Python機器學習實踐指南（簡體書）

機器學習是近年來漸趨熱門的一個領域，同時Python 語言經過一段時間的發展也已逐漸成為主流的編程語言之一。本書結合了機器學習和Python 語言兩個熱門的領域，通過利用兩種核心的機器學習算法來將Python 語言在數據分析方面的優勢發揮到極 致。
全書共有10 章。第 1 章講解了Python 機器學習的生態系統，剩餘9 章介紹了眾多與機器學習相關的算法，包括各類分類算法、數據可視化技術、推薦引擎等，主要包括機器學習在公寓、機票、IPO 市場、新聞源、內容推廣、股票市場、圖像、聊天機器人和推薦引擎等方面的應用。
本書適合Python 程序員、數據分析人員、對算法感興趣的讀者、機器學習領域的從業人員及科研人員閱讀。

Alexander T. Combs 是一位經驗豐富的數據科學家、策略師和開發人員。他有金融數據抽取、自然語言處理和生成，以及定量和統計建模的背景。他目前是紐約沉浸式數據科學項目的一名全職zi深講師。

機器學習正在迅速成為數據驅動型世界的一個bi備模塊。許多不同的領域，如機器人、醫學、零售和出版等，都需要依賴這門技術。通過閱讀 Python機器學習實踐指南 ，你將學習如何一步步構建真實的機器學習應用程序。Python機器學習實踐指南 以通俗易懂，簡潔明了的方式，教你如何使用機器學習來收集、分析并操作大量的數據。通過易于理解的項目，本書講解如何處理各種類型的數據、如何以及何時應用不同的機器學習技術，包括監督學習和無監督學習。本書中的每個項目都同時提供了教學和實踐，你將學習如何使用聚類技術來發現低價的機票，以及如何使用線性回歸找到一間便宜的公寓 。Python機器學習實踐指南 適合的讀者包括了解數據科學的Python程序員、數據科學家、架構師，以及想要構建完整的、基于Python的機器學習系統的人們。通過閱讀Python機器學習實踐指南 ，你將能：·了解Python機器學習的生態系統；·了解如何執行線性回歸；·機器視覺概念的介紹；·高級數據可視化技術；·如何使用第三方API，部署機器學習模型；·時間序列的建模技術；·如何構建無監督模型。

目　錄

第1章Python機器學習的生態系統 1

1.1 數據科學/機器學習的工作

流程 2

1.1.1 獲取 2

1.1.2 檢查和探索 2

1.1.3 清理和準備 3

1.1.4 建模 3

1.1.5 評估 3

1.1.6 部署 3

1.2 Python庫和功能 3

1.2.1 獲取 4

1.2.2 檢查 4

1.2.3 準備 20

1.2.4 建模和評估 26

1.2.5 部署 34

1.3 設置機器學習的環境 34

1.4 小結 34

第2章構建應用程序，發現低價的

公寓 35

2.1 獲取公寓房源數據 36

使用import.io抓取房源

數據 36

2.2 檢查和準備數據 38

2.2.1 分析數據 46

2.2.2 可視化數據 50

2.3 對數據建模 51

2.3.1 預測 54

2.3.2 擴展模型 57

2.4 小結 57

第3章構建應用程序，發現低價的

機票 58

3.1 獲取機票價格數據 59

3.2 使用高級的網絡爬蟲技術

檢索票價數據 60

3.3 解析DOM以提取定價數據 62

通過聚類技術識別

異常的票價 66

3.4 使用IFTTT發送實時提醒 75

3.5 整合在一起 78

3.6 小結 82

第4章使用邏輯回歸預測IPO市場 83

4.1 IPO市場 84

4.1.1 什么是IPO 84

4.1.2 近期IPO市場表現 84

4.1.3 基本的IPO策略 93

4.2 特征工程 94

4.3 二元分類 103

4.4 特征的重要性 108

4.5 小結 111

第5章創建自定義的新聞源 112

5.1 使用Pocket應用程序，創建一個監督訓練的集合 112

5.1.1 安裝Pocket的Chrome

擴展程序 113

5.1.2 使用Pocket API來檢索

故事 114

5.2 使用embed.ly API下載故事的

內容 119

5.3 自然語言處理基礎 120

5.4 支持向量機 123

5.5 IFTTT與文章源、Google表單

和電子郵件的集成 125

通過IFTTT設置新聞源

和Google表單 125

5.6 設置你的每日個性化

新聞簡報 133

5.7 小結 137

第6章預測你的內容是否會廣為

流傳 138

6.1 關于病毒性，研究告訴我們了

些什么 139

6.2 獲取分享的數量和內容 140

6.3 探索傳播性的特征 149

6.3.1 探索圖像數據 149

6.3.2 探索標題 152

6.3.3 探索故事的內容 156

6.4 構建內容評分的預測模型 157

6.5 小結 162

第7章使用機器學習預測股票市場 163

7.1 市場分析的類型 164

7.2 關于股票市場，研究告訴

我們些什么 165

7.3 如何開發一個交易策略 166

7.3.1 延長我們的分析

周期 172

7.3.2 使用支持向量回歸，

構建我們的模型 175

7.3.3 建模與動態時間扭曲 182

7.4 小結 186

第8章建立圖像相似度的引擎 187

8.1 圖像的機器學習 188

8.2 處理圖像 189

8.3 查找相似的圖像 191

8.4 了解深度學習 195

8.5 構建圖像相似度的引擎 198

8.6 小結 206

第9章打造聊天機器人 207

9.1 圖靈測試 207

9.2聊天機器人的歷史 208

9.3 聊天機器人的設計 212

9.4 打造一個聊天機器人 217

9.5 小結 227

第10章構建推薦引擎 228

10.1 協同過濾 229

10.1.1 基于用戶的過濾 230

10.1.2 基于項目的過濾 233

10.2 基于內容的過濾 236

10.3 混合系統 237

10.4 構建推薦引擎 238

10.5 小結 251