Python machine learning

本書以案例驅動的方式講解機器學習算法的知識點，並以Python語言作為基礎開發語言實現算法，包括目前機器學習主流算法的原理、算法流程圖、算法的詳細設計步驟、算法實例、算法應用、算法的改進與優化等環節。全書共分 17 章，前兩章介紹機器學習與 Python 語言的相關基礎知識，後面各章以案例的方式分別介紹線性回歸算法、邏輯回歸算法、K *近鄰算法、PCA 降維算法、k-means算法、支持向量機算法

《Python機器學習》面向機器學習新手，主要內容如下： ● Python機器學習的一些基本庫，包括NumPy、Pandas和matplotlib庫 ● 常見的機器學習算法，包括回歸、聚類、分類和異常檢測 ● 使用Python和Scikit-learn庫進行機器學習 ● 將機器學習模型部署為Web服務 ● 使用Microsoft Azure Machine Learning Studio進行機器學

本書共22章，分為三個部分。第一部分(第1～5章)為Python及應用數學基礎部分，介紹Python和TensorFlow的基石Numpy，深度學習框架的鼻祖Theano，以及機器學習、深度學習算法應用數學基礎等內容。第二部分(第6～20章)為深度學習理論與應用部分，介紹機器學習的經典理論和算法，深度學習理論及方法，TensorFlow基於CPU、GPU版本的安裝及使用、TensorFlow基礎、

深度學習正日益深刻地滲入我們的生活，從建議內容到在任務關鍵型和安全關鍵型應用中發揮核心作用，其影響無所不在。然而，隨著這些算法影響力的逐漸擴大，人們對於依賴這些算法的系統安全性和魯棒性的擔憂也日益加劇。簡言之，傳統的深度學習方法往往難以察覺自身的知識邊界，即它們“不知其所不知”。貝葉斯深度學習(Bayesian Deep Learning，BDL)領域包含一系列利用深度網絡進行近似貝葉斯推理的方法。這些方法通過揭示模型對其預測結果的置信度，增強了深度學習系統的魯棒性，使我們能夠更謹慎地將模型預測融入實際應用中。《Python貝葉斯深度學習》將引領你踏入迅速發展的不確定性感知深度學習領域，助你深入理解不確定性估計在構建魯棒性的機器學習系統中的重要價值。你將學習多種流行的BDL方法，並通過涵蓋多種應用場景的Python實用示例來掌握這些方法的實現技巧。讀完本書後，你將深刻理解BDL及其優勢，並能夠為更安全、更魯棒的深度學習系統開發貝葉斯深度學習模型。主要內容：● 了解貝葉斯推理和深度學習的優缺點● 了解貝葉斯神經網絡(Bayesian Neural Network，BNN)的基本原理● 了解主要貝葉斯神經網絡實現/近似之間的差異● 了解生產環境中概率深度神經網絡的優勢● 在Python代碼中實現各種貝葉斯深度學習方法● 運用貝葉斯深度學習方法解決實際問題● 學習如何評估貝葉斯深度學習方法並為特定任務選擇最佳方法● 在實際深度學習應用中處理“分布外”數據

本書首先介紹在強化學習環境中工作所需的工具、庫和設置，涵蓋了強化學習的構成模塊，深入探討基於值的方法，如Q-learning和SARSA算法的應用。讀者將學習如何結合使用Q-learning和神經網絡來解決複雜問題。此外，在學習*d*dPG和TD3確定性算法之前，讀者將學習策略梯度方法，如TRPO和PPO，以提高性能和穩定性。本書還介紹模仿學習的原理，以及Dagger如何教智能體飛行。讀者將探索進化策略和黑盒優化技術。最後，讀者將掌握探索方法，如UCB和UCB1，並開發一個名為ESBAS的元算法。

《Python數據挖掘入門與實踐》一書作為數據挖掘入門讀物，介紹了數據挖掘的基礎知識、基本工具和實踐方法，通過循序漸進地講解算法，帶你輕鬆踏上數據挖掘之旅。本書採用理論與實踐相結合的方式，呈現瞭如何使用決策樹和隨機森林算法預測美國職業籃球聯賽比賽結果，如何使用親和性分析方法推薦電影，如何使用樸素貝葉斯算法進行社會媒體挖掘，等等。本書也涉及神經網絡、深度學習、大數據處理等內容。

