【247页pdf】Hands-on Scikit-Learn for Machine Learning Applications Data Science Fundamentals with Python
有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库，演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例，您可以在家里自己的机器上试用和试验机器学习的原理。
所有的应用数学和编程技能需要掌握的内容，在这本书中涵盖。不需要深入的面向对象编程知识，因为工作和完整的例子被提供和解释。必要时，编码示例是深入和复杂的。它们也简洁、准确、完整，补充了介绍的机器学习概念。使用示例有助于建立必要的技能，以理解和应用复杂的机器学习算法。
对于那些在机器学习方面追求职业生涯的人来说，Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识，这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布，并将在流行的Scikit-Learn库中构建技能，该库是Python世界中许多机器学习应用程序的基础。
你将学习
- 使用Scikit-Learn中常见的简单和复杂数据集
- 将数据操作为向量和矩阵，以进行算法处理
- 熟悉数据科学中使用的蟒蛇分布
- 应用带有分类器、回归器和降维的机器学习
- 优化算法并为每个数据集找到最佳算法
- 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式
这本书是给谁的
- 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域，而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易，尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
相关内容
通过这个紧凑的实用指南，开始使用Python进行数据分析。这本书包括三个练习和一个用正确的格式从Python代码中获取数据的案例研究。使用Python学习数据分析还可以帮助您使用分析发现数据中的意义，并展示如何可视化数据。
每一节课都尽可能是独立的，允许您根据需要插入和退出示例。如果您已经在使用Python进行数据分析，那么您会发现您希望知道如何使用Python来完成许多事情。然后，您可以将这些技术直接应用到您自己的项目中。
如果您不使用Python进行数据分析，那么本书从一开始就带您了解基础知识，为您在该主题中打下坚实的基础。当你阅读完这本书的时候，你会对如何使用Python进行数据分析有更好的理解。
你将学到什么
- 从Python代码中获取数据
- 准备数据及其格式
- 找出数据的意义
- 使用iPython可视化数据
这本书是给谁的
想学习使用Python进行数据分析的同学。建议您具有Python方面的经验，但不是必需的，因为您需要具有数据分析或数据科学方面的经验。
成为VIP会员查看完整内容
机器学习
·
通过机器学习的实际操作指南深入挖掘数据
机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例，用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析，解释了它是如何工作的，以及如何在特定的行业中使用它，允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注，对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料，以方便在课堂上使用，使这一资源有用的学生和作为一个专业的参考。
机器学习的核心是一种基于数学和算法的技术，它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识，它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的，全面的指导，为非数学家，提供明确的指导，让读者:
- 学习机器学习的语言，包括Hadoop、Mahout和Weka
- 了解决策树、贝叶斯网络和人工神经网络
- 实现关联规则、实时和批量学习
- 为安全、有效和高效的机器学习制定战略计划
通过学习构建一个可以从数据中学习的系统，读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心，随着企业发现隐藏在现有数据中的金矿，这一领域的需求越来越大。对于涉及数据科学的技术专业人员，机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。
成为VIP会员查看完整内容
在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新，其中包含了大量的实际案例研究，向您展示了如何有效地解决广泛的数据分析问题。在这个过程中，您将学习最新版本的panda、NumPy、IPython和Jupyter。
本书由Python panda项目的创建者Wes McKinney编写，是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说，它是理想的。数据文件和相关材料可以在GitHub上找到。
- 使用IPython外壳和Jupyter笔记本进行探索性计算
- 学习NumPy (Numerical Python)中的基本和高级特性
- 开始使用pandas库的数据分析工具
- 使用灵活的工具来加载、清理、转换、合并和重塑数据
- 使用matplotlib创建信息可视化
- 应用panda groupby工具对数据集进行切片、切割和汇总
- 分析和处理有规律和不规则的时间序列数据
- 学习如何解决现实世界的数据分析问题与彻底的，详细的例子
成为VIP会员查看完整内容
机器学习
·
机器学习(ML)是一组用于发现数据关系的编程技术。使用ML算法，您可以对数据进行聚类和分类，以执行建议或欺诈检测之类的任务，并对销售趋势、风险分析和其他预测进行预测。机器学习曾经是学术数据科学家的领域，现在已经成为主流的业务流程，而像易于学习的R编程语言这样的工具将高质量的数据分析交到任何程序员的手中。《使用R、tidyverse和mlr的机器学习》将教会您广泛使用的ML技术，以及如何使用R编程语言及其强大的工具生态系统将它们应用于您自己的数据集。这本书会让你开始!
