Python机器学习实战 真实智能案例实践指南

编辑推荐● AI核心知识+多行业实战案例详解● 涵盖零售、运输、电影、音乐、市场营销、计算机视觉和金融等实战案例，掌握开发核心技能帮你掌握利用机器学习与深度学习识别和解决复杂问题所需的技能，深入讲解Python机器学习生态系统的实战案例，本书是你学习并成为AI行业成功从业者的完美指南。第1步着重理解机器学习的概念和工具。第2步详细介绍标准的机器学习流程，重点是数据处理分析、特征工程和建模等核心知识。第3步深入讲解涉及不同领域和行业的多个实战案例，包括零售、运输、电影、音乐、市场营销、计算机视觉和金融等领域实战案例。你将掌握：● 学会执行端到端机器学习项目和系统。● 学会使用行业标准化、开源、强大的机器学习工具和框架进行实战。● 学会深入案例研究，剖析机器学习和深度学习在不同领域和行业中的实战应用。● 学会使用广泛的机器学习模型，包括回归、分类和聚类等。

本书帮你掌握通过机器学习和深度学习来识别和解决复杂问题所需的基本技能。本书使用了流行的Python机器学习生态系统中的真实示例，将成为你在学习机器学习的艺术和科学并成为一名成功的从业者道路上的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会你如何成功思考、设计、构建和执行机器学习系统和项目，并利用这些知识解决一些来自不同领域的实际问题，包括零售、运输、电影、音乐、计算机视觉、艺术和金融。本书将教会你解决自己遇到的机器学习问题！本书适合人工智能、机器学习、深度学习相关行业的从业者和学习者阅读。

关于作者Dipanjan Sarkar英特尔公司的数据科学家，班加罗尔国际信息技术学院的信息技术硕士，主要负责数据科学研究与分析、商业智能、实际项目和大型智能系统构建等研究、开发工作。他多年来从事分析工作，擅长统计、预测和文本分析，对数据科学和教育充满热情，也是Springboard教育平台的数据科学导师，帮助从业者提高数据科学和机器学习等领域的技能。他还撰写了多本关于R、Python、机器学习和数据分析的著作。此外，他还是相关书籍的技术审校者，并担任Coursera的课程测试员。此外他还热衷于研究新技术、金融市场、颠覆性初创企业、数据科学、人工智能和深度学习。Raghav Bali英特尔公司的数据科学家，班加罗尔国际信息技术学院的信息技术硕士，致力于推动主动的、数据驱动的IT项目。他主要从事数据科学与分析、商业智能以及基于机器学习的可扩展解决方案开发等工作，还曾在一些全球领先的企业中从事过ERP和财务项目开发等工作。他也是一位技术爱好者，喜欢研究新工具和技术。他还著有关于R、机器学习和数据分析的著作。Tushar Sharma英特尔公司的数据科学家，班加罗尔国际信息技术学院的信息技术硕士。他的工作涉及使用大量基础结构数据进行大规模开发分析的解决方案。他曾在金融领域工作，为知名金融公司开发可扩展的机器学习解决方案。他精通Python、R，以及Spark和Hadoop等大数据框架。他还著有关于R和社交媒体分析的著作。

原书序言
原书前言
译者简介
第1部分 理解机器学习
第1章 机器学习基础
1.1 机器学习的需求
1.2 理解机器学习
1.3 计算机科学
1.4 数据科学
1.5 数学
1.6 统计学
1.7 数据挖掘
1.8 人工智能
1.9 自然语言处理
1.10 深度学习
1.11 机器学习方法
1.12 监督学习
1.13 无监督学习
1.14 半监督学习
1.15 强化学习
1.16 批量学习
1.17 在线学习
1.18 基于实例的学习
1.19 基于模型的学习
1.20 CRISP-DM处理模型
1.21 构建机器智能
1.22 真实案例研究：预测学生获取推荐
1.23 机器学习的挑战
1.24 机器学习的现实应用
1.25 总结
第2章 Python机器学习生态系统
2.1 Python简介
2.2 Pvthon机器学习生态系统简介
2.3 总结
第2部分 机器学习流程
第3章 数据的处理、重整以及可视化
3.1 数据收集
3.2 数据描述
3.3 数据重整
3.4 数据汇总
3.5 数据可视化
3.6 总结
第4章 特征工程和特征选择
4.1 特征：更好地理解你的数据
4.2 重温机器学习流程
4.3 特征提取和特征工程
4.4 数值型数据的特征工程
4.5 分类型数据的特征工程
4.6 文本型数据的特征工程
4.7 时态型数据的特征工程
4.8 图像型数据的特征工程
4.9 特征缩放
4.10 特征选择
4.11 特征降维
4.12 总结
第5章 构建、调优和模型的部署
5.1 构建模型
5.2 模型评估
5.3 模型调优
5.4 模型解释
5.5 模型部署
5.6 总结
第3部分 真实案例研究
第6章 共享单车趋势分析
6.1 共享单车数据集
6.2 问题陈述
6.3 探索性数据分析
6.4 回归分析
6.5 建模
6.6 下一步
6.7 总结
第7章 电影影评的情感分析
7.1 问题陈述
7.2 设置依赖项
7.3 获取数据
7.4 文字的预处理与标准化
7.5 无监督的以词典为基础的模型
7.6 使用监督学习进行情感分类
7.7 传统的有监督的机器学习模型
7.8 较新的有监督的深度学习模型
7.9 高级的有监督的深度学习模型
7.10 分析情感的因果关系
7.11 总结
第8章 顾客分类和有效的交叉销售
8.1 在线零售交易记录数据集
8.2 探索性数据分析
8.3 顾客分类
8.4 交叉销售
8.5 总结
第9章 分析酒的类型和质量
9.1 问题陈述
9.2 设置依赖项
9.3 获取数据
9.4 探索性数据分析
9.5 预测建模
9.6 预测葡萄酒类型
9.7 预测葡萄酒质量
9.8 总结
第10章 分析音乐趋势和推荐
10.1 百万歌曲数据集品味画像
10.2 探索性数据分析
10.3 推荐引擎
10.4 推荐引擎库的注意事项
10.5 总结
第11章 预测股票和商品价格
11.1 时序数据及时序分析
11.2 预测黄金价格
11.3 股票价格预测
11.4 总结
第12章 计算机视觉深度学习
12.1 卷积神经网络
12.2 使用CNN进行图像分类
12.3 使用CNN的艺术风格转换
12.4 总结