这些资源你可能感兴趣
本书涵盖了建立机器学习系统的方方面面，相对比较基础，其中最有价值的是，书中介绍了机器学习系统设计的整个过程，以及相关的Python库，在各个知识环节中都给出了Python示例。无论对于机器学习系统的新兵还是老手，本书都有一定的参考价值。对于机器学习系统的初学者而言，本书较为系统地介绍了相关知识，同时也在一开始就给出了语言和环境，能够让大家甩开膀子，撸起袖子，伸手开干；而对于机器学习系统的老手而言，其更多的参考价值在于如何使用Python来实现那些概念。
编辑推荐
《机器学习系统设计:Python语言实现》编辑推荐：机器学习模型不能给出准确结果的原因有很多。从设计的角度来审视这些系统，我们能够深入理解其底层算法和可用的优化方法。
作者简介
作者：（美国）戴维·朱利安（David Julian） 译者：李洋
戴维·朱利安（David Julian），数据分析员、信息系统咨询顾问和培训讲师。他目前正致力于Urban Ecological Systems和Blue Smart Farms的机器学习项目，该项目旨在发现和预测温室作物虫害。
目录
译者序
前言
第1章机器学习的思维1
1.1人机界面1
1.2设计原理4
1.2.1问题的类型6
1.2.2问题是否正确7
1.2.3任务8
1.2.4统一建模语言27
1.3总结31
第2章工具和技术32
2.1Python与机器学习33
2.2IPython控制台33
2.3安装SciPy栈34
2.4NumPy35
2.4.1构造和变换数组38
2.4.2数学运算39
2.5Matplotlib41
2.6Pandas45
2.7SciPy47
2.8Scikit—learn50
2.9总结57
第3章将数据变为信息58
3.1什么是数据58
3.2大数据59
3.2.1大数据的挑战60
3.2.2数据模型62
3.2.3数据分布63
3.2.4来自数据库的数据67
3.2.5来自互联网的数据68
3.2.6来自自然语言的数据70
3.2.7来自图像的数据72
3.2.8来自应用编程接口的数据72
3.3信号74
3.4数据清洗76
3.5数据可视化78
3.6总结80
第4章模型—从信息中学习81
4.1逻辑模型81
4.1.1一般性排序83
4.1.2解释空间84
4.1.3覆盖空间86
4.1.4PAC学习和计算复杂性87
4.2树状模型88
4.3规则模型92
4.3.1有序列表方法94
4.3.2基于集合的规则模型95
4.4总结98
第5章线性模型100
5.1最小二乘法101
5.1.1梯度下降102
5.1.2正规方程法107
5.2logistic回归109
5.3多分类113
5.4正则化115
5.5总结117
第6章神经网络119
6.1神经网络入门119
6.2logistic单元121
6.3代价函数126
6.4神经网络的实现128
6.5梯度检验133
6.6其他神经网络架构134
6.7总结135
第7章特征—算法眼中的世界136
7.1特征的类型137
7.1.1定量特征137
7.1.2有序特征138
7.1.3分类特征138
7.2运算和统计139
7.3结构化特征141
7.4特征变换141
7.4.1离散化143
7.4.2归一化144
7.4.3校准145
7.5主成分分析149
7.6总结151
第8章集成学习152
8.1集成学习的类型152
8.2Bagging方法153
8.2.1随机森林154
8.2.2极端随机树155
8.3Boosting方法159
8.3.1AdaBoost161
8.3.2梯度Boosting163
8.4集成学习的策略165
8.5总结168
第9章设计策略和案例研究169
9.1评价模型的表现169
9.2模型的选择174
9.3学习曲线176
9.4现实世界中的案例研究178
9.4.1建立一个推荐系统178
9.4.2温室虫害探测185
9.5机器学习一瞥188
9.6总结190
本书评论