Python机器学习基础教程 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[德] 安德里亚斯·穆勒（Andreas C.Müller）[美]莎拉·吉多（Sarah Guido） 著，张亮（hysic） 译

图书标签:

• Python
• 机器学习
• 基础教程
• 入门
• 数据分析
• 算法
• Scikit-learn
• 模型
• 实践
• 代码

出版社： 人民邮电出版社

ISBN：9787115475619

版次：1

商品编码：12301195

包装：平装

丛书名： 图灵程序设计丛书

开本：16开

出版时间：2018-01-01

用纸：胶版纸

页数：285

正文语种：中文

产品特色

编辑推荐

机器学习已成为许多商业应用和研究项目不可或缺的一部分，海量数据使得机器学习的应用范围远超人们想象。本书将向所有对机器学习技术感兴趣的初学者展示，自己动手构建机器学习解决方案并非难事！
书中重点讨论机器学习算法的实践而不是背后的数学，全面涵盖在实践中实现机器学习算法的所有重要内容，帮助读者使用Python和scikit-learn库一步一步构建一个有效的机器学习应用。
* 机器学习的基本概念及其应用
* 常用机器学习算法的优缺点
* 机器学习所处理的数据的表示方法，包括重点关注数据的哪些方面
* 模型评估和调参的方法
* 管道的概念
* 处理文本数据的方法，包括文本特有的处理方法
* 进一步提高机器学习和数据科学技能的建议

内容简介

本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。
本书适合机器学习从业者或有志成为机器学习从业者的人阅读。

作者简介

Andreas C.Müller，scikit-learn库维护者和核心贡献者。现任哥伦比亚大学数据科学研究院讲师，曾任纽约大学数据科学中心助理研究员、***公司计算机视觉应用的机器学习研究员。在波恩大学获得机器学习博士学位。

Sarah Guido，Mashable公司数据科学家，曾担任Bitly公司数据科学家。

目录

前言 ix
第 1 章　引言 1
1．1　为何选择机器学习 1
1．1．1　机器学习能够解决的问题 2
1．1．2　熟悉任务和数据 4
1．2　为何选择Python 4
1．3　scikit-learn 4
1．4　必要的库和工具 5
1．4．1　Jupyter Notebook 6
1．4．2　NumPy 6
1．4．3　SciPy 6
1．4．4　matplotlib 7
1．4．5　pandas 8
1．4．6　mglearn 9
1．5　Python 2 与Python 3 的对比 9
1．6　本书用到的版本 10
1．7　第 一个应用：鸢尾花分类 11
1．7．1　初识数据 12
1．7．2　衡量模型是否成功：训练数据与测试数据 14
1．7．3　要事第 一：观察数据 15
1．7．4　构建第 一个模型：k 近邻算法 16
1．7．5　做出预测 17
1．7．6　评估模型 18
1．8　小结与展望 19
第 2 章　监督学习 21
2．1　分类与回归 21
2．2　泛化、过拟合与欠拟合 22
2．3　监督学习算法 24
2．3．1　一些样本数据集 25
2．3．2　k 近邻 28
2．3．3　线性模型 35
2．3．4　朴素贝叶斯分类器 53
2．3．5　决策树 54
2．3．6　决策树集成 64
2．3．7　核支持向量机 71
2．3．8　神经网络（深度学习） 80
2．4　分类器的不确定度估计 91
2．4．1　决策函数 91
2．4．2　预测概率 94
2．4．3　多分类问题的不确定度 96
2．5　小结与展望 98
第3 章　无监督学习与预处理 100
3．1　无监督学习的类型 100
3．2　无监督学习的挑战 101
3．3　预处理与缩放 101
3．3．1　不同类型的预处理 102
3．3．2　应用数据变换 102
3．3．3　对训练数据和测试数据进行相同的缩放 104
3．3．4　预处理对监督学习的作用 106
3．4　降维、特征提取与流形学习 107
3．4．1　主成分分析 107
3．4．2　非负矩阵分解 120
3．4．3　用t-SNE 进行流形学习 126
3．5　聚类 130
3．5．1　k 均值聚类 130
3．5．2　凝聚聚类 140
3．5．3　DBSCAN 143
3．5．4　聚类算法的对比与评估 147
3．5．5　聚类方法小结 159
3．6　小结与展望 159
第4 章　数据表示与特征工程 161
4．1　分类变量 161
4．1．1　One-Hot 编码（虚拟变量） 162
4．1．2　数字可以编码分类变量 166
4．2　分箱、离散化、线性模型与树 168
4．3　交互特征与多项式特征 171
4．4　单变量非线性变换 178
4．5　自动化特征选择 181
4．5．1　单变量统计 181
4．5．2　基于模型的特征选择 183
4．5．3　迭代特征选择 184
4．6　利用专家知识 185
4．7　小结与展望 192
第5 章　模型评估与改进 193
5．1　交叉验证 194
5．1．1　scikit-learn 中的交叉验证 194
5．1．2　交叉验证的优点 195
5．1．3　分层k 折交叉验证和其他策略 196
5．2　网格搜索 200
5．2．1　简单网格搜索 201
5．2．2　参数过拟合的风险与验证集 202
5．2．3　带交叉验证的网格搜索 203
5．3　评估指标与评分 213
5．3．1　牢记目标 213
5．3．2　二分类指标 214
5．3．3　多分类指标 230
5．3．4　回归指标 232
5．3．5　在模型选择中使用评估指标 232
5．4　小结与展望 234
第6 章　算法链与管道 236
6．1　用预处理进行参数选择 237
6．2　构建管道 238
6．3　在网格搜索中使用管道 239
6．4　通用的管道接口 242
6．4．1　用make_pipeline 方便地创建管道 243
6．4．2　访问步骤属性 244
6．4．3　访问网格搜索管道中的属性 244
6．5　网格搜索预处理步骤与模型参数 246
6．6　网格搜索选择使用哪个模型 248
6．7　小结与展望 249
第7 章　处理文本数据 250
7．1　用字符串表示的数据类型 250
7．2　示例应用：电影评论的情感分析 252
7．3　将文本数据表示为词袋 254
7．3．1　将词袋应用于玩具数据集 255
7．3．2　将词袋应用于电影评论 256
7．4　停用词 259
7．5　用tf-idf 缩放数据 260
7．6　研究模型系数 263
7．7　多个单词的词袋（n 元分词） 263
7．8　分词、词干提取与词形还原 267
7．9　主题建模与文档聚类 270
7．10　小结与展望 277
第8 章　全书总结 278
8．1　处理机器学习问题 278
8．2　从原型到生产 279
8．3　测试生产系统 280
8．4　构建你自己的估计器 280
8．5　下一步怎么走 281
8．5．1　理论 281
8．5．2　其他机器学习框架和包 281
8．5．3　排序、推荐系统与其他学习类型 282
8．5．4　概率建模、推断与概率编程 282
8．5．5　神经网络 283
8．5．6　推广到更大的数据集 283
8．5．7　磨练你的技术 284
8．6　总结 284
关于作者 285
关于封面 285

