scikit-learn新手的晉級：實作各種機器學習解決方案


	使用scikit-learn探索各式機器學習模型，實作多種機器學習演算法　　機器學習是近年的熱門話題，它將電腦科學與統計學結合在一起，打造智慧又有效率的模型。你可以使用機器學習提供的強大演算法和技術，來自動化任何分析模型，而scikit-learn正是一個優秀的Python機器學習函式庫，它可以實作多種機器學習演算法，是非常好用的工具。　　本書詳細介紹一系列機器學習模型和scikit-learn的使用技巧。從機器學習的基礎理論講起，涵蓋了簡單線性迴歸、KNN演算法、特徵提取、多元線性迴歸、邏輯斯迴歸、單純貝氏、非線性分類、決策樹迴歸、隨機森林、感知器、支援向量機、類神經網路、K-MEANS演算法等重要話題。　　本書亦詳細討論資料預處理、超參數最佳化和整體（ensemble）方法。你也將學會使用scikit-learn的API，從分類變數、文本和影像之中提取特徵，一步步建立改善模型效能的專業直覺。　　適用讀者　　本書適合機器學習領域的工程師，也適合想要了解scikit-learn的資料科學家。　　在這本書中，你將學到：　　・基本概念簡述，如「偏誤」和「變異數」　　・建置能夠分類文件、識別影像及偵測廣告的系統　　・使用「線性迴歸」和「KNN」預測連續變數的值　　・使用「邏輯斯迴歸」和「支援向量機」對文件和影像進行分類　　・使用「裝袋法」和「提升法」建立估計器整體　　・使用K-MEANS集群發現資料中的隱藏結構　　・在常見任務中評估機器學習系統的效能　　【下載範例程式檔案】　　本書的程式碼是由GitHub託管，可以在如下網址找到：　　github.com/PacktPublishing/Mastering-Machine-Learning-with-scikit-learn-Second-Edition


	目錄前言第1章：機器學習基礎定義機器學習從經驗之中學習機器學習任務訓練資料、測試資料和驗證資料偏誤和變異數 scikit-learn簡介安裝scikit-learn 安裝pandas、Pillow、NLTK和matplotlib 小結第2章：簡單線性迴歸簡單線性迴歸評價模型小結第3章：使用KNN演算法分類和迴歸 KNN模型惰式學習和非參數模型 KNN模型分類 KNN模型迴歸小結第4章：特徵提取從分類變數中提取特徵特徵標準化從文本中提取特徵從影像中提取特徵小結第5章：從簡單線性迴歸到多元線性迴歸多元線性迴歸多項式迴歸正規化應用線性迴歸梯度下降法小結第6章：從線性迴歸到邏輯斯迴歸使用邏輯斯迴歸進行二元分類垃圾郵件過濾使用網格搜尋微調模型多元分類多標籤分類和問題轉換小結第7章：單純貝氏貝氏定理生成模型和判別模型單純貝氏在scikit-learn中使用單純貝氏小結第8章：非線性分類和決策樹迴歸決策樹訓練決策樹使用scikit-learn建立決策樹小結第9章：整體方法：從決策樹到隨機森林裝袋法提升法堆疊法小結第10章：感知器使用感知器進行文件分類感知器的侷限性小結第11章：從感知器到支援向量機核心與核技巧最大化分類邊界和支援向量使用scikit-learn分類字元小結第12章：從感知器到類神經網路非線性決策邊界前饋式類神經網路和回饋式類神經網路多層感知器訓練多層感知器小結第13章：K-MEANS演算法分群 K-MEANS演算法評估集群影像量化透過分群學習特徵小結第14章：使用主成分分析降維主成分分析使用PCA對高維度資料視覺化使用PCA進行臉部辨識小結