Scikit-Learn機器學習核心技術與實踐

第1 章 人工智能與Scikit-Learn 簡介   1

1.1 人工智能技術的興起  2

1.1.1 人工智能介紹        2

1.1.2 人工智能的研究領域       2

1.1.3 和人工智能相關的幾個重要概念       3

1.1.4 人工智能的兩個重要發(fā)展階段       4

1.2 機器學習和深度學習  4

1.2.1 機器學習        5

1.2.2 深度學習        5

1.2.3 機器學習和深度學習的區(qū)別     6

1.3　初步認識Scikit-Learn     7

1.3.1 Scikit-Learn 介紹    7

1.3.2 使用pip 安裝Scikit-Learn        7

1.3.3 使用Anaconda 安裝Scikit-Learn      8

1.3.4 解決速度過慢的問題       9

1.4 準備開發(fā)工具     10

第2 章 加載數(shù)據(jù)集         11

2.1 標準數(shù)據(jù)集API        12

2.1.1 波士頓房價數(shù)據(jù)集（適用于回歸任務）      12

2.1.2 威斯康星州乳腺癌數(shù)據(jù)集（適用于分類問題）         13

2.1.3 糖尿病數(shù)據(jù)集（適用于回歸任務）      13

2.1.4 手寫數(shù)字數(shù)據(jù)集（適用于分類任務）      14

2.1.5 Fisher 的鳶尾花數(shù)據(jù)集（適用于分類問題）      15

2.1.6 紅酒數(shù)據(jù)集（適用于分類問題）            15

2.2 自定義數(shù)據(jù)集     16

2.2.1 生成聚類數(shù)據(jù)       16

2.2.2 生成同心圓樣本點         17

2.2.3 生成模擬分類數(shù)據(jù)集      18

2.2.4 生成太極型非凸集樣本點       19

第3 章 監(jiān)督學習         21

3.1 廣義線性模型     22

3.1.1 普通最小二乘法    22

3.1.2 嶺回歸          24

3.1.3 Lasso 回歸     25

3.2 線性判別分析和二次判別分析    27

3.2.1 使用線性判別分析來降維       28

3.2.2 LDA 和QDA 分類器的數(shù)學公式      30

3.2.3 收縮      30

3.3 內(nèi)核嶺回歸         32

3.4 支持向量機         33

3.4.1 分類      34

3.4.2 回歸      36

3.4.3 密度估計和異常檢測      38

3.5 隨機梯度下降     39

3.5.1 分類            40

3.5.2 回歸      42

3.5.3 稀疏數(shù)據(jù)的隨機梯度下降       42

第4 章 無監(jiān)督學習         49

4.1 高斯混合模型     50

4.1.1 高斯混合       50

4.1.2 變分貝葉斯高斯混合     53

4.2 流形學習     55

4.3 聚類        57

4.3.1 KMeans 算法        57

4.3.2 MiniBatchKMeans 算法          60

4.4 雙聚類         62

4.4.1 譜聚類算法    63

4.4.2 光譜聯(lián)合聚類算法         66

第5 章 模型選擇和評估       69

5.1 交叉驗證：評估估算器的表現(xiàn)     70

5.1.1 計算交叉驗證的指標      71

5.1.2 交叉驗證迭代器    75

5.2 調整估計器的超參數(shù)     76

5.2.1 網(wǎng)格追蹤法：窮盡的網(wǎng)格搜索      77

5.2.2 隨機參數(shù)優(yōu)化       80

5.3 模型評估: 量化預測的質量  82

5.3.1 得分參數(shù)scoring ：定義模型評估規(guī)則       83

5.3.2 分類指標       85

第6 章 數(shù)據(jù)集轉換         89

6.1 Pipeline（管道）和 FeatureUnion（特征聯(lián)合）         90

6.1.1 Pipeline ： 鏈式評估器     90

6.1.2 FeatureUnion（特征聯(lián)合）：特征層          93

6.2 特征提取     95

6.2.1 從字典類型加載特征      95

6.2.2 特征哈希       96

6.2.3 提取文本特征       97

