Python快速实战机器学习(1) 教材准备

导语

机器学习是如今人工智能时代背景下一个重要的领域，它应用广泛，如推荐系统，文本分析，图像识别，语言翻译等等。要想学通这个大的领域不是一件容易的事情，所以我打算集大家之长，开通一个“Python快速实战机器学习”系列，用Python代码实践机器学习里面的算法，旨在理论和实践同时进行，快速掌握知识。

预计这个系列会更新30篇左右，每一篇尽量讲清楚一个算法。具体的形式为理论加上代码。作为第一篇，我们先不讲具体知识，而是准备一些学习资料，作为以后学习过程的参考。

机器学习实战

豆瓣评分：

主要内容：

本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法；第三部分则重点介绍无监督学习及其一些主要算法；第四部分介绍了机器学习算法的一些附属工具。

目录：

第一部分　分类 第1章　机器学习基础　 第2章　k-近邻算法 　　 第3章　决策树 　 第4章　基于概率论的分类方法：朴素贝叶斯 　 第5章　Logistic回归 　 第6章　支持向量机　　 第7章　利用AdaBoost元算法提高分类 第二部分　利用回归预测数值型数据 第8章　预测数值型数据：回归 　　 第9章　树回归　　 第三部分　无监督学习 第10章　利用K-均值聚类算法对未标注数据分组　　 第11章　使用Apriori算法进行关联分析　　 第12章　使用FP-growth算法来高效发现频繁项集 第四部分　其他工具 第13章　利用PCA来简化数据　　 第14章　利用SVD简化数据　　 第15章　大数据与MapReduce　　

Scikit-Learn与TensorFlow机器学习实用指南

豆瓣评分：

主要内容

通过具体的例子、很少的理论以及两款成熟的Python框架：Scikit-Learn和TensorFlow。你将会学习到各种技术，从简单的线性回归及发展到深度神经网络。使用Scikit-Learn全程跟踪一个机器学习项目的例子探索各种训练模型；使用TensorFlow库构建和训练神经网络，深入神经网络架构。

目录：

第一部分 机器学习基础 第1章 机器学习概览 第2章 端到端的机器学习项目 第3章 分类 第4章 训练模型 第5章 支持向量机 第6章 决策树 第7章 集成学习和随机森林 第8章 降维 第9章 运行TensorFlow 第10章 人工神经网络简介 第11章 训练深度神经网络 第12章 跨设备和服务器的分布式TensorFlow 第13章 卷积神经网络

Python机器学习

豆瓣评分：

目录 ：

第1章 赋予计算机学习数据的能力

第2章 机器学习分类算法

第3章 使用scikit-learn实现机器学习分类算法

第4章 数据预处理—构建好的训练数据集

第5章 通过降维压缩数据

第6章 模型评估与参数调优实战

第7章 集成学习—组合不同的模型

第8章 使用机器学习进行情感分析

第9章 在Web应用中嵌入机器学习模型

第10章 使用回归分析预测连续型目标变量

第11章 聚类分析——处理无类标数据

第12章 使用人工神经网络识别图像

第13章 使用Theano并行训练神经网络

集体智慧编程

豆瓣评分：

主要内容：

本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。

目录：

第1章　集体智慧导言 第2章　提供推荐 第3章　发现群组 第4章　搜索与排名 第5章　优化 第6章　文档过滤 第7章　决策树建模 第8章　构建价格模型 第9章　高阶分类：核方法与SVM 第10章　寻找独立特征 第11章　智能进化 第12章　算法总结

//

关于Python的要求说明

//

为了学习机器学习，我们对于Python有两点要求：

• 掌握Python基础知识
• 熟悉NumPy,Pandas,Matplotlib等

如果你喜欢本文，请分享到朋友圈，想要获得更多信息，请关注我。