发表于2024-11-25
Python是一门通用型编程语言,也是一门相对容易学习的语言。因此,数据科学家在为中小规模的数据集制作原型、实现可视化和分析数据时,经常选择使用Python。
本书填补了机器学习和Web开发之间的鸿沟。本书重点讲解在Web应用中实现预测分析功能的难点,重点介绍Python语言及相关框架、工具和库,展示了如何搭建机器学习系统。你将从本书学到机器学习的核心概念,学习如何将数据部署到用Django框架开发的Web应用;还将学到如何挖掘Web、文档和服务器端数据以及如何搭建推荐引擎。
随后,你将进一步探索功能强大的Django框架,学习搭建一个简单、具备现代感的影评情感分析应用,它可是用机器学习算法驱动的!
本书是写给正努力成为数据科学家的读者以及新晋的数据科学家的。读者应该具备一些机器学习经验。如果你对开发智能(具备预测功能的)Web应用感兴趣,或正在从事相关开发工作,本书非常适合你。掌握一定的Django知识,学习本书将会更加轻松。我们还希望读者具备一定的Python编程背景和扎实的统计学知识。
通过阅读本书,你将能够:
●熟悉机器学习基本概念和机器学习社区使用的一些术语。
●用多种工具和技术从网站挖掘数据。
●掌握Django框架的核心概念。
●了解zui常用的聚类和分类技术,并用Python实现它们。
●掌握用Django搭建Web应用所需的所有必备知识。
●用Python语言的Django库成功搭建和部署电影推荐系统。
机器学习可用来处理由用户产生的、数量不断增长的Web数据。
本书讲解如何用Python语言、Django框架开发一款Web商业应用,以及如何用一些现成的库和工具(sklearn、scipy、nltk和Django等)处理和分析应用所生成或使用的数据。本书不仅涉及机器学习的核心概念,还介绍了如何将数据部署到用Django框架开发的Web应用,包括Web、文档和服务器端数据的挖掘和推荐引擎的搭建方法。
本书适合有志于成为或刚刚成为数据科学家的读者学习,也适合对机器学习、Web数据挖掘等技术实践感兴趣的读者参考阅读。
Andrea Isoni博士是一名数据科学家、物理学家,他在软件开发领域有着丰富的经验,在机器学习算法和技术方面,拥有广博的知识。此外,他还有多种语言的使用经验,如Python、C/C++、Java、JavaScript、C#、SQL、HTML。他还用过Hadoop框架。
译者简介
杜春晓,英语语言文学学士,软件工程硕士。其他译著有《Python数据挖掘入门与实践》《Python数据分析实战》和《电子达人——我的第1本Raspberry Pi入门手册》等。新浪微博:@宜_生。
第1章 Python机器学习实践入门 1
1.1 机器学习常用概念 1
1.2 数据的准备、处理和可视化
—NumPy、pandas和matplotlib教程 6
1.2.1 NumPy的用法 6
1.2.2 理解pandas模块 23
1.2.3 matplotlib教程 32
1.3 本书使用的科学计算库 35
1.4 机器学习的应用场景 36
1.5 小结 36
第2章 无监督机器学习 37
2.1 聚类算法 37
2.1.1 分布方法 38
2.1.2 质心点方法 40
2.1.3 密度方法 41
2.1.4 层次方法 44
2.2 降维 52
2.3 奇异值分解(SVD) 57
2.4 小结 58
第3章 有监督机器学习 59
3.1 模型错误评估 59
3.2 广义线性模型 60
3.2.1 广义线性模型的概率
解释 63
3.2.2 k近邻 63
3.3 朴素贝叶斯 64
3.3.1 多项式朴素贝叶斯 65
3.3.2 高斯朴素贝叶斯 66
3.4 决策树 67
3.5 支持向量机 70
3.6 有监督学习方法的对比 75
3.6.1 回归问题 75
3.6.2 分类问题 80
3.7 隐马尔可夫模型 84
3.8 小结 93
第4章 Web挖掘技术 94
4.1 Web结构挖掘 95
4.1.1 Web爬虫 95
4.1.2 索引器 95
4.1.3 排序—PageRank
算法 96
4.2 Web内容挖掘 97
句法解析 97
4.3 自然语言处理 98
4.4 信息的后处理 108
4.4.1 潜在狄利克雷分配 108
