Scikit-Learn机器学习核心技术与实践

"《Scikit-Learn机器学习核心技术与实践》的特色如下： 内容全面实用 本书在讲解中结合了多个实用性很强的项目案例，带领读者掌握Scikit-Learn开发的相关知识，以解决实际工作中的问题。 实例驱动教学 本书采用理论加实例的教学方式，通过这些实例实现了对知识点的横向切入和纵向比较，让读者有更多的实践演练机会，并且可以从不同的方位展现一个知识点的用法。 扫码看视频讲解 本书每个二级目录后面都放置了一个二维码，扫描二维码可以在线观看视频讲解，读者可以一边阅读图书，一边在线观看视频，提高学习效率，加深对书中案例的理解和应用。"

本书循序渐进地讲解了使用 Scikit-Learn 开发机器学习程序的核心知识，并通过具体实例的实现过程演练了使用 Scikit-Learn 的方法和流程。全书共10章，包括人工智能与Scikit-Learn 简介，加载数据集，监督学习，无监督学习，模型选择和评估，数据集转换，实现大数据计算，英超联赛比分预测系统（Matplotlib+Scikit-Learn+Flask+Pandas），AI考勤管理系统（face-recognition+Matplotlib+ Django+Scikit-Learn+Dlib），实时电影推荐系统（Scikit-Learn+Flask+Pandas）。本书简洁而不失其技术深度，内容丰富全面，易于阅读。 《Scikit-Learn机器学习核心技术与实践》适用于已经了解Python语言基础语法的读者，以及想进一步学习机器学习和深度学习技术的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业教材。

谭贞军，哈尔滨工业大学计算机硕士，平常喜爱Android应用开发和底层开发，在谷歌市场已经发布多款经典应用程序。热衷于人工智能、机器学习、Android开发和物联网开发，对AI项目的架构设计和实现原理有非常深刻的认识和理解，应用开发经验也十分丰富。另外还十分精通Python、C、C++、Java、C#开发语言，熟悉软件规划、项目架构和项目推广。近年来随着AI和大数据业务的兴起，深入研究了人工智能开发应用，并且基于Python的AI研发一直是最擅长的领域。

