简介
本书包括对机器学习中常见问题和不常见问题的演练和解决方案，以及如何利用scikit-learn有效地执行各种机器学习任务。
第二版首先介绍评估数据统计属性的方法，并为机器学习建模生成合成数据。当您逐步完成这些章节时，您会遇到一些食谱，它们将教您实施数据预处理，线性回归，逻辑回归，KNN，NaïveBayes，分类，决策树，合奏等技术。
此外，您将学习使用多级分类，交叉验证，模型评估来优化您的模型，并深入学习使用scikit-learn实现深度学习。
除了涵盖模型部分，API和分类器，回归器和估算器等新功能的增强功能外，本书还包含评估和微调模型性能的方法。在本书的最后，您将探索用于Python的scikit-learn提供的众多功能，以解决您遇到的任何机器学习问题。
图片.png
参考资料
- 下载：https://itbooks.pipipan.com/fs/18113597-337682953
- 讨论qq群144081101 591302926 567351477
- 本文最新版本地址
- 本文涉及的python测试开发库 谢谢点赞！
- 本文相关海量书籍下载
- 2018最佳人工智能机器学习工具书及下载(持续更新)
内容
1：高性能机器学习 – NUMPY
2：预模型工作流程和预处理
3：减少尺寸
4：SCIKIT-LEARN线性模型
5：线性模型 – 逻辑回归
6：具有距离度量的模型
7：交叉验证和后模型工作流程
8：支持矢量机
9：树算法和插件
10：具有SCIKIT-LEARN的文本和多层分类
11：神经网络
12：创建简单的估计器
你将学到什么
- 使用scikit-learn在几分钟内构建预测模型
- 理解分类和回归之间的差异和关系，两种类型的监督学习。
- 使用距离度量来预测聚类，这是一种无监督学习
- 找到与Nearest Neighbors具有相似特征的点。
- 使用自动化和交叉验证来查找最佳模型，并专注于数据产品
- 选择众多最佳算法或在整体中一起使用它们。
- 使用sklearn的简单语法创建自己的估算器
- 探索scikit-learn中提供的前馈神经网络
作者
- 朱利安.阿维拉
Julian Avila是金融和计算机视觉领域的程序员和数据科学家。他毕业于麻省理工学院（MIT）数学专业，研究量子力学计算，涉及物理，数学和计算机科学。在麻省理工学院期间，朱利安首先通过与CSAIL实验室的朋友讨论，获得古典和弗拉门戈吉他，机器学习和人工智能。
他开始在中学编程，包括游戏和几何艺术动画。他成功地参加了数学和编程，并在麻省理工学院的几个小组工作。 Julian用优雅的Python编写了完整的软件项目，并进行了即时编译。他的一些令人难忘的项目包括大型面部识别系统，用于GPU上的神经网络视频，识别图片中的神经元部分，及股票市场交易程序。
- 特伦特.豪克
Trent Hauck是一位在西雅图地区生活和工作的数据科学家。他在堪萨斯州的威奇托长大，并获得了堪萨斯大学的本科和研究生学位。他是“使用pandas How-to，Packt Publishing”这本书的即时数据密集型应用程序的作者，这本书可以帮助您快速掌握pandas和其他相关技术。