4.4.2 观点挖掘(情感
分析) 113
4.5 小结 117
第5章 推荐系统 118
5.1 效用矩阵 118
5.2 相似度度量方法 120
5.3 协同过滤方法 120
5.3.1 基于记忆的协同
过滤 121
5.3.2 基于模型的协同
过滤 126
5.4 CBF方法 130
5.4.1 商品特征平均得分
方法 131
5.4.2 正则化线性回归
方法 132
5.5 用关联规则学习,构建推荐
系统 133
5.6 对数似然比推荐方法 135
5.7 混合推荐系统 137
5.8 推荐系统评估 139
5.8.1 均方根误差(RMSE)
评估 140
5.8.2 分类效果的度量方法 143
5.9 小结 144
第6章 开始Django之旅 145
6.1 HTTP—GET和POST方法的
基础 145
6.1.1 Django的安装和
服务器的搭建 146
6.1.2 配置 147
6.2 编写应用—Django
最重要的功能 150
6.2.1 model 150
6.2.2 HTML网页背后的
URL和view 151
6.2.3 URL声明和view 154
6.3 管理后台 157
6.3.1 shell接口 158
6.3.2 命令 159
6.3.3 RESTful应用编程
接口(API) 160
6.4 小结 162
第7章 电影推荐系统Web应用 163
7.1 让应用跑起来 163
7.2 model 165
7.3 命令 166
7.4 实现用户的注册、登录和
登出功能 172
7.5 信息检索系统(电影查询) 175
7.6 打分系统 178
7.7 推荐系统 180
7.8 管理界面和API 182
7.9 小结 184
第8章 影评情感分析应用 185
8.1 影评情感分析应用用法
简介 185
8.2 搜索引擎的选取和应用的
代码 187
8.3 Scrapy的配置和情感分析
应用代码 189
8.3.1 Scrapy的设置 190
8.3.2 Scraper 190
8.3.3 Pipeline 193
8.3.4 爬虫 194
8.4 Django model 196
8.5 整合Django和Scrapy 197
8.5.1 命令(情感分析模型和
删除查询结果) 198
8.5.2 情感分析模型加载器 198
8.5.3 删除已执行过的查询 201
8.5.4 影评情感分析器—
Django view和HTML
代码 202
8.6 PageRank:Django view和
算法实现 206
8.7 管理后台和API 210
8.8 小结 212
机器学习Web应用 [Machine Learning for the Web] 下载 mobi pdf epub txt 电子书 格式 2024
机器学习Web应用 [Machine Learning for the Web] 下载 mobi epub pdf 电子书书影刷和装订质量很差,自己感兴趣3星吧
评分稍微有破损,懒得换了,习惯好评。
评分虽然这两天在下雨,但是物流仍然很快,书很好,期待很久的书了
评分果然经典,理论性较强,更适合有一定基础的朋友。
评分本书囊括了数学及相关概念的背景知识,包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时,它还介绍了工业界中实践者用到的深度学习技术,包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等,并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后,本书还提供了一些研究方向,涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。
评分稍微有破损,懒得换了,习惯好评。
评分很好的书,这个领域内入门书的经典。书的印刷质量很好,也不是很重,看起来不错。
评分包装完好无损,经典书籍,彩色印刷。买来学习一下看看人工智能到底是什么回事。
评分没有扎实的数学基础还是很难啃动这本书的。
机器学习Web应用 [Machine Learning for the Web] mobi epub pdf txt 电子书 格式下载 2024