Python机器学习项目实战

第1章 机器学习简介
1．1 机器学习
1．1．1 机器学习与基于规则的方法
1．1．2 当机器学习不起作用时
1．1．3 监督机器学习
1．2 机器学习过程
1．2．1 问题理解
1．2．2 数据理解
1．2．3 数据准备
1．2．4 建模
1．2．5 评估
1．2．6 部署
1．2．7 迭代
1．3 建模和模型验证
1．4 本章小结

第2章 用于回归的机器学习
2．1 汽车价格预测项目
2．2 探索性数据分析
2．2．1 探索性数据分析工具箱
2．2．2 读取和准备数据
2．2．3 目标变量分析
2．2．4 检查缺失值
2．2．5 验证框架
2．3 机器学习之回归
2．3．1 线性回归
2．3．2 训练线性回归模型
2．4 预测价格
2．4．1 基本解决方案
2．4．2 RMSE：评估模型质量
2．4．3 验证模型
2．4．4 简单的特征工程
2．4．5 处理分类变量
2．4．6 正则化
2．4．7 使用模型
2．5 后续步骤
2．5．1 练习
2．5．2 其他项目
2．6 本章小结
2．7 习题答案

第3章 用于分类的机器学习
3．1 客户流失预测项目
3．1．1 电信客户流失数据集
3．1．2 初始数据准备
3．1．3 探索性数据分析
3．1．4 特征重要性
3．2 特征工程
3．3 机器学习之分类
3．3．1 逻辑回归
3．3 2训练逻辑回归
3．3．3 模型解释
3．3．4 使用模型
3．4 后续步骤
3．4．1 练习
3．4．2 其他项目
3．5 本章小结
3．6 习题答案

第4章 分类的评估指标
4．1 评估指标
4．1．1 分类准确度
4．1．2 虚拟基线
4．2 混淆矩阵
4．2．1 混淆矩阵介绍
4．2．2 用NumPy计算混淆矩阵
4．2．3 查准率和查全率
4．3 ROC曲线和AUC分数
4．3．1 真正例率和假正例率
4．3．2 在多个阈值下评估模型
4．3．3 随机基线模型
4．3．4 理想模型
4．3．5 ROC曲线
4．3．6 AUC
4．4 参数调优
4．4．1 K折交叉验证
4．4．2 寻找*佳参数
4．5 后续步骤
4．5．1 练习
4．5．2 其他项目
4．6 本章小结
4．7 习题答案

第5章 部署机器学习模型
5．1 客户流失预测模型
5．1．1 使用模型
5．1．2 使用Pickle保存和加载模型
5．2 模型服务化
5．2．1 Web服务
5．2．2 Flask
5．2．3 使用Flask将流失模型服务化
5．3 管理依赖项
5．3．1 Pipenv
5．3．2 Docker
5．4 部署
5．5 后续步骤
5．5．1 练习
5．5．2 其他项目
5．6 本章小结

第6章 决策树与集成学习
6．1 信用风险评分项目
6．1．1 信用评分数据集
6．1．2 数据清理
6．1．3 准备数据集
6．2 决策树
6．2．1 决策树分类器
6．2．2 决策树学习算法
6．2．3 决策树的参数调优
6．3 随机森林
6．3．1 训练随机森林
6．3．2 随机森林的参数调优
6．4 梯度提升
6．4．1 XGBoost：极限梯度提升
6．4．2 模型性能监控
6．4．3 XGBoost的参数调优
6．4．4 测试*终模型
6．5 后续步骤
6．5．1 练习
6．5．2 其他项目
6．6 本章小结
6．7 习题答案
……

第7章 神经网络与深度学习
第8章 无服务器深度学习
第9章 使用Kubemetes和Kubeflow将模型服务化

附录