第1章人工智能与Scikit-Learn简介1
1.1人工智能技术的兴起2
1.1.1人工智能介绍2
1.1.2人工智能的研究领域2
1.1.3和人工智能相关的几个重要概念3
1.1.4人工智能的两个重要发展阶段4
1.2机器学习和深度学习4
1.2.1机器学习5
1.2.2深度学习5
1.2.3机器学习和深度学习的区别6
1.3 初步认识Scikit-Learn7
1.3.1Scikit-Learn介绍7
1.3.2使用pip安装Scikit-Learn7
1.3.3使用Anaconda安装Scikit-Learn8
1.3.4解决速度过慢的问题9
1.4准备开发工具10
第2章加载数据集11
2.1标准数据集API12
2.1.1波士顿房价数据集（适用于回归任务）12
2.1.2威斯康星州乳腺癌数据集（适用于分类问题）13
2.1.3糖尿病数据集（适用于回归任务）13
2.1.4手写数字数据集（适用于分类任务）14
2.1.5Fisher的鸢尾花数据集（适用于分类问题）15
2.1.6红酒数据集（适用于分类问题）15
2.2自定义数据集16
2.2.1生成聚类数据16
2.2.2生成同心圆样本点17
2.2.3生成模拟分类数据集18
2.2.4生成太极型非凸集样本点19
第3章监督学习21
3.1广义线性模型22
3.1.1普通最小二乘法22
3.1.2岭回归24
3.1.3Lasso回归25
3.2线性判别分析和二次判别分析27
3.2.1使用线性判别分析来降维28
3.2.2LDA和QDA分类器的数学公式30
3.2.3收缩30
3.3内核岭回归32
3.4支持向量机33
3.4.1分类34
3.4.2回归36
3.4.3密度估计和异常检测38
3.5随机梯度下降39
3.5.1分类40
3.5.2回归42
3.5.3稀疏数据的随机梯度下降42
第4章无监督学习49
4.1高斯混合模型50
4.1.1高斯混合50
4.1.2变分贝叶斯高斯混合53
4.2流形学习55
4.3聚类57
4.3.1KMeans算法57
4.3.2MiniBatchKMeans算法60
4.4双聚类62
4.4.1谱聚类算法63
4.4.2光谱联合聚类算法66
第5章模型选择和评估69
5.1交叉验证：评估估算器的表现70
5.1.1计算交叉验证的指标71
5.1.2交叉验证迭代器75
5.2调整估计器的超参数76
5.2.1网格追踪法：穷尽的网格搜索77
5.2.2随机参数优化80
5.3模型评估:量化预测的质量82
5.3.1得分参数scoring：定义模型评估规则83
5.3.2分类指标85
第6章数据集转换89
6.1Pipeline（管道）和FeatureUnion（特征联合）90
6.1.1Pipeline：链式评估器90
6.1.2FeatureUnion（特征联合）：特征层93
6.2特征提取95
6.2.1从字典类型加载特征95
6.2.2特征哈希96
6.2.3提取文本特征97
6.2.4提取图像特征99
6.3预处理数据102
6.3.1标准化处理102
6.3.2非线性转换103
6.4无监督降维106
6.4.1PCA：主成分分析106
6.4.2随机投影110
第7章实现大数据计算117
7.1计算扩展策略118
7.1.1使用外核学习实例进行拓展118
7.1.2使用外核方法进行分类119
7.2计算性能129
7.2.1预测延迟129
7.2.2预测吞吐量137
第8章英超联赛比分预测系统（Matplotlib+Scikit-Learn+Flask+Pandas）143
8.1英超联赛介绍144
8.2系统模块介绍144
8.3数据集144
8.3.1获取api-football密钥145
8.3.2获取数据145
8.3.3收集近期新数据150
8.4特征提取和数据可视化152
8.4.1提取数据153
8.4.2数据可视化154
8.5模型选择和训练161
8.5.1机器学习函数161
8.5.2数据降维172
8.5.3MLP神经网络175
8.6模型评估178
8.6.1近邻模型和混淆矩阵模型179
8.6.2随机森林模型和混淆矩阵模型186
8.6.3SVM模型和混淆矩阵模型190
8.7Web可视化197
8.7.1获取预测数据197
8.7.2FlaskWeb主页200
第9章AI考勤管理系统（face-recognition+Matplotlib+Django+Scikit-Learn+Dlib）203
9.1背景介绍204
9.2系统需求分析204
9.2.1可行性分析204
9.2.2系统操作流程分析204
9.2.3系统模块设计204
9.3系统配置205
9.3.1Django配置文件205
9.3.2路径导航文件206
9.4用户注册和登录验证207
9.4.1登录验证207
9.4.2添加新用户208
9.4.3设计数据模型210
9.5采集照片和机器学习210
9.5.1设置采集对象210
9.5.2采集照片212
9.5.3训练照片模型214
9.6考勤打卡216
9.6.1上班打卡签到216
9.6.2下班打卡218
9.7可视化考勤数据220
9.7.1统计最近两周员工的考勤数据220
9.7.2查看本人在指定时间段内的考勤信息225
9.7.3查看某员工在指定时间段内的考勤信息229
第10章实时电影推荐系统（Scikit-Learn+Flask+Pandas）233
10.1系统介绍234
10.1.1背景介绍234
10.1.2推荐系统和搜索引擎234
10.1.3项目介绍235
10.2系统模块235
10.3数据采集和整理235
10.3.1数据整理236
10.3.2电影详情数据239
10.3.3提取电影特征247
10.4情感分析和序列化操作252
10.5Web端实时推荐253
10.5.1Flask启动页面253
10.5.2模板文件256
10.5.3后端处理263