Python机器学习实践-测试驱动的开发方法

本书特色

[

本书展示了如何在代码中集成和测试机器学习方面的算法。通过书中的图表和重点标记的代码示例,本书着重介绍了Python的NumPy、Pandas、Scikit-Learn和SciPy等数据科学相关类库的测试。

]

目录

目录前言 第1章 可能近似正确的软件 正确地编写软件 编写正确的软件 本书计划 第2章快速介绍机器学习 什么是机器学习 有监督学习 无监督学习 强化学习 机器学习能完成什么 本书中使用的数学符号 结论 第3章K*近邻算法 如何确定是否想购买一栋房子 房子的价格究竟几何 愉悦回归 什么是邻域 K*近邻算法简介 K先生*近的邻居 距离 维度灾难 如何选择K 给西雅图的房子估价 结论 第4章朴素贝叶斯分类 通过贝叶斯定理来发现欺诈订单 条件概率 概率符号 反向条件概率(又名贝叶斯定理) 朴素贝叶斯分类器 贝叶斯推理之朴素 伪计数 垃圾邮件过滤器 标记化和上下文 结论 第5章决策树和随机森林 蘑菇的细微差别 使用民间定理实现蘑菇分类 找到*佳切换点 修剪树 结论 第6章隐马尔可夫模型 使用状态机来跟踪用户行为 输出/观测隐含状态 使用马尔可夫假设化简 隐马尔可夫模型 评估:前向.后向算法 第7章支持向量机第8章神经网络第9章聚类第10章模型改进与数据提取第11章将这些方法融合在一起:结论

封面

Python机器学习实践-测试驱动的开发方法

书名:Python机器学习实践-测试驱动的开发方法

作者:马修.柯克

页数:194

定价:¥59.0

出版社:机械工业出版社

出版日期:2018-01-01

ISBN:9787111581666

PDF电子书大小:155MB 高清扫描完整版



本文标题:《Python机器学习实践-测试驱动的开发方法》PDF下载

资源仅供学习参考,禁止用于商业用途,请在下载后24小时内删除!