《深度学习：从概念到实践》 一、 核心内容介绍 《深度学习：从概念到实践》是一本旨在为读者全面、深入地解析深度学习这一前沿技术领域的专著。本书力求从最基础的数学原理出发，循序渐进地引导读者理解深度学习的核心概念、模型架构、训练方法以及实际应用。本书的目标读者包括但不限于计算机科学、人工智能、机器学习领域的学生、研究人员、工程师以及任何对深度学习感兴趣并希望系统性学习的爱好者。 本书内容涵盖了深度学习的方方面面，可以大致分为以下几个部分： 1. 深度学习的理论基石： 数学预备知识： 深入回顾和讲解深度学习所需的关键数学概念，包括线性代数（向量、矩阵、张量、特征值分解等）、微积分（导数、梯度、链式法则等）以及概率论与统计学（概率分布、期望、方差、贝叶斯定理、最大似然估计等）。这些基础知识是理解深度学习模型运作原理的不可或缺的基石。本书将以清晰易懂的方式呈现这些概念，并与深度学习中的应用场景相结合，帮助读者理解其重要性。 机器学习基础回顾： 简要回顾监督学习、无监督学习、强化学习的基本概念，以及过拟合、欠拟合、偏差-方差权衡等核心问题。这部分内容旨在为读者搭建一个初步的框架，以便更好地理解深度学习如何在此基础上进行发展和演进。 2. 核心深度学习模型与架构： 神经网络基础： 详细介绍人工神经网络的基本构成单元——神经元，以及感知机、多层感知机（MLP）等早期模型。深入剖析激活函数（Sigmoid, ReLU, Tanh等）的作用和选择，以及前向传播与反向传播算法的原理，为理解更复杂的模型打下基础。 卷积神经网络（CNN）： 专题深入讲解CNN。从其在图像处理领域的巨大成功出发，详细剖析卷积层、池化层、全连接层等核心组件的原理和作用。介绍经典的CNN架构，如LeNet、AlexNet、VGG、GoogLeNet、ResNet等，并分析它们的设计思想和性能提升的关键。本书将着重讲解感受野、参数共享、局部感受野等CNN特有的概念，并阐述其在图像识别、目标检测、图像分割等任务中的应用。 循环神经网络（RNN）： 重点介绍RNN及其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU）。深入讲解RNN如何处理序列数据，分析其在自然语言处理（NLP）、语音识别、时间序列分析等领域的应用。本书将详细解释RNN的循环连接机制，以及LSTM和GRU如何解决RNN的梯度消失/爆炸问题，实现对长期依赖关系的有效捕捉。 Transformer模型： 深入探讨自注意力机制（Self-Attention）及其在Transformer模型中的应用。详细解析Transformer的编码器-解码器架构，以及其在机器翻译、文本生成、问答系统等NLP任务中取得的突破性进展。本书将重点解释多头注意力机制、位置编码、残差连接等关键组成部分。 生成对抗网络（GAN）： 介绍GAN的基本框架，包括生成器和判别器的对抗训练过程。深入探讨GAN在图像生成、风格迁移、数据增强等方面的应用，并介绍DCGAN、CycleGAN、StyleGAN等经典的GAN模型及其改进。 其他重要模型： 还会涉及一些其他重要的深度学习模型，如自编码器（Autoencoder）及其变种（如变分自编码器VAE）用于降维和生成，以及图神经网络（GNN）用于处理图结构数据等。 3. 深度学习的训练与优化： 损失函数与代价函数： 详细介绍各种常用的损失函数，如交叉熵损失、均方误差损失等，并分析它们在不同任务中的适用性。 优化算法： 深入讲解各种梯度下降优化算法，包括随机梯度下降（SGD）及其动量、Adagrad、RMSprop、Adam等。分析这些算法的工作原理、收敛速度以及在实际训练中的表现。 正则化技术： 介绍 L1、L2 正则化、Dropout、Batch Normalization 等常用的正则化技术，以及它们如何防止模型过拟合，提高模型的泛化能力。 