下载 >  人工智能 >  机器学习 > Python机器学习实践指南书中源码

Python机器学习实践指南书中源码

这个资源是PACKT书籍系列中《Python机器学习实践指南》中的代码,分享出来,大家下载围观,共同学习~!
2018-04-15 上传大小:1.36MB
分享
收藏 举报
《Python机器学习实践指南》原书代码与数据集

Python机器学习实践指南、代码、英文书名:《Python Machine Learning Blueprints》Python机器学习实践指南、代码、英文书名:《Python Machine Learning Blueprints》(美) Alexander T. Combs著; 黄申译

立即下载
《Python机器学习实践指南》源代码与数据集

《Python机器学习实践指南》源代码与数据集 英文书名:《Python Machine Learning Blueprints》(美) Alexander T. Combs著; 黄申译

立即下载
Python机器学习实践指南源代码及数据集

本书结合了机器学习和Python 语言两个热门的领域,通过利用两种核心的机器学习算法来将Python 语言在数据分析方面的优势发挥到极致。

立即下载
Python机器学习实践指南

Python机器学习实践指南Python机器学习实践指南Python机器学习实践指南Python机器学习实践指南Python机器学习实践指南

立即下载
机器学习实践指南 案例应用解析 代码及资源

出版社: 机械工业出版社; (2016年7月1日) 外文书名: The Practice of Machine Learning,Second Edition 丛书名: 大数据技术丛书 平装: 526页 语种: 简体中文 开本: 16 ISBN: 9787111540212 源代码及资源

立即下载
《Python机器学习实践指南》PDF版

机器学习是近年来渐趋热门的一个领域,同时Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。

立即下载
Python机器学习实践指南.pdf

Python机器学习实践指南.pdf Python机器学习实践指南.pdf Python机器学习实践指南.pdf

立即下载
Python机器学习实践指南(中文版带书签)、原书代码、数据集

机器学习是近年来渐趋热门的一个领域,同时Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Python 语言两个热门的领域,通过利用两种核心的机器学习算法来将Python 语言在数据分析方面的优势发挥到极致。 全书共有10 章。第1 章讲解了Python 机器学习的生态系统,剩余9 章介绍了众多与机器学习相关的算法,包括各类分类算法、数据可视化技术、推荐引擎等,主要包括机器学习在公寓、机票、IPO 市场、新闻源、内容推广、股票市场、图像、聊天机器人和推荐引擎等方面的应用。 本书适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读

立即下载
OpenGL ES应用开发实践指南(Android卷 源代码).zip

OpenGL ES应用开发实践指南(Android卷 随书 源代码)

立即下载
Python机器学习实践指南PDF高清带书签和代码

Python机器学习实践指南 高质量高清PDF 带书签和源代码

立即下载
Python机器学习实践指南和代码

共10 章。第1 章讲解了Python 机器学习的生态系统,剩余9 章介绍了众多与机器学习相关的算法,包括各类分类算法、数据可视化技术、推荐引擎等,主要包括机器学习在公寓、机票、IPO 市场、新闻源、内容推广、股票市场、图像、聊天机器人和推荐引擎等方面的应用。 适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读

立即下载
Python机器学习实践指南(所有源代码和数据集)

Python机器学习实践指南(所有源代码和数据集)Python机器学习实践指南(所有源代码和数据集)

立即下载
Python机器学习实践指南 数据和代码

Python机器学习实践指南 数据和代码。《Python机器学习实践指南 》学习机器学习的一本很好的教程,偏重实践。

立即下载
Python机器学习实践指南-中文PDF带书签

中文版,绝对清晰; 本书截图:http://blog.csdn.net/adam_wzs/article/details/78866864 本书只用于交流学习,禁止用于商业用途! 如有侵权,请留言会及时删除。谢谢!

