包邮Python机器学习实战(真实智能案例实践指南)

目录
原书序言
原书前言
译者简介

第1部分　理解机器学习
第1章　机器学习基础 // 2
11　机器学习的需求 // 3
12　理解机器学习 // 6
13　计算机科学 // 12
14　数据科学 // 14
15　数学 // 15
16　统计学 // 20
17　数据挖掘 // 22
18　人工智能 // 22
19　自然语言处理 // 23
110　深度学习 // 24
111　机器学习方法 // 29
112　监督学习 // 30
113　无监督学习 // 33
114　半监督学习 // 36
115　强化学习 // 37
116　批量学习 // 37
117　在线学习 // 38
118　基于实例的学习 // 38
119　基于模型的学习 // 39
120　CRISP-DM处理模型 // 39
121　构建机器智能 // 45
122　真实案例研究：预测学生获取推荐 // 47
123　机器学习的挑战 // 55
124　机器学习的现实应用 // 55
125　总结 // 56

第2章　 Python机器学习生态系统 // 57
21　Python简介 // 57
22　Python机器学习生态系统简介 // 62
23　总结 // 100

第2部分　机器学习流程
第3章　 数据的处理、重整以及可视化 // 102
31　数据收集 // 103
32　数据描述 // 116
33　数据重整 // 117
34　数据汇总 // 128
35　数据可视化 // 130 36　
总结 // 152

第4章　特征工程和特征选择 // 153
41　特征：更好地理解你的数据 // 154
42　重温机器学习流程 // 155
43　特征提取和特征工程 // 156
44　数值型数据的特征工程 // 160
45　分类型数据的特征工程 // 174
46　文本型数据的特征工程 // 183
47　时态型数据的特征工程 // 193
48　图像型数据的特征工程 // 197
49　特征缩放 // 211
410　特征选择 // 214
411　特征降维 // 221
412　总结 // 224

第5章　构建、调优和模型的部署 // 225
51　构建模型 // 226
52　模型评估 // 239
53　模型调优 // 248
54　模型解释 // 259
55　模型部署 // 265
56　总结 // 267

第3部分　真实案例研究
第6章　共享单车趋势分析 // 270
61　共享单车数据集 // 270
62　问题陈述 // 271
63　探索性数据分析 // 271
64　回归分析 // 278
65　建模 // 280
66　下一步 // 291
67　总结 // 292

第7章　电影影评的情感分析 // 293
71　问题陈述 // 294
72　设置依赖项 // 294
73　获取数据 // 295
74　文字的预处理与标准化 // 295
75　无监督的以词典为基础的模型 // 298
76　使用监督学习进行情感分类 // 306
77　传统的有监督的机器学习模型 // 308
78　较新的有监督的深度学习模型 // 310
79　高级的有监督的深度学习模型 // 316
710　分析情感的因果关系 // 323
711　总结 // 332

第8章　 顾客分类和有效的交叉销售 /333/
81　在线零售交易记录数据集 // 333
82　探索性数据分析 // 334
83　顾客分类 // 337
84　交叉销售 // 350
85　总结 // 361

第9章　分析酒的类型和质量 // 362
91　问题陈述 // 362
92　设置依赖项 // 363
93　获取数据 // 363
94　探索性数据分析 // 364
95　预测建模 // 378
96　预测葡萄酒类型 // 379
97　预测葡萄酒质量 // 385
98　总结 // 397

第10章　分析音乐趋势和推荐 // 398
101　百万歌曲数据集品味画像 // 398
102　探索性数据分析 // 399
103　推荐引擎 // 407
104　推荐引擎库的注意事项 // 415
105　总结 // 416

第11章　预测股票和商品价格 // 417
111　时序数据及时序分析 // 417
112　预测黄金价格 // 423
113　股票价格预测 // 432
114　总结 // 445

第12章　计算机视觉深度学习 // 447
121　卷积神经网络 // 447
122　使用 CNN进行图像分类 // 448
123　使用 CNN的艺术风格转换 // 457
124　总结 // 467