Python機器學習實戰：真實智能案例實踐指南（簡體書）

原書前言
數據是新的“石油”，而機器學習是一個強大的概念和框架，可以充分利用它。在這個自動化和充滿智能系統的時代，機器學習和數據科學成為最熱門的詞匯並不令人驚訝。跨行業、企業和領域對數據科學領域的巨大興趣和新投資清楚地展現了其巨大的潛力。智能系統和數據驅動的組織正在成為現實，工具和技術的進步只會幫助它進一步擴展。由於數據至關重要，因此對機器學習和數據科學從業人員的需求從未像現在這樣旺盛。事實上，世界正面臨著數據科學家短缺的情況。數據科學工作被稱為“ 21世紀最性感的工作”，因此在該領域積累一些有價值的專業知識就變得更加有意義。
本書是方案解決者的指南，用於構建真實世界的智能系統。它采用了包含概念、方法論、實際示例和代碼的三步法。本書通過遵循數據驅動的思維方式，幫助讀者掌握解決機器學習與深度學習中復雜問題時所需的必要技能。使用真實世界的案例研究，利用流行的 Python機器學習生態系統，本書將成為你在學習機器學習的藝術和科學並成為成功從業者道路上的完美伴侶。本書中使用的概念、技術、工具、框架和方法將教會你如何成功思考、設計、構建和執行機器學習系統和項目。
本書將帶你開始探索利用 Python機器學習生態系統及其各種框架和庫的方法。本書的三步法首先側重於圍繞機器學習的基礎知識以及相關工具和框架建立一個堅實的基礎，之後強調構建機器學習流程的核心過程，最後利用這些知識解決一些來自不同領域的實際問題，包括零售、運輸、電影、音樂、計算機視覺、藝術和金融。本書還涵蓋了廣泛的機器學習模型，包括回歸、分類、預測、規則挖掘和聚類。本書還涉及深度學習領域的前沿方法和研究，包括遷移學習和與計算機視覺相關的案例研究（如圖像分類和神經風格遷移）。每章都包含詳細的概念、完整的實例、代碼及詳細的討論。
本書的主要目的是為廣泛的讀者（包括 IT專業人員、分析師、開發人員、數據科學家、工程師和研究生）提供一種結構化的方法來獲得與機器學習有關的基本技能，以及利用先進的機器學習技術和框架的足夠知識，以便他們能夠開始解決他們自己的現實問題。本書是以應用實踐為核心內容，所以它不能完全滿足你對有關機器學習算法、方法及其內部實現的深入概念和理論知識的需求。我們建議你再通過一些關於數據挖掘、統計分析、機器學習算法和方法的理論方面的書籍來補充知識，從而對機器學習的世界有更深入的了解。

目錄
原書序言
原書前言
譯者簡介

第1部分　理解機器學習
第1章　機器學習基礎 // 2
11　機器學習的需求 // 3
12　理解機器學習 // 6
13　計算機科學 // 12
14　數據科學 // 14
15　數學 // 15
16　統計學 // 20
17　數據挖掘 // 22
18　人工智能 // 22
19　自然語言處理 // 23
110　深度學習 // 24
111　機器學習方法 // 29
112　監督學習 // 30
113　無監督學習 // 33
114　半監督學習 // 36
115　強化學習 // 37
116　批量學習 // 37
117　在線學習 // 38
118　基於實例的學習 // 38
119　基於模型的學習 // 39
120　CRISP-DM處理模型 // 39
121　構建機器智能 // 45
122　真實案例研究：預測學生獲取推薦 // 47
123　機器學習的挑戰 // 55
124　機器學習的現實應用 // 55
125　總結 // 56

第2章 Python機器學習生態系統 // 57
21　Python簡介 // 57
22　Python機器學習生態系統簡介 // 62
23　總結 // 100

第2部分　機器學習流程
第3章 數據的處理、重整以及可視化 // 102
31　數據收集 // 103
32　數據描述 // 116
33　數據重整 // 117
34　數據匯總 // 128
35　數據可視化 // 130 36
總結 // 152

第4章　特征工程和特征選擇 // 153
41　特征：更好地理解你的數據 // 154
42　重溫機器學習流程 // 155
43　特征提取和特征工程 // 156
44　數值型數據的特征工程 // 160
45　分類型數據的特征工程 // 174
46　文本型數據的特征工程 // 183
47　時態型數據的特征工程 // 193
48　圖像型數據的特征工程 // 197
49　特征縮放 // 211
410　特征選擇 // 214
411　特征降維 // 221
412　總結 // 224

第5章　構建、調優和模型的部署 // 225
51　構建模型 // 226
52　模型評估 // 239
53　模型調優 // 248
54　模型解釋 // 259
55　模型部署 // 265
56　總結 // 267

第3部分　真實案例研究
第6章　共享單車趨勢分析 // 270
61　共享單車數據集 // 270
62　問題陳述 // 271
63　探索性數據分析 // 271
64　回歸分析 // 278
65　建模 // 280
66　下一步 // 291
67　總結 // 292

第7章　電影影評的情感分析 // 293
71　問題陳述 // 294
72　設置依賴項 // 294
73　獲取數據 // 295
74　文字的預處理與標準化 // 295
75　無監督的以詞典為基礎的模型 // 298
76　使用監督學習進行情感分類 // 306
77　傳統的有監督的機器學習模型 // 308
78　較新的有監督的深度學習模型 // 310
79　高級的有監督的深度學習模型 // 316
710　分析情感的因果關係 // 323
711　總結 // 332

第8章 顧客分類和有效的交叉銷售 /333/
81　在線零售交易記錄數據集 // 333
82　探索性數據分析 // 334
83　顧客分類 // 337
84　交叉銷售 // 350
85　總結 // 361

第9章　分析酒的類型和質量 // 362
91　問題陳述 // 362
92　設置依賴項 // 363
93　獲取數據 // 363
94　探索性數據分析 // 364
95　預測建模 // 378
96　預測葡萄酒類型 // 379
97　預測葡萄酒質量 // 385
98　總結 // 397

第10章　分析音樂趨勢和推薦 // 398
101　百萬歌曲數據集品味畫像 // 398
102　探索性數據分析 // 399
103　推薦引擎 // 407
104　推薦引擎庫的注意事項 // 415
105　總結 // 416

第11章　預測股票和商品價格 // 417
111　時序數據及時序分析 // 417
112　預測黃金價格 // 423
113　股票價格預測 // 432
114　總結 // 445

第12章　計算機視覺深度學習 // 447
121　卷積神經網絡 // 447
122　使用 CNN進行圖像分類 // 448
123　使用 CNN的藝術風格轉換 // 457
124　總結 // 467