立即下载
机器学习实践指南:案例应用解析(第二版)完整版PDF[82MB]

第一部分 准备篇 第1章 机器学习发展及应用前景 2 1.1 机器学习概述 2 1.1.1 什么是机器学习 3 1.1.2 机器学习的发展 3 1.1.3 机器学习的未来 4 1.2 机器学习应用前景 5 1.2.1 数据分析与挖掘 5 1.2.2 模式识别 6 1.2.3 更广阔的领域 6 1.3 小结 7 第2章 科学计算平台 8 2.1 科学计算软件平台概述 9 2.1.1 常用的科学计算软件 9 2.1.2 本书使用的工程计算平台 10 2.2 计算平台的配置 11 2.2.1 Numpy等Python科学计算包的安装与配置 11 2.2.2 OpenCV 安装与配置 14 2.2.3 mlpy 安装与配置 14 2.2.4 BeautifulSoup安装与配置 15 2.2.5 Neurolab安装与配置 15 2.2.6 R安装与配置 16 2.3 小结 16 第二部分 基础篇 第3章 计算平台应用实例 18 3.1 Python计算平台简介及应用实例 18 3.1.1 Python语言基础 18 3.1.2 Numpy库 29 3.1.3 pylab、matplotlib绘图 36 3.1.4 图像基础 38 3.1.5 图像融合与图像镜像 46 3.1.6 图像灰度化与图像加噪 48 3.1.7 声音基础 51 3.1.8 声音音量调节 53 3.1.9 图像信息隐藏 58 3.1.10 声音信息隐藏 62 3.2 R语言基础 68 3.2.1 基本操作 69 3.2.2 向量 71 3.2.3 对象集属性 77 3.2.4 因子和有序因子 78 3.2.5 循环语句 79 3.2.6 条件语句 79 3.3 R语言科学计算 80 3.3.1 分类(组)统计 80 3.3.2 数组与矩阵基础 81 3.3.3 数组运算 84 3.3.4 矩阵运算 85 3.4 R语言计算实例 93 3.4.1 学生数据集读写 93 3.4.2 最小二乘法拟合 94 3.4.3 交叉因子频率分析 96 3.4.4 向量模长计算 97 3.4.5 欧氏距离计算 98 3.5 小结 99 思考题 99 第4章 生产环境基础 100 4.1 Windows Server 2008基础 100 4.1.1 Windows Server 2008 R2概述 101 4.1.2 Windows PowerShell 102 4.2 Linux基础 103 4.2.1 Linux命令 104 4.2.2 Shell基础 114 4.3 Vim编辑器 122 4.3.1 Vim编辑器概述 122 4.3.2 Vim常用命令 123 4.4 虚拟化平台 124 4.4.1 Citrix Xenserver概述 125 4.4.2 Citrix Xenserver部署 126 4.4.3 基于XenCenter的虚拟服务器管理 126 4.5 Linux环境下的NumPy安装 135 4.6 Linux环境下的R运行环境 136 4.7 PyPy编译器 136 4.7.1 PyPy概述 136 4.7.2 PyPy安装与配置 137 4.7.3 PyPy性能 137 4.7.4 PyPy实践之Lempel-Ziv压缩 138 4.8 小结 145 思考题 146 第三部分 统计分析实战篇 第5章 统计分析基础 148 5.1 数据分析概述 148 5.2 数学基础 149 5.3 回归分析 154 5.3.1 单变量线性回归 154 5.3.2 多元线性回归 156 5.3.3 非线性回归 157 5.4 数据分析基础 159 5.4.1 区间频率分布 159 5.4.2 数据直方图 161 5.4.3 数据散点图 162 5.4.4 五分位数 164 5.4.5 累积分布函数 165 5.4.6 核密度估计 166 5.5 数据分布分析 167 5.6 小结 169 思考题 170 第6章 描述性分析案例 171 6.1 数据图形化案例解析 171 6.1.1 点图 171 6.1.2 饼图和条形图 172 6.1.3 茎叶图和箱线图 173 6.2 数据分布趋势案例解析 175 6.2.1 平均值 175 6.2.2 加权平均值 175 6.2.3 数据排序 176 6.2.4 中位数 177 6.2.5 极差、半极差 177 6.2.6 方差 178 6.2.7 标准差 178 6.2.8 变异系数、样本平方和 178 6.2.9 偏度系数、峰度系数 179 6.3 正态分布案例解析 180 6.3.1 正态分布函数 180 6.3.2 峰度系数分析 181 6.3.3 累积分布概率 181 6.3.4 概率密度函数 182 6.3.5 分位点 183 6.3.6 频率直方图 185 6.3.7 核概率密度与正态概率分布图 185 6.3.8 