对这项技术
机器学习技术准确而有效地识别数据中的模式和关系，并使用这些模型对新数据进行预测。ML技术甚至可以在相对较小的数据集上工作，使这些技能成为几乎所有数据分析任务的强大盟友。R语言的设计考虑了数学和统计的应用。小型数据集是它的最佳选择，它的现代数据科学工具(包括流行的tidyverse包)使R成为ML的自然选择。
关于这本书
《使用R、tidyverse和mlr的机器学习》将教会您如何使用强大的R编程语言从数据中获得有价值的见解。作者兼R专家Hefin Ioan Rhys以其引人入胜的、非正式的风格为ML基础知识打下了坚实的基础，并向您介绍了tidyverse，这是一套专门为实用数据科学设计的强大的R工具。有了这些基础知识，您将更深入地研究常用的机器学习技术，包括分类、预测、约简和聚类算法，并将每种技术应用于实际数据，从而对有趣的问题进行预测。
使用tidyverse包，您将转换、清理和绘制您的数据，并在工作中使用数据科学最佳实践。为了简化您的学习过程，您还将使用R的mlr包，这是一个非常灵活的接口，用于各种核心算法，允许您以最少的编码执行复杂的ML任务。您将探索一些基本概念，如过拟合、欠拟合、验证模型性能，以及如何为您的任务选择最佳模型。富有启发性的图片提供了清晰的解释，巩固了你的新知识。
无论您是在处理业务问题、处理研究数据，还是仅仅是一个有数据头脑的开发人员，您都可以通过本实用教程立即构建自己的ML管道!
里面有什么
- 常用ML技术
- 使用tidyverse包来组织和绘制数据
- 验证模型的性能
- 为您的任务选择最佳的ML模型
- 各种实际的编码练习
- ML的最佳实践
成为VIP会员查看完整内容
主题： Python Data Science Cookbook
简介： 这本书包含了简单而简洁的Python代码示例，以有效地演示实际中的高级概念,使用Python探索编程、数据挖掘、数据分析、数据可视化和机器学习等概念,借助简单易懂、有见地的方法，快速掌握机器学习算法。
成为VIP会员查看完整内容
简介：
科学专业人员可以通过本书学习Scikit-Learn库以及机器学习的基础知识。该书将Anaconda Python发行版与流行的Scikit-Learn库结合在一起，展示了各种有监督和无监督的机器学习算法。通过Python编写的清晰示例向读者介绍机器学习的原理，以及相关代码。
本书涵盖了掌握这些内容所需的所有应用数学和编程技能。不需要深入的面向对象编程知识，因为可以提供并说明完整的示例。必要时，编码示例很深入且很复杂。它们也简洁，准确，完整，是对引入的机器学习概念的补充。处理示例有助于建立理解和应用复杂机器学习算法所需的技能。
本书的学生将学习作为胜任力前提的基础知识。读者将了解专门为数据科学专业人员设计的Python Anaconda发行版，并将在流行的Scikit-Learn库中构建技能，该库是Python领域许多机器学习应用程序的基础。
本书内容包括：
- 使用Scikit-Learn通用的简单和复杂数据集
- 将数据处理为向量和矩阵以进行算法处理
- 熟悉数据科学中使用的Anaconda发行版
- 通过分类器，回归器和降维应用机器学习
- 调整算法并为每个数据集找到最佳算法
- 从CSV，JSON，Numpy和Pandas格式加载数据并保存
内容介绍：
这本书分为八章。 第1章介绍了机器学习，Anaconda和Scikit-Learn的主题。 第2章和第3章介绍算法分类。 第2章对简单数据集进行分类，第3章对复杂数据集进行分类。 第4章介绍了回归预测模型。 第5章和第6章介绍分类调整。 第5章调整简单数据集，第6章调整复杂数据集。 第7章介绍了预测模型回归调整。 第8章将所有知识汇总在一起，以整体方式审查和提出发现。
作者介绍：
David Paper博士是犹他州立大学管理信息系统系的教授。他写了两本书-商业网络编程：Oracle的PHP面向对象编程和Python和MongoDB的数据科学基础。他在诸如组织研究方法，ACM通讯，信息与管理，信息资源管理期刊，AIS通讯，信息技术案例与应用研究期刊以及远程计划等参考期刊上发表了70余篇论文。他还曾在多个编辑委员会担任过各种职务，包括副编辑。Paper博士还曾在德州仪器（TI），DLS，Inc.和凤凰城小型企业管理局工作。他曾为IBM，AT＆T，Octel，犹他州交通运输部和空间动力实验室执行过IS咨询工作。 Paper博士的教学和研究兴趣包括数据科学，机器学习，面向对象的程序设计和变更管理。
目录：
成为VIP会员查看完整内容