本書作為數據挖掘的入門讀物，基於真實的數據集進行案例實戰，使用Python數據科學庫，從數據預處理開始一步步介紹數據建模和數據挖掘的過程。主要介紹了數據挖掘的基礎知識、基本工具和實踐方法，通過循序漸進地講解算法，帶領讀者輕鬆踏上數據挖掘之旅。本書採用理論與實踐相結合的方式，呈現了如何使用邏輯回歸進行環境數據檢測，如何使用HMM進行中文分詞，如何利用卷積神經網絡識別雷達剖面圖，如何使用循環神經網絡構建聊天機器人，如何使用樸素貝葉斯算法進行破產預測，如何使用DCGAN網絡進行人臉生成等。本書也涉及神經網絡、在線學習、強化學習、深度學習和大數據處理等內容。本書以人工智能主流編程語言Python 3版本作為數據分析與挖掘實戰的應用工具，從Pyhton的基礎語法開始，陸續介紹了NumPy數值計算、Pandas數據處理、Matplotlib數據可視化、爬蟲和Sklearn數據挖掘等內容。全書共涵蓋16個常用的數據挖掘算法和機器學習實戰項目。通過學習本書內容，讀者可以掌握數據分析與挖掘的理論知識及實戰技能。

本書涵蓋Kubernetes架構、部署、核心資源類型、系統擴縮容、存儲卷、網絡插件與網絡本書由淺入深地介紹了一系列常見的Python數據科學問題。書中介紹的實踐項目簡單明瞭，可作為模板快速啟動其他類似項目。通過本書，你將學習如何構建一個Web應用程序以進行數值或分類預測，如何理解文本分析，如何創建強大的交互界面，如何對數據訪問進行安全控制，以及如何利用Web插件實現信用卡付款和捐贈。每章都遵循三個

強化學習是一類重要的機器學習方法,在很多領域得到了成功的應用,*近幾年與深度學習結合起來,進一步推動了人工智能的發展?本書首先介紹了強化學習的基本原理,然後介紹典型的強化學習算法,包括時序差分? SARSA? Q-Learning? DeepQ-network? Double DQN?競爭網絡結構? Rainbow? Actor-Critic? A2C? A3C? TRPO和PPO等,每種算法基本

強化學習是一種重要的機器學習方法，在智能體及分析預測等領域有許多應用。本書共13章，主要包括強化學習的各種要素，即智能體、環境、策略和模型以及相應平臺和庫；Anaconda、Docker、OpenAI Gym、Universe和TensorFlow等安裝配置；馬爾可夫鏈和馬爾可夫過程及其與強化學習問題建模之間的關係，動態規劃的基本概念；蒙特卡羅方法以及不同類型的蒙特卡羅預測和控制方法；時間差分學習、預測、離線/在線策略控制等；多臂賭博機問題以及相關的各種探索策略方法；深度學習的各種基本概念和RNN、LSTM、CNN等神經網絡；深度強化學習算法DQN，以及雙DQN和對抗網絡體系結構等改進架構；DRQN以及DARQN；A3C網絡的基本工作原理及架構；策略梯度和優化問題；最後介紹了強化學習的最新進展以及未來發展。

多智能體強化學習(Multi-Agent Reinforcement Learning, MARL)是機器學習中的一個領域，研究多個智能體如何在共享環境中學習最優的交互方式。這一領域在現代生活中有著廣泛的應用，包括自動駕駛、多機器人工廠、自動化交易和能源網絡管理等。 本書是一部系統闡述多智能體強化學習理論與技術的權威著作，清晰而嚴謹地介紹了MARL的模型、解決方案概念、算法思想、技術挑戰以及現代方法。書中首先介紹了該領域的基礎知識，包括強化學習理論和算法的基礎、交互式博弈模型、博弈中的不同解決方案概念以及支撐MARL研究的算法思想。隨後，書中詳細介紹了利用深度學習技術的現代MARL算法，涵蓋集中訓練與分散執行、價值分解、參數共享和自博弈等思想。本書還附帶了一個用Python編寫的MARL代碼庫，其中包括自包含且易於閱讀的MARL算法實現。 本書技術內容以易於理解的語言解釋，並通過大量示例進行說明，既為初學者闡明了MARL的概念，也為專業的讀者提供了高層次的見解。

