Hands-on Machine Learning with Scikit-Learn and TensorFlow
Hands-on Machine Learning with Scikit-Learn and TensorFlow
前言
机器学习海啸
在你的项目中使用机器学习
目标和方法
预备知识
路线图
其他资源
使用本书的规则
代码使用范例
O’Reilly Safari
How to Contact Us
鸣谢
第一部分 机器学习的基本原理
第一章 机器学习的风景
什么是机器学习
为什么使用机器学习
机器学习系统的种类
有监督和无监督学习
有监督学习
无监督学习
半监督学习（Semisupervised learning）
强化学习
批量和在线学习
批量学习
在线学习
基于实例的学习 vs 基于模型的学习
基于实例的学习
基于模型的学习
Example 1-1. Training and running a linear model using Scikit-Learn
机器学习的主要挑战
缺少训练数据
缺少代表性的训练数据
一个关于抽样偏差的著名例子
低质量数据
不相关的特征
训练集数据过拟合
训练集数据欠拟合
Stepping Back（重点回顾）
测试和验证
没有免费午餐定理
练习
第二章 端到端的机器学习项目
使用真实数据
全局概览
问题框架
流程（piplines）
性能度量
符号
假设检验
获取数据
创建工作空间
创建一个独立的环境
下载数据
数据概览
创建一个测试集
数据分析与可视化
可视化地理数据
寻找相关性
特征组合的实验
为机器学习算法准备数据
数据清洗
处理文本和类别特征
自定义变换
特征缩放
变换流程
模型选择和模型训练
在数据集上训练和评估
使用交叉验证实现更好的评估
模型调优
网格搜索
随机搜索
方法集成
分析最好模型的误差
在测试集上评估你的系统
启动，监控和维护机器学习系统
试试看！
练习
posted on 2018-02-08 19:02 GoBackHome 阅读(…) 评论(…) 编辑 收藏