超参数调优： 讨论如何选择合适的学习率、批量大小、网络层数、神经元数量等超参数，以及网格搜索、随机搜索、贝叶斯优化等超参数调优策略。 训练过程中的挑战与解决方案： 探讨梯度消失/爆炸、局部最优等训练中常见的问题，并提供相应的解决方案。 4. 深度学习的实际应用与案例分析： 计算机视觉（CV）： 详细展示深度学习在图像分类、目标检测、语义分割、人脸识别、图像生成等领域的应用。通过具体的案例，分析如何构建和训练适用于这些任务的模型。 自然语言处理（NLP）： 深入探讨深度学习在文本分类、情感分析、机器翻译、问答系统、文本摘要、对话生成等领域的应用。展示如何利用RNN、LSTM、Transformer等模型来理解和生成人类语言。 语音处理： 介绍深度学习在语音识别（ASR）、语音合成（TTS）等方面的应用，以及相关的模型和技术。 其他领域： 还会涉及深度学习在推荐系统、金融风控、医疗诊断、自动驾驶等其他领域的应用探索。 5. 实践指导与工具介绍： 深度学习框架： 重点介绍主流的深度学习框架，如TensorFlow和PyTorch，并提供清晰的安装、配置和基本使用指南。 模型实现与调试： 通过大量的代码示例，展示如何使用框架实现各种深度学习模型，并进行训练、评估和调试。 数据预处理与增强： 介绍如何对图像、文本等数据进行有效的预处理，以及如何利用数据增强技术来扩充训练数据集，提高模型性能。 模型部署： 简要介绍如何将训练好的模型部署到实际应用中，使其能够进行实时推理。 二、 内容特色与写作风格 《深度学习：从概念到实践》力求在以下几个方面体现其独特价值： 循序渐进，由浅入深： 本书遵循科学的学习规律，从最基础的概念入手，逐步过渡到复杂精深的理论和模型。数学公式的推导清晰且附有详尽的解释，确保读者能够理解其数学含义。 理论与实践相结合： 理论讲解深入透彻，同时穿插大量的代码示例和实际应用案例。读者不仅能理解“为什么”，更能掌握“怎么做”。每个模型和算法的介绍都会辅以相应的代码实现，帮助读者动手实践。 概念辨析，理解透彻： 对于一些容易混淆或理解困难的概念，本书将进行详细的辨析，力求让读者形成清晰的认知。例如，区分梯度下降的不同变体，解释不同正则化技术的适用场景。 前沿性与全面性并重： 紧跟深度学习领域的最新研究进展，重点介绍Transformer等代表性模型，并广泛覆盖了计算机视觉、自然语言处理等核心应用领域，力求为读者提供一个全面的知识体系。 清晰的图示与类比： 采用丰富的图示和生动的类比来解释抽象的深度学习概念，降低理解门槛，增强阅读的趣味性。例如，用“信息流”来类比神经网络的前向传播，用“梯度下降的路径”来解释优化算法。 注重代码的复用性与可读性： 提供的代码示例都经过精心设计，力求简洁、清晰、高效，方便读者理解和修改。代码注释详细，易于学习和应用。 避免过度理论化： 在保证严谨性的前提下，本书尽量避免枯燥的数学推导和晦涩的学术术语，以更易于理解和应用的方式呈现深度学习的知识。 三、 学习本书的收获 通过系统学习《深度学习：从概念到实践》，读者将能够： 建立扎实的理论基础： 深刻理解深度学习背后的数学原理和核心概念，不再停留在“调包侠”的层面。 掌握主流深度学习模型： 熟练掌握CNN、RNN、Transformer等经典及前沿模型的架构、原理和应用场景。 提升模型训练与优化能力： 掌握各种优化算法、正则化技术，能够有效地训练深度学习模型，并解决常见的训练难题。 具备解决实际问题的能力： 能够将深度学习技术应用于计算机视觉、自然语言处理等实际问题，并独立完成模型设计、实现和部署。 培养持续学习的能力： 建立起对深度学习技术的整体认知框架，为后续深入研究和学习新模型、新技术打下坚实基础。 本书致力于成为深度学习领域一本权威、实用且易于理解的入门与进阶指南，帮助读者开启深度学习的探索之旅。