《強化學習基礎、原理與應用》循序漸進地講解了使用Python語言實現強化學習的核心算法開發的知識，內容涵蓋了數據處理、算法、大模型等知識，並通過具體實例的實現過程演練了各個知識點的使用方法和使用流程。《強化學習基礎、原理與應用》共分為17章，主要內容包括強化學習基礎、馬爾可夫決策過程、蒙特卡洛方法、Q-learning與貝爾曼方程、時序差分學習和SARSA算法、DQN算法、DDQN算法、競爭DQN算法、REINFORCE算法、Actor-Critic算法、PPO算法、TRPO算法、連續動作空間的強化學習、值分布式算法、基於模型的強化學習、多智能體強化學習實戰：Predator-Prey 遊戲及自動駕駛系統。本書內容簡潔而不失技術深度，以極簡的文字介紹了複雜的案例，易於閱讀和理解。《強化學習基礎、原理與應用》適用於已經瞭解Python語言基礎語法的讀者，想進一步學習強化學習、機器學習、深度學習及相關技術的讀者，還可作為大專院校相關專業的師生用書和培訓機構的教材使用。

這是一本介紹如何應用大數據和機器學習技術來解決投資問題並提高投資績效的專著。近年來，機器學習和數據科學在投資中發揮著越來越大的作用。從本質上講，機器學習模型在挖掘數據背後的非線性關係上要強于傳統模型。借助機器學習和大數據，投資經理能夠做出以往傳統模型無法實現的預測，進而做出明智的決策。然而，在投資中，並不是所有的數據集和機器學習技術都對金融應用有用，也不是所有的機器學習技術都可以“即插即用”。《大數據、機器學習與量化投資》這本書由資深量化分析專家托尼‧吉達主編，彙集了多位業內頗具影響力的專家學者的前沿分享，闡釋如何應用大數據和機器學習技術來解決投資問題並提高投資績效。這本書共有13章，理論嚴謹，案例豐富，內容涵蓋機器學習在投資管理中的應用現狀和前景、另類數據和大數據在宏觀交易中的應用、處理大數據集的難點和解決方案、挖掘社交媒體數據集分析企業文化、使用自然語言處理技術進行投資者情緒分析、基於支持向量回歸的全球戰術性資產配置策略、強化學習和深度學習在投資組合優化中的應用等主題，可以作為量化投資從業者、金融算法研究人員、高等院校計算機專業和金融工程專業的師生以及機器學習愛好者的參考用書。

機器學習(Machine Learning，ML)是人工智能的一個分支，它是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。機器學習方法可以根據經驗數據自動完成模型參數學習，而不需要人為設定規則，大幅降低了人工分析的工作量和難度，已成為目前解決人工智能相關問題的主要方式。

近年來，人工智能與機器人在全世界範圍內備受關注。但是從2014年開始，國際權威調研機構高德納諮詢公司(Gartner)每年公佈的十大技術中，“大數據”這樣的詞語已經不再出現了。這不是因為“大數據”不再重要，而是意味著自2015年以後，“大數據”已經包含在十大技術裡，或者已經成為這些技術的基礎。“大數據”不僅可以用於構建和應用分析模型，還可以應用於機器學習(Machine Learning)、人工智能等諸多領域。本書從多種觀點出發，闡述了對大數據分析的理解和在環境、大數據企劃與設計層面上需要考慮的問題。

特色1. 數據處理和數據分析並重。針對金融大數據結構複雜、數據源和格式變換大的特點，充分講述SAS軟件DATA步強大的數據處理功能，強化金融數據處理內容。2. 將SAS數據分析能力強和R和Python靈巧和業界流行的特點相結合，建立融合SAS和R及Python的數據處理和分析教材構架，進行教學大綱、授課教案到教材、案例集和習題集等課程要件建設。3. 以《金融計量經濟學》為知識依托，以海通證券金融工程部、天風證券金融工程部、等有名券商量化金融策略為具體案例內容，以權益（股票）市場和債券（固定收益）市場為主要應用領域，以日數據（daily data）為主、高頻日內數據（intraday data）為輔，建立從數據搜集到數據清理、從投資組合到交易策略和算法交易等金融量化方法的教學案例。創新點1. 填補國內教材空白。作為一款權威的數據處理和統計分析軟件，多年來SAS在國內（尤其是銀行系統）得到了廣泛應用。已出版的教材多以操作和數據處理編程為主，針對金融數據處理和分析的書籍並不多見，尤其講解金融數據分析的SAS過程步（Proc step）的教材難以見到。本教材擬對分析金融時間序列的SAS過程進行詳細和全面的介紹，充分揭示SAS在處理和分析金融時間序列數據上的優勢，填補國內教材空白。2.SAS Viya平臺介紹和R、Python的軟件融合。SAS Viya 2016年推出以來，得到了很快的發展，出現了基於SAS Viya 云分析服務CAS的很多應用，國內一些金融機構也採用了SAS Viya構建自己的數據分析平臺。但國內介紹SAS Viya的書很少，沒有發現介紹利用SAS Viya中的ACTION進行金融數據分析的書籍。對SAS Viya的介紹以及利用SAS Viya中的Econometrics8.4 ACTION、Visal Statistical Analysis ACTION、Deep Learning ACTION等進行金融數據處理和分析的內容，是本教材的創新之處。