6.2.4 提取圖像特征       99

6.3 預處理數(shù)據(jù)       102

6.3.1 標準化處理        102

6.3.2 非線性轉換        103

6.4 無監(jiān)督降維       106

6.4.1 PCA ：主成分分析       106

6.4.2 隨機投影     110

第7 章 實現(xiàn)大數(shù)據(jù)計算     117

7.1 計算擴展策略          118

7.1.1 使用外核學習實例進行拓展           118

7.1.2 使用外核方法進行分類        119

7.2 計算性能           129

7.2.1 預測延遲     129

7.2.2 預測吞吐量        137

第8 章 英超聯(lián)賽比分預測系統(tǒng)（Matplotlib+Scikit-Learn+Flask+Pandas）         143

8.1 英超聯(lián)賽介紹          144

8.2 系統(tǒng)模塊介紹          144

8.3 數(shù)據(jù)集       144

8.3.1 獲取api-football 密鑰    145

8.3.2 獲取數(shù)據(jù)     145

8.3.3 收集最新數(shù)據(jù)     150

8.4 特征提取和數(shù)據(jù)可視化       152

8.4.1 提取數(shù)據(jù)     153

8.4.2 數(shù)據(jù)可視化        154

8.5 模型選擇和訓練      161

8.5.1 機器學習函數(shù)     161

8.5.2 數(shù)據(jù)降維     172

8.5.3 MLP 神經(jīng)網(wǎng)絡    175

8.6 模型評估           178

8.6.1 近鄰模型和混淆矩陣模型     179

8.6.2 隨機森林模型和混淆矩陣模型           186

8.6.3 SVM 模型和混淆矩陣模型           190

8.7 Web 可視化     197

8.7.1 獲取預測數(shù)據(jù)     197

8.7.2 Flask Web 主頁    200

第9 章 AI 考勤管理系統(tǒng)（face-recognition+Matplotlib+Django+Scikit-Learn+Dlib）          203

9.1 背景介紹           204

9.2 系統(tǒng)需求分析          204

9.2.1 可行性分析        204

9.2.2 系統(tǒng)操作流程分析       204

9.2.3 系統(tǒng)模塊設計     204

9.3 系統(tǒng)配置           205

9.3.1 Django 配置文件         205

9.3.2 路徑導航文件     206

9.4 用戶注冊和登錄驗證   207

9.4.1 登錄驗證     207

9.4.2 添加新用戶        208

9.4.3 設計數(shù)據(jù)模型     210

9.5 采集照片和機器學習   210

9.5.1 設置采集對象     210

9.5.2 采集照片     212

9.5.3 訓練照片模型     214

9.6 考勤打卡           216

9.6.1 上班打卡簽到     216

9.6.2 下班打卡     218

9.7 可視化考勤數(shù)據(jù)      220

9.7.1 統(tǒng)計最近兩周員工的考勤數(shù)據(jù)           220

9.7.2 查看本人在指定時間段內(nèi)的考勤信息     225

9.7.3 查看某員工在指定時間段內(nèi)的考勤信息     229

第10 章 實時電影推薦系統(tǒng)（Scikit-Learn+Flask+Pandas）      233

10.1 系統(tǒng)介紹         234

10.1.1 背景介紹    234

10.1.2 推薦系統(tǒng)和搜索引擎          234

10.1.3 項目介紹    235

10.2 系統(tǒng)模塊         235

10.3 數(shù)據(jù)采集和整理   235

10.3.1 數(shù)據(jù)整理    236

10.3.2 電影詳情數(shù)據(jù)    239

10.3.3 提取電影特征    247

10.4 情感分析和序列化操作     252

10.5 Web 端實時推薦       253

10.5.1 Flask 啟動頁面          253

10.5.2 模板文件    256

10.5.3 后端處理    263