python machine learning book 2nd edition下载 - python machine learning book 2nd edition源码下载

python machine learning book 2nd edition

Python

1.0.0

下载

Python 机器学习（第二版）代码库

请注意，新版本（第 3 版）现已于 2019 年 12 月推出。第 3 版的代码存储库链接为 https://github.com/rasbt/python-machine-learning-book-3rd-edition。

Python 机器学习，第二版。

发布于 2017 年 9 月 20 日

平装本：622 页
出版商: Packt Publishing
语言：英语

ISBN-10：1787125939
ISBN-13：978-1787125933
Kindle ASIN：B0742K7HYF

链接

亚马逊页面
包页

目录和代码笔记本

有用的安装和设置说明可以在第 1 章的 README.md 文件中找到

要访问给定章节的代码材料，只需单击章节标题旁边的open dir链接即可导航到位于 code/ 子目录中的章节子目录。您还可以点击下面的ipynb链接直接在 GitHub 上打开并查看各章的 Jupyter Notebook。

此外，code/ 子目录还包含从 Jupyter Notebooks 创建的 .py 脚本文件。但是，如果可能的话，我强烈建议您在您的计算环境中使用 Jupyter 笔记本。 Jupyter 笔记本不仅包含图像和章节标题以便于导航，而且还允许逐步执行各个代码片段，在我看来，这提供了更好的学习体验。

请注意，这些只是本书随附的代码示例，我为了您的方便而上传了这些示例；请注意，如果没有公式和描述性文本，这些笔记本可能没有用。

机器学习 - 赋予计算机从数据中学习的能力 [open dir] [ipynb]
训练分类机器学习算法 [open dir] [ipynb]
使用 Scikit-Learn 的机器学习分类器之旅 [open dir] [ipynb]
构建良好的训练集 - 数据预处理 [open dir] [ipynb]
通过降维压缩数据 [open dir] [ipynb]
学习模型评估和超参数优化的最佳实践 [open dir] [ipynb]
组合不同模型进行集成学习 [open dir] [ipynb]
将机器学习应用于情感分析 [open dir] [ipynb]
将机器学习模型嵌入到 Web 应用程序中 [open dir] [ipynb]
通过回归分析预测连续目标变量 [open dir] [ipynb]
使用未标记的数据 – 聚类分析 [open dir] [ipynb]
从头开始实现多层人工神经网络 [open dir] [ipynb]
使用 TensorFlow 并行化神经网络训练 [open dir] [ipynb]
深入探讨：TensorFlow 的机制 [open dir] [ipynb]
使用深度卷积神经网络对图像进行分类 [open dir] [ipynb]
使用循环神经网络对序列数据进行建模 [open dir] [ipynb]

与第一版相比，第二版有哪些新内容？

哦，我们改进或添加了很多东西；我应该从哪里开始？我的首要任务之一是修复在布局阶段或我的疏忽中引入的所有令人讨厌的拼写错误。我真的很感谢读者以这种方式提供的所有有用的反馈！此外，我还解决了有关可能令人困惑或有点不清楚的部分的所有反馈，重新措辞的段落，并添加了额外的解释。另外，特别感谢第二版的优秀编辑，他们一路以来提供了很多帮助！

此外，人物和情节也变得更加漂亮。虽然读者非常喜欢这些图形内容，但有些人批评了 PowerPoint 式的风格和布局。因此，我决定彻底改造每一个小人物，希望选择更令人愉悦的字体和颜色。此外，数据图现在看起来好多了，这要感谢 matplotlib 团队在 matplotlib 2.0 及其新样式主题上投入了大量工作。

除了所有这些外观修复之外，还到处添加了新的部分。例如，其中有一个关于处理不平衡数据集的部分，一些读者在第一版中遗漏了该部分，以及关于潜在狄利克雷分配等的简短部分。

自 2015 年 9 月发布第一版以来，随着时间和软件世界的发展，我们决定通过 Theano 取代深度学习的介绍。不用担心，我们没有删除它，但它进行了大幅修改，现在基于 TensorFlow，自 2015 年 11 月 Google 开源发布以来，它已成为我研究工具箱中的主要参与者。使用 TensorFlow 进行学习，这个新版本最大的新增内容是专注于深度学习应用的三个全新章节：更详细地概述 TensorFlow 机制、介绍用于图像分类的卷积神经网络以及介绍用于自然处理的循环神经网络语言加工。当然，与本书的其余部分类似，这些新章节不仅为读者提供了实用说明和示例，还介绍了这些概念背后的基础数学，这是理解深度学习如何工作的重要组成部分。

[ 摘自“机器学习在几乎每个问题领域都有用：”Sebastian Raschka 访谈]

拉斯卡、塞巴斯蒂安和瓦希德·米尔贾利利。 Python 机器学习，第二版。帕克特出版，2017。

 @book{RaschkaMirjalili2017,  
address = {Birmingham, UK},  
author = {Raschka, Sebastian and Mirjalili, Vahid},  
edition = {2},  
isbn = {978-1787125933},  
keywords = {Clustering,Data Science,Deep Learning,  
            Machine Learning,Neural Networks,Programming,  
            Supervised Learning},  
publisher = {Packt Publishing},  
title = {{Python Machine Learning, 2nd Ed.}},  
year = {2017}  
}