《深度學習原理與PyTorch實戰》按照從理論到實踐，從實踐到創造的順序講解深度學習領域的知識與技術，代碼翔實，公式簡單易懂。 《深度學習原理與PyTorch實戰》第1章介紹深度學習的概念和目前的形勢，第2章介紹Python編程語言基礎，第3章使用Python語言計算極限、導數、級數等數學問題，第4章講解深度學習的基本原理與PyTorch框架的基本使用，第5章和第6章詳細講述經典網絡結構CNN和

終身機器學習（Lifelong Machine Learning）第二版是對高級機器學習範式的介紹，通過積累過去的知識持續地學習，並將所學到的知識用於幫助未來的學習和問題解決。本書適用於對機器學習、數據挖掘、自然語言處理或模式識別感興趣的學生、研究人員和從業人員。講師隨時可以在任何這些相關領域的課程中使用本書。

本書基於Azure Machine Learning Studio探討了現代數據科學算法的背景、理論和實際應用。 全書共8章。第1章描述了在數據科學領域，Azure機器學習如何通過實現完全託管的數據科學雲服務邁出預測分析解決方案的關鍵一步；第2章講解預測分析科學和方法論的基本概念；第3章探討Azure ML Studio的基本原理；第4章基於一個實用的Azure機器學習預測模型，探討可以用來調用A

近年來，機器學習領域受到越來越多的關注，相關的機器學習演算法開始成為熱點。 本書專門介紹了有關機器學習的內容，全書共分3部分：第1部分是資料科學和Microsoft Azure Machine Learning導論，介紹了資料科學和Microsoft Azure Machine Learning的基本知識以及需要用到的語言的基本知識；第二部分是統計學和機器學習演算法，系統地講解了統計學和機器學習的

本書探索了一系列廣泛應用的機器學習技術，用實際例子揭示了常見數據中隱藏的處理技巧和竅門。本書還探討了機器學習的前沿進展，提供了一些關於深度學習和強化學習的範例和指導原則，完美演繹了實操過程及算法原理。本書的目標讀者為那些想瞭解機器學習實踐通過機器學習技術解決現實應用的數據科學家。

本書講解的是在R語言平臺上使用大數據技術構建可擴展機器學習模型的新技術成果。它全面展示了如何採用機器學習算法在原始數據的基礎上構建機器學習模型。本書還能讓那些希望利用ApacheHadoop、Hive、Pig和Spark來實現可擴展機器學習模型的讀者從中受益。

本書採用理論與實踐相結合的方式，在簡明扼要地闡明機器學習原理的基礎上，通過大量實例介紹了不同場景下機器學習算法在scikit-learn中的實現及應用。書中還有大量的代碼示例及圖例，便於讀者理解和學習並實際上手操作。另一方面，書中還有很多的延伸閱讀指導，方便讀者系統性地瞭解機器學習領域的現有技術及其發展狀態。

本書對機器學習的關鍵知識點進行了全面講解，幫助讀者順利完成從理論到實踐的過渡。書中首先介紹用於描述機器學習算法的統計與概率的知識，接著詳細分析機器學習技術的兩類主要方法――生成方法和判別方法，後深入研究了如何使機器學習算法在實際應用中發揮更大的作用。本書提供程序源代碼，便於讀者進行數據分析實踐。本書適合高等院校計算機、統計等專業的研究生和高年級本科生閱讀，同時也適合相關領域的技術人員參考。

本書以新的Spark2.0爲技術基礎，重點講解了如何構建機器學習系統以及如何實現機器學習流程的標準化，這兩點都是目前同類書中沒有的。第1～7章從概念、架構、算法等角度介紹了機器學習的基本概念；第8～12章以實例爲主，詳細講解了機器學習流程標準化涉及的關鍵技術；第13章主要以在綫數據或流式數據爲主介紹了流式計算框架SparkStreaming；第14章重點講解了深度學習的框架TensorFlowOn

Copyright 2016 Packt Publishing. First published in the English language under the title “Mastering Scala Machine Learning”.All rights reserved.Chinese simplified language edition published by China M

本書共9章，主要介紹了人工智能在監督學習、非監督學習、強化學習3個領域的10種常見算法，包括kNN、貝葉斯、決策樹、支持向量機、集成學習、K-means、線性回歸、神經網絡、卷積網絡、Q-learning等。全書採用Python作為實現語言，通過大量原創圖表及實用案例讓讀者參與和體驗人工智能的“決策過程”，希望讀者能夠瞭解並掌握人工智能的常用算法。 本書配套的數字課程將在“智慧職教”(www.i

