機器學習Web應用 [Machine Learning for the Web] 下載 mobi epub pdf 電子書 2024

産品特色

編輯推薦

　　Python是一門通用型編程語言，也是一門相對容易學習的語言。因此，數據科學傢在為中小規模的數據集製作原型、實現可視化和分析數據時，經常選擇使用Python。

　　本書填補瞭機器學習和Web開發之間的鴻溝。本書重點講解在Web應用中實現預測分析功能的難點，重點介紹Python語言及相關框架、工具和庫，展示瞭如何搭建機器學習係統。你將從本書學到機器學習的核心概念，學習如何將數據部署到用Django框架開發的Web應用；還將學到如何挖掘Web、文檔和服務器端數據以及如何搭建推薦引擎。

　　隨後，你將進一步探索功能強大的Django框架，學習搭建一個簡單、具備現代感的影評情感分析應用，它可是用機器學習算法驅動的！

　　本書是寫給正努力成為數據科學傢的讀者以及新晉的數據科學傢的。讀者應該具備一些機器學習經驗。如果你對開發智能（具備預測功能的）Web應用感興趣，或正在從事相關開發工作，本書非常適閤你。掌握一定的Django知識，學習本書將會更加輕鬆。我們還希望讀者具備一定的Python編程背景和紮實的統計學知識。

　　通過閱讀本書，你將能夠：

　　●熟悉機器學習基本概念和機器學習社區使用的一些術語。

　　●用多種工具和技術從網站挖掘數據。

　　●掌握Django框架的核心概念。

　　●瞭解zui常用的聚類和分類技術，並用Python實現它們。

　　●掌握用Django搭建Web應用所需的所有必備知識。

　　●用Python語言的Django庫成功搭建和部署電影推薦係統。

內容簡介

　　機器學習可用來處理由用戶産生的、數量不斷增長的Web數據。

　　本書講解如何用Python語言、Django框架開發一款Web商業應用，以及如何用一些現成的庫和工具（sklearn、scipy、nltk和Django等）處理和分析應用所生成或使用的數據。本書不僅涉及機器學習的核心概念，還介紹瞭如何將數據部署到用Django框架開發的Web應用，包括Web、文檔和服務器端數據的挖掘和推薦引擎的搭建方法。

　　本書適閤有誌於成為或剛剛成為數據科學傢的讀者學習，也適閤對機器學習、Web數據挖掘等技術實踐感興趣的讀者參考閱讀。

作者簡介

　　Andrea Isoni博士是一名數據科學傢、物理學傢，他在軟件開發領域有著豐富的經驗，在機器學習算法和技術方麵，擁有廣博的知識。此外，他還有多種語言的使用經驗，如Python、C/C++、Java、JavaScript、C#、SQL、HTML。他還用過Hadoop框架。

　　譯者簡介

　　杜春曉，英語語言文學學士，軟件工程碩士。其他譯著有《Python數據挖掘入門與實踐》《Python數據分析實戰》和《電子達人——我的第1本Raspberry Pi入門手冊》等。新浪微博：@宜_生。

