Python监督学习

"通过使用Python开发用例，全面理解监督学习算法。读者将学习监督学习概念、Python编码、数据集、上佳实践、常见问题和陷阱的解决方案，以及为结构化数据和文本、图像数据集实现算法的实用知识。     《Python监督学习》首先介绍机器学习，重点区分监督、半监督和无监督学习的特点与不同。接下来讲解回归和分类问题，包括背景数学知识，算法（线性回归、逻辑回归、决策树、KNN、 朴素贝叶斯），高级算法（随机森林、支持向量机、梯度增强），以及神经网络。所有的算法都提供了Python代码实现。本书最后讲述完整的端到端模型开发过程，其中包括模型的部署和维护。     阅读《Python监督学习》之后，读者将对监督学习及其具体实现有一个广泛的理解，并能够以创新的方式运行代码并进行扩展。"

主要内容 ● 综述使用Python完成监督学习的基本构造块和概念 ● 为结构化数据以及文本和图像开发监督学习的解决方案 ● 解决过拟合、特征工程、数据清理和交叉验证等问题，构建**拟合模型 ● 了解从业务问题定义到模型部署和模型维护的端到端模型开发周期 ● 使用Python创建监督学习模型时，避免常见的陷阱并遵循**实践

Vaibhav Verdhan在数据科学、机器学习和人工智能方面拥有12年以上的经验。他是一位具有工程背景的工商管理硕士，也是一位善于实践的技术专家，具有敏锐的透彻理解和分析数据的能力。他曾在跨地理区域和零售、电信、制造、能源和公用事业领域引领多个机器学习和人工智能项目。目前和家人居住在爱尔兰，担任首席数据科学家。

第1章 监督学习简介 1 1.1 什么是机器学习 2 1.1.1 数据分析、数据挖掘、机器学习和人工智能之间的关系 2 1.1.2 数据、数据类型和数据源 4 1.2 机器学习与软件工程的差异 6 1.3 机器学习的统计和数学概念 9 1.4 监督学习算法 15 1.4.1 回归与分类问题 17 1.4.2 监督学习算法步骤 18 1.5 无监督学习算法 20 1.5.1 聚类分析 20 1.5.2 PCA 21 1.6 半监督学习算法 22 1.7 技术栈 22 1.8 机器学习的普及性 23 1.9 机器学习使用案例 24 1.10 小结 26 第2章 回归分析监督学习 28 2.1 所需技术工具包 29 2.2 回归分析及案例 29 2.3 什么是线性回归 30 2.4 度量回归问题的有效性 34 2.4.1 案例1：创建简单线性回归 40 2.4.2 案例2：住宅数据集简单线性回归 42 2.4.3 案例3：住宅数据集多元线性回归 47 2.5 非线性回归分析 52 2.6 识别非线性关系 55 2.7 回归模型面临的挑战 57 2.8 回归的基于树方法 59 2.9 案例分析：使用决策树解决油耗问题 61 2.10 回归的集成方法 64 2.11 案例分析：使用随机森林解决油耗问题 66 2.12 基于树方法的特征选择 69 2.13 小结 71 第3章 分类问题监督学习 73 3.1 所需技术工具包 74 3.2 假设检验及p值 74 3.3 分类算法 76 3.4 评估解决方案准确度 81 3.5 案例分析：信用风险 84 3.6 分类的朴素贝叶斯方法 95 3.7 案例分析：人口普查数据的收入预测 97 3.8 分类的k最近邻方法 104 3.9 案例分析：k最近邻 107 3.9.1 数据集 108 3.9.2 业务目标 108 3.10 分类的基于树算法 114 3.11 决策树算法类型 117 3.12 小结 120 第4章 监督学习高级算法 123 4.1 所需技术工具 124 4.2 提升算法 124 4.3 支持向量机(SVM) 135 4.3.1 二维空间的SVM 136 4.3.2 KSVM 137 4.3.3 使用SVM的案例分析 139 4.4 非结构化数据的监督学习算法 144 4.5 文本数据 144 4.5.1 文本数据案例 145 4.5.2 文本数据面临的挑战 146 4.5.3 文本分析建模过程 147 4.5.4 文本数据提取及管理 149 4.5.5 文本数据预处理 150 4.5.6 从文本数据提取特征 152 4.6 案例分析：采用自然语言处理的客户投诉分析 156 4.7 案例分析：采用词嵌入的客户投诉分析 160 4.8 图像数据 163 4.8.1 图像数据案例 164 4.8.2 图像数据面临的挑战 165 4.8.3 图像数据管理过程 166 4.8.4 图像数据建模过程 167 4.9 深度学习基础 167 4.9.1 人工神经网络 167 4.9.2 激活函数 169 4.9.3 神经网络的损失函数 171 4.9.4 神经网络优化 172 4.9.5 神经网络训练过程 173 4.10 案例分析1：在结构化数据上建立分类模型 176 4.11 案例分析2：图像分类模型 180 4.12 小结 185 第5章 端到端模型开发 187 5.1 所需技术工具 188 5.2 机器学习模型开发 188 5.3 步骤1：定义业务问题 189 5.4 步骤2：数据发现阶段 190 5.5 步骤3：数据清理和准备 193 5.5.1 数据集中的重复值 194 5.5.2 数据集的分类变量处理 195 5.5.3 数据集中存在的缺失值 197 5.6 数据集中的不平衡 202 5.7 数据集中的离群值 205 5.8 数据集中其他常见问题 207 5.9 步骤4：EDA 209 5.10 步骤5：机器学习模型构建 215 5.10.1 数据训练/测试集分割 215 5.10.2 为分类算法找到很好阈值 219 5.10.3 过拟合与欠拟合问题 219 5.10.4 关键利益相关人讨论并迭代 223 5.10.5 提交最终模型 223 5.11 步骤6：模型部署 223 5.12 步骤7：文档化 229 5.13 步骤8：模型更新和维护 229 5.14 小结 230