Python机器学习（原书第2版） (数据科学与工程技术丛书)【文字版！！！】_塞巴斯蒂安·拉施卡（Sebastian Raschka） & 瓦希德·米尔贾利利（Vahid Mirjalili）.pdf

数据科学与工程技术丛书 Python机器学习（原书第2版） Python Machine Learning，Second Edition （美）塞巴斯蒂安·拉施卡（Sebastian Raschka）　（美）瓦希德· 米尔贾利利（Vahid Mirjalili）　著 陈斌　译 ISBN：978-7-111-61150-9 本书纸版由机械工业出版社于2018年出版，电子版由华章分社（北京华章图 文信息有限公司，北京奥维博世图书发行有限公司）在中华人民共和国境内 （不包括中国香港、澳门特别行政区及中国台湾地区）制作与发行。 版权所有，侵权必究 客服热线：+ 86-10-68995265 客服信箱：[email protected] 官方网址：www.hzmedia.com.cn 新浪微博 @华章数媒 微信公众号 华章电子书（微信号：hzebook） 2 目录 译者序 关于作者 关于审校人员 前言 第1章　赋予计算机从数据中学习的能力 1.1　构建把数据转换为知识的智能机器 1.2　三种不同类型的机器学习 1.2.1　用有监督学习预测未来 1.2.2　用强化学习解决交互问题 1.2.3　用无监督学习发现隐藏结构 1.3　基本术语与符号 1.4　构建机器学习系统的路线图 1.4.1　预处理——整理数据 1.4.2　训练和选择预测模型 1.4.3　评估模型和预测新样本数据 1.5　用Python进行机器学习 1.5.1　从Python包索引安装Python和其他包 1.5.2　采用Anaconda　Python和软件包管理器 1.5.3　科学计算、数据科学和机器学习软件包 1.6　小结 第2章　训练简单的机器学习分类算法 2.1　人工神经元——机器学习早期历史一瞥 2.1.1　人工神经元的正式定义 2.1.2　感知器学习规则 2.2　在Python中实现感知器学习算法 2.2.1　面向对象的感知器API 2.2.2　在鸢尾花数据集上训练感知器模型 2.3　自适应神经元和学习收敛 2.3.1　梯度下降为最小代价函数 2.3.2　用Python实现Adaline 2.3.3　通过调整特征大小改善梯度下降 2.3.4　大规模机器学习与随机梯度下降 2.4　小结 第3章　scikit-learn机器学习分类器一览 3.1　选择分类算法 3.2　了解scikit-learn软件库的第一步——训练感知器 3.3　基于逻辑回归的分类概率建模 3.3.1　逻辑回归的直觉与条件概率 3.3.2　学习逻辑代价函数的权重 3.3.3　把转换的Adaline用于逻辑回归算法 3.3.4　用scikit-learn训练逻辑回归模型 3 3.3.5　通过正则化解决过拟合问题 3.4　支持向量机的最大余量分类 3.4.1　最大边际的直觉 3.4.2　用松弛变量处理非线性可分 3.4.3　其他的scikit-learn实现 3.5　用核支持向量机求解非线性问题 3.5.1　处理线性不可分数据的核方法 3.5.2　利用核技巧，