本書以自上而下和自下而上的方法來展示針對不同領域實際問題的深度學習解決方案，包括圖像識別、自然語言處理、時間序列預測和機器人操縱等。還討論了採用諸如TensorFlow、PyTorch、Keras和CNTK等流行的深度學習開源框架用於實際問題的解決方案及其優缺點。本書內容包括：用於深度學習的編程環境、GPU計算和雲端解決方案；前饋神經網絡與卷積神經網絡；循環與遞歸神經網絡；強化學習與生成對抗網絡；

本書由教學與科研經驗豐富的專任教師、企業資深工程師、全國職業技能大賽一等獎獲得者共同編寫。書中依據“項目引領、任務驅動”的思路，針對數據批量處理、流式處理、機器學習等Spark典型應用情境，設計了8個教學項目，涵蓋Spark Core、Spark SQL、Spark Streaming、Structured Streaming、Spark Machine Learning等技術。其中每個項目細分為3～6個子任務，以保證技能提升的“平滑性”，契合初學者的認知規律。本書內容由淺入深，由實踐到理論，再從理論回到實踐，符合初學者的學習規律。同時，編者為了踐行立德樹人的時代擔當，將思政元素有機融入項目教學，讓讀者在完成拓展項目的同時提升個人素養。本書配套了微課視頻、PPT課件、程序代碼、數據集、教案、教學日曆、考試樣題、課程標準(大綱)等全套教學資源，以利於教師的教學。為了最大限度降低學習門檻，本書還提供了基於Linux的Spark虛擬機環境，可免去讀者配置環境的煩惱。本書可作為高等職業院校、應用型本科院校大數據相關課程的配套教材，也可作為Spark學習者的參考用書。

本書共6章。第1章介紹機器學習的基本概念及其發展史、機器學習分類、常見機器學習算法及其特點；第2章搭建機器學習開發環境，主要包括Anaconda\PyCham\Python軟件的安裝及使用，以及常見機器學習庫的介紹和安裝使用方法；第3章介紹監督學習的4個經典算法：線性回歸、決策樹、k近鄰和支持向量機算法，其重點在算法的應用；第4章介紹主成分分析降維算法、K-means聚類算法；第5章介紹人工神經網絡基礎，並通過房價預測和手寫數字識別實例進行驗證；第6章介紹強化學習的基本概念，有模型學習和無模型學習，最後介紹了Q-Learning算法和Sarsa算法。

This book provides a comprehensive foundation of machine learning. To answer the questions of what to learn, how to learn, what to get from learning, and how to evaluate, as well as what is meant by learning, the book focuses on the fundamental basics of machine learning, its methodology, theory, algorithms, and evaluations, together with some philosophical thinking on comparison between machine learning and human learning for machinery intelligence.The book is organized as follows: Introduction (Chapter 1), Evaluation (Chapter 2), Supervised learning (Chapters 3, 4, and 5), Unsupervised learning (Chapter 6), Representation learning (Chapter 7), Problem decomposition (Chapter 8), Ensemble learning (Chapter 9), Deep learning (Chapter 10), Application (Chapter 11), and Challenges (Chapter 12).The book can be used as a textbook for college, undergraduate, graduate and PhD students majored in computer science, automation, electronic engineering, communication, ect. It can also be used as

本書作者曾在北美多家智能專業公司任高級架構師，有20年數據挖掘、機器學習方面的設計、開發、管理經驗。他結合自己多年的行業經歷，總結了自己在機器學習方面的知識和實際工程中的經驗，提供了大量一線資料。本書不僅介紹了機器學習中的常用算法，而且給出了具體實施環境和經驗總結。重點介紹了相關算法，包括：相關因子算法、聚類算法、分類算法、回歸與測試算法等。不僅列舉了詳細示例，還介紹了算法在工程實踐中的具體應用，

Python與機器學習這一話題是如此的寬廣，僅靠一本書自然不可能涵蓋到方方面面，甚至即使出一個系列也難能做到這點。單就機器學習而言，其領域就包括但不限於如下：有監督學習（Supervised Learning），無監督學習（Unsupervised Learning）和半監督學習（Semi-Supervised Learning）。而具體的問題又大致可以分兩類：分類問題（Classificatio

Machine Learning - Modeling Data Locally and Globally presents a novel and unified theory that tries to seamlessly integrate different algorithms。 Specifically， the book distinguishes the inner nature