评分☆☆☆☆☆

这本书我入手有一段时间了，一开始只是抱着了解一下Python在机器学习领域应用的想法，没想到它带给我的惊喜远超预期。我本身是做数据分析的，对统计学和一些基础算法有一定了解，但一直觉得机器学习是个高不可攀的领域，感觉需要很强的数学功底和编程能力。这本书恰恰解决了我的痛点。它从最基础的Python环境搭建开始，详细介绍了NumPy、Pandas等数据处理库的使用，这对于我这样已经熟悉这些工具的人来说，是很好的复习和巩固。更关键的是，作者在讲解机器学习算法时，并没有一开始就抛出复杂的数学公式，而是用非常直观的比喻和代码示例，一步步引导读者理解算法的原理和实现过程。比如在讲到线性回归时，作者画了图，解释了最小二乘法的直观意义，然后用几行Python代码就实现了模型，让我觉得机器学习并没有想象中那么难。后面关于决策树、支持向量机、K-means聚类等经典算法的讲解，同样是循序渐进，重点突出，让我能逐步建立起对不同算法的理解。虽然书中没有深入探讨数学推导，但对于想要快速入门并理解算法核心思想的读者来说，这本书无疑是绝佳的起点。我尤其喜欢书中对实际案例的引入，这些案例贴近实际工作场景，让我能立刻看到所学知识的应用价值，也激发了我进一步学习的动力。

评分☆☆☆☆☆

作为一名在校学生，我一直在寻找一本能够真正帮助我理解机器学习的教材，而不是仅仅罗列概念。这本书在这一点上做得非常出色。它并没有把我当成一个已经掌握了高深数学知识的学生，而是从头开始，耐心地解释每一个步骤。最让我印象深刻的是，书中在介绍每种算法时，都会先讲清楚它解决的是什么问题，然后才逐步引入算法的思想和实现。例如，在讲解分类算法时，作者先阐述了为什么我们需要分类，然后才介绍了逻辑回归、KNN、朴素贝叶斯等。对于初学者来说，这种“为什么-是什么-怎么做”的逻辑线非常清晰，能够帮助我们建立起完整的知识体系。书中大量的代码示例都是可以直接运行的，而且都配有详细的注释，这对于我们这种需要大量动手实践的学生来说，简直是福音。我经常一边看书一边跟着敲代码，遇到不懂的地方，回头再看讲解，往往能豁然开朗。书中的一些可视化部分也做得很好，能够直观地展示算法的工作原理，比如在讲解决策树的剪枝时，通过图示可以清楚地看到剪枝前后模型的变化。虽然书中没有涉及太前沿的深度学习模型，但对于打好机器学习的基础，理解核心概念，这本书绝对物超所值。

