Python机器学习经典实例
2020-04-07 14:05:15 0 举报AI智能生成
登录查看完整内容
为你推荐
查看更多
Python机器学习经典实例
作者其他创作
大纲/内容
Python机器学习经典实例
5 构建推荐引擎
5.1 简介
5.2 为数据处理构建函数组合
详细步骤
5.3 构建机器学习流水线
5.3.1 详细步骤
5.3.2 工作原理
5.4 寻找最近邻
5.5 构建一个KNN分类器
5.5.1 详细步骤
5.5.2 工作原理
5.6 构建一个KNN回归器
5.6.1 详细步骤
5.6.2 工作原理
5.7 计算欧氏距离分数
5.8 计算皮尔逊相关系数
5.9 寻找数据集中的相似用户
5.10 生成电影推荐
6 分析文本数据
6.1 简介
6.2 用标记解析的方法预处理数据
6.3 提取文本数据的词干
6.3.1 详细步骤
6.3.2 工作原理
6.4 用词形还原的方法还原文本的基本形式
6.5 用分块的方法划分文本
6.6 创建词袋模型
6.6.1 详细步骤
6.6.2 工作原理
6.7 创建文本分类器
6.7.1 详细步骤
6.7.2 工作原理
6.8 识别性别
6.9 分析句子的情感
6.9.1 详细步骤
6.9.2 工作原理
6.10 用主题建模识别文本的模式
6.10.1 详细步骤
6.10.2 工作原理
7 语音识别
7.1 简介
7.2 读取和绘制音频数据
7.3 将音频信号转换为频域
7.4 自定义参数生成音频信号
7.5 合成音乐
7.6 提取频域特征
7.7 创建隐马尔科夫模型
7.8 创建一个语音识别器
8 解剖时间序列和时序数据
8.1 简介
8.2 将数据转换为时间序列格式
8.3 切分时间序列数据
8.4 操作时间序列数据
8.5 从时间序列数据中提取统计数字
8.6 针对序列数据创建隐马尔科夫模型
8.6.1 准备工作
8.6.2 详细步骤
8.7 针对序列文本数据创建条件随机场
8.7.1 准备工作
8.7.2 详细步骤
8.8 用隐马尔科夫模型分析股票市场数据
9 图像内容分析
9.1 简介
9.2 用OpenCV-Pyhon操作图像
9.3 检测边
9.4 直方图均衡化
9.5 检测棱角
9.6 检测SIFT特征点
9.7 创建Star特征检测器
9.8 利用视觉码本和向量量化创建特征
9.9 用极端随机森林训练图像分类器
9.10 创建一个对象识别器
10 人脸识别
10.1 简介
10.2 从网络摄像头采集和处理视频信息
10.3 用Haar级联创建一个人脸识别器
10.4 创建一个眼睛和鼻子检测器
10.5 做主成分分析
10.6 做核主成分分析
10.7 做盲源分离
10.8 用局部二值模式直方图创建一个人脸识别器
11 深度神经网络
11.1 简介
11.2 创建一个感知器
11.3 创建一个单层神经网络
11.4 创建一个深度神经网络
11.5 创建一个向量量化器
11.6 为序列数据分析创建一个递归神经网络
11.7 在光学字符识别数据库中将字符可视化
11.8 用神经网络创建一个光学字符识别器
12 可视化数据
12.1 简介
12.2 画3D散点图
12.3 画气泡图
12.4 画动态气泡图
12.5 画饼图
12.6 画日期格式的时间序列数据
12.7 画直方图
12.8 可视化热力图
12.9 动态信号的可视化模拟
看完了
本书内容
阅读背景
读者对象
内容组织
准备工作
工作原理
更多内容
另请参阅
读者反馈
客户支持
下载示例代码
下载本书的彩色图片
勘误
盗版
问题
电子书
1 监督学习
1.1 简介
1.2 数据预处理技术
1.2.1 准备工作
1.2.2 详细步骤
1.3 标记编码方法
1.4 创建线性回归器
1.4.1 准备工作
1.4.2 详细步骤
1.5 计算回归准确性
1.5.1 准备工作
1.5.2 详细步骤
1.6 保存模型数据
1.7 创建岭回归器
1.7.1 准备工作
1.7.2 详细步骤
1.8 创建多项式回归器
1.8.1 准备工作
1.8.2 详细步骤
1.9 估算房屋价格
1.9.1 准备工作
1.9.2 详细步骤
1.10 计算特征的相对重要性
1.11 评估共享单车的需求分布
1.11.1 准备工作
1.11.2 详细步骤
1.11.3 更多内容
2 创建分类器
2.1 简介
2.2 建立简单分类器
2.2.1 详细步骤
2.2.2 更多内容
2.3 建立逻辑回归分类器
2.4 建立朴素贝叶斯分类器
2.5 将数据集分割成训练集和测试集
2.6 用交叉验证检验模型准确性
2.6.1 准备工作
2.6.2 详细步骤
2.7 混淆矩阵可视化
2.8 提取性能报告
2.9 根据汽车特征评估质量
2.9.1 准备工作
2.9.2 详细步骤
2.10 生成验证曲线
2.11 生成学习曲线
2.12 估算收入阶层
3 预测建模
3.1 简介
3.2 用SVM建立线性分类器
3.2.1 准备工作
3.2.2 详细步骤
3.3 用SVM建立非线性分类器
3.4 解决类型数量不平衡问题
3.5 提取置信度
3.6 寻找最优超参数
3.7 建立事件预测器
3.7.1 准备工作
3.7.2 详细步骤
3.8 估算交通流量
3.8.1 准备工作
3.8.2 详细步骤
4 无监督学习——聚类
4.1 简介
4.2 用k-means算法聚类数据
4.3 用矢量量化压缩图片
4.4 建立均值漂移聚类模型
4.5 用凝聚层次聚类进行数据分组
4.6 评价聚类算法的聚类效果
4.7 用DBSCAN算法自动估算集群数量
4.8 探索股票数据的模式
4.9 建立客户细分模型
0 条评论
回复 删除
下一页