目錄

第1章　Python機器學習實踐入門 1

1.1　機器學習常用概念 1

1.2　數據的準備、處理和可視化

—NumPy、pandas和matplotlib教程 6

1.2.1　NumPy的用法 6

1.2.2　理解pandas模塊 23

1.2.3　matplotlib教程 32

1.3　本書使用的科學計算庫 35

1.4　機器學習的應用場景 36

1.5　小結 36

第2章　無監督機器學習 37

2.1　聚類算法 37

2.1.1　分布方法 38

2.1.2　質心點方法 40

2.1.3　密度方法 41

2.1.4　層次方法 44

2.2　降維 52

2.3　奇異值分解（SVD） 57

2.4　小結 58

第3章　有監督機器學習 59

3.1　模型錯誤評估 59

3.2　廣義綫性模型 60

3.2.1　廣義綫性模型的概率

解釋 63

3.2.2　k近鄰 63

3.3　樸素貝葉斯 64

3.3.1　多項式樸素貝葉斯 65

3.3.2　高斯樸素貝葉斯 66

3.4　決策樹 67

3.5　支持嚮量機 70

3.6　有監督學習方法的對比 75

3.6.1　迴歸問題 75

3.6.2　分類問題 80

3.7　隱馬爾可夫模型 84

3.8　小結 93

第4章　Web挖掘技術 94

4.1　Web結構挖掘 95

4.1.1　Web爬蟲 95

4.1.2　索引器 95

4.1.3　排序—PageRank

算法 96

4.2　Web內容挖掘 97

句法解析 97

4.3　自然語言處理 98

4.4　信息的後處理 108

4.4.1　潛在狄利剋雷分配 108

4.4.2　觀點挖掘（情感

分析） 113

4.5　小結 117

第5章　推薦係統 118

5.1　效用矩陣 118

5.2　相似度度量方法 120

5.3　協同過濾方法 120

5.3.1　基於記憶的協同

過濾 121

5.3.2　基於模型的協同

過濾 126

5.4　CBF方法 130

5.4.1　商品特徵平均得分

方法 131

5.4.2　正則化綫性迴歸

方法 132

5.5　用關聯規則學習，構建推薦

係統 133

5.6　對數似然比推薦方法 135

5.7　混閤推薦係統 137

5.8　推薦係統評估 139

5.8.1　均方根誤差（RMSE）

評估 140

5.8.2　分類效果的度量方法 143

5.9　小結 144

第6章　開始Django之旅 145

6.1　HTTP—GET和POST方法的

基礎 145

6.1.1　Django的安裝和

服務器的搭建 146

6.1.2　配置 147

6.2　編寫應用—Django

最重要的功能 150

6.2.1　model 150

6.2.2　HTML網頁背後的

URL和view 151

6.2.3　URL聲明和view 154

6.3　管理後颱 157

6.3.1　shell接口 158

6.3.2　命令 159

6.3.3　RESTful應用編程

接口（API） 160

6.4　小結 162

第7章　電影推薦係統Web應用 163

7.1　讓應用跑起來 163

7.2　model 165

7.3　命令 166

7.4　實現用戶的注冊、登錄和

登齣功能 172

7.5　信息檢索係統（電影查詢） 175

7.6　打分係統 178

7.7　推薦係統 180

7.8　管理界麵和API 182

7.9　小結 184

第8章　影評情感分析應用 185

8.1　影評情感分析應用用法

簡介 185

8.2　搜索引擎的選取和應用的

代碼 187

8.3　Scrapy的配置和情感分析

應用代碼 189

8.3.1　Scrapy的設置 190

8.3.2　Scraper 190

8.3.3　Pipeline 193

8.3.4　爬蟲 194

8.4　Django model 196

8.5　整閤Django和Scrapy 197

8.5.1　命令（情感分析模型和

刪除查詢結果） 198

8.5.2　情感分析模型加載器 198

8.5.3　刪除已執行過的查詢 201

8.5.4　影評情感分析器—

Django view和HTML

代碼 202

8.6　PageRank：Django view和

算法實現 206

8.7　管理後颱和API 210

8.8　小結 212

雙十一預熱，非常便宜的買到瞭這本書，內容不錯，包裝也好。

果然經典，理論性較強，更適閤有一定基礎的朋友。

衝著”AI聖經”四個字去的，很大很厚一本，目測幾個月都不知道能不能吃透

發貨很快，有塑封好評，希望能學到更多

不錯的書，還沒開始看，先評價吧

實驗室必讀書目，需要時間理解。

京東圖書做活動必買，這個時代是屬於python的，不學python就out瞭，這個大蛇，等的好辛苦

深度學習聖經，每個從業者必看書籍，正版，京東這波很強

客觀理性記錄下，廣大消費者參考下。