-learn模型343

21.2 保存和加载Keras模型345