评分☆☆☆☆☆

我是一名对技术发展充满好奇的业余爱好者，之前零星地接触过一些机器学习的科普文章，但总觉得隔靴搔痒，难以深入。偶然间发现了这本书，立刻被它的标题吸引，决定尝试一下。让我惊喜的是，这本书的语言风格非常平易近人，即使是复杂的概念，作者也能用通俗易懂的方式解释清楚。我尤其欣赏书中对于“为什么”的解答。很多时候，我们学习一个新知识，最想知道的就是它为什么存在，它能解决什么问题。这本书在这方面做得非常到位，它会先介绍一个现实世界中的问题，然后引出与之对应的机器学习算法。比如，在讲解聚类算法时，作者先用了一个客户分群的例子，让我们体会到聚类的必要性，然后再介绍K-means等算法。这种方式让我觉得学习过程非常有趣，也更容易产生共鸣。书中的代码也写得非常简洁，并且使用了现代Python的特性，这对于我这种喜欢学习新技术的学习者来说，是非常有吸引力的。虽然我可能不会将机器学习作为职业，但通过这本书，我确实能够感受到机器学习的魅力，并且掌握了一些基本的操作和思维方式。

评分☆☆☆☆☆

总的来说，这本书为我提供了一个非常扎实的机器学习入门基础。我之前也看过一些其他的机器学习书籍，但很多都过于侧重理论，让我感觉难以消化，或者直接跳入深度学习，让我觉得缺乏过渡。这本书的平衡性做得非常好。它既讲解了机器学习的基础算法，如回归、分类、聚类，又提供了非常实用的Python代码实现。最让我满意的是，作者在介绍算法时，都尽量从问题的本质出发，而不是直接抛出公式。例如，在讲解神经网络时，作者没有一开始就讲反向传播算法，而是先解释了神经元是如何工作的，以及它们是如何组合成网络的，这让我对神经网络有了一个初步的、非数学化的理解。书中的案例也比较丰富，涵盖了数据预处理、特征工程、模型训练和评估等整个机器学习流程。虽然书中没有涉及更高级的主题，但作为一本“基础教程”，它已经做得相当出色。我从中学习到了很多关于如何使用Python进行机器学习的技巧，并且对机器学习的整个流程有了一个更清晰的认识，为我后续深入学习打下了坚实的基础。

评分☆☆☆☆☆

我曾因为数学基础薄弱而对机器学习望而却步，直到读了这本书，才发现原来机器学习并非只能仰望星空。它提供了一种非常接地气的方式来学习机器学习。这本书最大的优点在于，它回避了大量枯燥的数学推导，而是将重点放在了算法的直观理解和实际应用上。作者通过生动的比喻和代码演示，让我们能够快速地建立起对各种算法的感性认识。比如，在讲解降维算法PCA时，作者用了一个“丢掉一些不重要的信息，保留核心特征”的比喻，让我一下子就理解了PCA的核心思想。然后，书中提供的代码示例，可以直接调用scikit-learn库来实现PCA，并且可以通过可视化展示降维后的数据，这种“看得见摸得着”的学习方式，极大地增强了我的学习信心。虽然书中的数学深度有限，但对于想要快速上手，并且理解算法的“能做什么”的读者来说，这本书无疑是打开机器学习大门的钥匙。我尤其喜欢书中关于模型评估的部分，它教会了我如何判断一个模型的好坏，以及如何根据不同的场景选择合适的评估指标，这对于实际应用来说非常重要。

评分☆☆☆☆☆

书的质量很好，内容需要仔细看看，希望能提供帮助

评分☆☆☆☆☆

书是彩的，纸张质量不错，推荐

评分☆☆☆☆☆

非常喜欢的一本书，很不错。

评分☆☆☆☆☆

经典图书，纸张非常好，插图是彩色的。

评分☆☆☆☆☆

准备学人工智能，囤点相关的书

评分☆☆☆☆☆

书是好书，作为一个软件从业人员来说，值得一读，并且你当打算进入机器学习或想了解机器学习，里面有大量的数学公式，所以要做好准备。这次购物有点遗憾的是，书在运送运送过程中有破损了，要重点批评一下京东快递了，希望其他人在购买的时候不要出现这样的情况，退换麻烦，将就用了。

评分☆☆☆☆☆

中国好书，活动买入。非常值得，多读书，读好书。

评分☆☆☆☆☆

同时买了两本书，这本挺好的，另一本就不行了，一点也不像正版的书。

评分☆☆☆☆☆

很好，收获很大，受益匪浅。