Python机器学习实战PDF电子书下载

第一部分Python开发实战 3

第一章 开发环境选择与比较 3

1.1 PyCharm介绍 3

1.2 Jupyter Notebook介绍 8

1.3 Sublime Text介绍 11

1.4 Visual Studio Code介绍 15

第二章Anaconda使用介绍 19

2.1 Anaconda介绍 19

2.2使用conda管理Python虚拟环境 21

第三章 开发规范与方法 30

3.1 PEP 8规范 30

3.2 Git介绍和使用 33

3.3敏捷思想与方法 39

第四章 单元测试与代码覆盖率 54

4.1测试驱动开发 54

4.2单元测试的概念和原则 55

4.3单元测试实例 56

第二部分Python编程技巧 67

第五章 列表生成式 67

5.1使用列表生成式代替循环语句 67

5.2列表生成式的概念 68

5.3字典和集合的生成式 70

5.4列表生成式实际例子 72

5.5速度比拼 74

第六章Collections库 77

6.1 namedtuple 77

6.2 deque 78

6.3 defaultdict 79

6.4 OrderedDict 80

6.5 Counter 81

第七章 迭代器 82

7.1可迭代对象Iterable 82

7.2迭代器Iterator 83

7.3Itertools模块 86

第八章 Python多线程与多进程浅析 95

8.1多线程引言 95

8.2线程 95

8.3 Python是解释性语言 95

8.4 Python线程切换机制 96

8.5 Python线程安全 97

8.6 Python多线程StepbyStep 99

8.7多进程方式 104

8.8基于I/O的多线程 106

8.9小结 111

第九章 Python程序性能分析初步 112

9.1编程语言和性能 112

9.2 Node.js和V8编译引擎 113

9.3为web服务而生的Go语言 122

9.4服务端性能指标 122

9.5用装饰器记录执行时间 123

9.6函数执行时间分析和cProfile 126

9.7分析每一行代码的执行时间 128

9.8内存占用分析 128

9.9图示化分析多线程的执行时间 131

9.10 CPU等性能测试 132

第三部分Python机器学习基础 137

第十章 机器学习基础 137

10.1什么是机器学习 137

10.2机器学习的五大流派 140

10.3 6种类型的机器学习算法 141

10.4机器学习项目基本流程 145

10.5机器学习语言 149

第十一章 主要算法概览 152

第十二章K近邻算法 154

12.1K近邻算法概述 154

12.2距离度量 154

12.3算法过程 157

12.4 KNN算法3个要素 157

12.5算法的优缺点 160

12.6示例Demo：使用K近邻分类 160

12.7小结 161

12.8扩展阅读 162

第十三章 主成分分析 164

13.1降维技术 164

13.2主成分分析概述 164

13.3算法过程 167

13.4算法的优缺点 168

13.5示例Demo：利用PCA进行图像压缩 168

13.6小结 171

13.7扩展阅读 171

第十四章 逻辑回归 172

14.1逻辑回归算法概述 172

14.2 Sigmoid函数、可能性比率与逻辑回归公式 172

14.3算法过程 174

14.4算法的优缺点 175

14.5示例Demo：使用逻辑回归进行二分类 175

14.6小结 176

14.7扩展阅读 176

第十五章 朴素贝叶斯分类器 177

15.1贝叶斯定理概述 177

15.2朴素贝叶斯分类器 179

15.3拉普拉斯修正与数值型特征的处理 180

15.4算法的优缺点 182

15.5示例Demo：使用朴素贝叶斯进行二分类 182

15.6小结 183

15.7扩展阅读 183

第十六章 决策树算法 185

16.1决策树算法概述 185

16.2 CART算法与基尼指数 186

16.3算法过程 189

16.4算法的优缺点 189

16.5示例Demo：使用CART分类 190

16.6小结 191

16.7扩展阅读 192

第十七章 支持向量机 193

17.1支持向量机概述 193

17.2从简单的二分类说起 193

17.3算法过程 195

17.4使用核函数解决线性不可分问题 195

17.5算法的优缺点 196

17.6示例Demo：使用支持向量机分类图片 197

17.7小结 199

17.8扩展阅读 199

第十八章 K -Means聚类 201

18.1聚类分析简介 201

18.2聚类算法的类型 201

18.3样本相似性的度量 203

18.4 K-Means聚类 204

18.5算法过程 204

18.6算法的优缺点 205

18.7示例Demo：使用K-Mean s聚类分析 205

18.8小结 207

18.9扩展阅读 208

第十九章 人工神经网络 209

19.1神经网络概述 209

19.2神经网络关键概念 209

19.3单层感知器和多层感知器 213

19.4算法过程 214

19.5算法的优缺点 216

19.6小结 216

19.7扩展阅读 216

19.8示例Demo：卷积神经网络识别手写数字图片 221

第二十章 如何选择合适的算法 227

20.1根据业务目标 227

20.2根据数据特点 227

20.3其他考虑因素 228

第二十一章Python机器学习工具 230

21.1NumPy 231

21.2 Pandas 233

21.3 Scikit-Learn 237

21.4 TensorFlow 238

21.5 Keras 241

21.6 PyTorch 243

第四部分Python机器学习实例 247

第二十二章 基于RFM的P2 P用户聚类模型 247

22.1背景与目标 247

22.2算法简介 248

22.3实现过程 248

22.4 实施与结果 254

22.5小结 258

第二十三章 文本的主题分类 259

23.1背景与目标 259

23.2算法简介 259

23.3实现过程 263

23.4小结 268

第二十四章 利用机器翻译实现自然语言查询 269

24.1背景与目标 269

24.2流程简介 269

24.3 TensorFlow框架下实现Seq2 Seq建模 273

24.4小结 279

第二十五章 身份证汉字和数字识别 280

25.1背景与目标 280

25.2身份证OCR识别流程 280

25.3文本行定位 281

25.4字符切割 285

25.5字符识别 285

25.6小结 290

第二十六章 人脸识别 291

26.1背景与目标 291

26.2基本概念 291

26.3人脸识别系统简介 292

26.4算法实现 293

26.5模型准确性评估 300

26.6 CentoS7下GPU的安装配置 301

26.7小结 306

索引 307