正态检验与分布拟合 186 6.3.9 其他分布及其拟合 188 6.4 多变量分析 189 6.4.1 多变量数据分析 189 6.4.2 多元数据相关性分析 197 6.5 小结 201 思考题 201 第7章 假设检验与回归模型案例 202 7.1 假设检验 202 7.1.1 二项分布假设检验 202 7.1.2 数据分布检验 204 7.1.3 正态总体均值检验 205 7.1.4 列联表 206 7.1.5 符号检测 207 7.1.6 秩相关检验 210 7.1.7 Kendall相关检验 213 7.2 回归模型 214 7.2.1 回归预测与显著性检验 214 7.2.2 回归诊断 216 7.2.3 回归优化 217 7.2.4 主成分回归 219 7.2.5 广义线性模型 221 7.3 小结 226 思考题 226 第四部分 机器学习实战篇 第8章 机器学习算法 230 8.1 神经网络 230 8.1.1 Rosenblatt感知器 232 8.1.2 梯度下降 245 8.1.3 反向传播与多层感知器 251 8.1.4 Python神经网络库 270 8.2 统计算法 272 8.2.1 平均值 272 8.2.2 方差与标准差 274 8.2.3 贝叶斯算法 276 8.3 欧氏距离 279 8.4 余弦相似度 280 8.5 SVM 281 8.5.1 数学原理 281 8.5.2 SMO算法 283 8.5.3 算法应用 283 8.6 回归算法 287 8.6.1 线性代数基础 288 8.6.2 最小二乘法原理 289 8.6.3 线性回归 290 8.6.4 多元非线性回归 292 8.6.5 岭回归方法 294 8.6.6 伪逆方法 295 8.7 PCA降维 296 8.8 关联规则 297 8.8.1 关联规则概述 297 8.8.2 频繁项集算法 298 8.8.3 关联规则生成 301 8.8.4 实例分析 302 8.9 自动分类 306 8.9.1 聚类算法 306 8.9.2 决策树 313 8.9.3 AdaBoost 316 8.9.4 竞争型神经网络 317 8.9.5 Hamming神经网络 323 8.10 小结 325 思考题 325 第9章 数据拟合案例 327 9.1 数据拟合 327 9.1.1 图像分析法 327 9.1.2 神经网络拟合法 338 9.2 线性滤波 352 9.2.1 WAV声音文件 352 9.2.2 线性滤波算法过程 352 9.2.3 滤波Python实现 353 9.3 数据或曲线平滑 358 9.3.1 平滑概述 358 9.3.2 移动平均 359 9.3.3 递归线性过滤 362 9.3.4 指数平滑 364 9.4 小结 368 思考题 368 第10章 图像算法案例 370 10.1 图像边缘算法 370 10.1.1 数字图像基础 370 10.1.2 算法描述 371 10.2 图像匹配 372 10.2.1 差分矩阵求和 373 10.2.2 差分矩阵均值 375 10.2.3 欧氏距离匹配 376 10.3 图像分类 382 10.3.1 余弦相似度 382 10.3.2 PCA图像特征提取算法 388 10.3.3 基于神经网络的图像分类 389 10.3.4 基于SVM的图像分类 394 10.4 高斯噪声生成 397 10.5 二值化 401 10.5.1 threshold 401 10.5.2 adaptiveThreshold 402 10.6 插值与缩放 404 10.7 仿射 405 10.7.1 仿射原理 405 10.7.2 仿射变换实例 405 10.8 透视投影与透视变换 406 10.8.1 透视投影原理 406 10.8.2 透视投影实例 407 10.9 灰度变换与图像增强 409 10.9.1 灰度变换概述 409 10.9.2 对数变换 409 10.9.3 分段线性变换 410 10.9.4 指数变换 411 10.9.5 直方图均衡化 412 10.10 图像滤波与除噪 415 10.10.1 均一化块滤波 415 10.10.2 邻域平均法 420 10.10.3 中值滤波 423 10.10.4 高斯滤波 427 10.10.5 双边滤波 429 10.10.6 卷积滤波 431 10.10.7 边缘检测 433 10.11 小结 435 思考题 435 第11章 机器视觉案例 437 11.1 人脸辨识 437 11.1.1 人脸定位 437 11.1.2 人脸辨识 439 11.2 手写数字识别 446 11.2.1 手写数字识别算法 446 11.2.2 算法的Python实现 447 11.3 运动侦测 449 11.3.1 视频采集 450 11.3.2 差分算法 452 11.3.3 光流法 456 11.4 形状检测 458 11.4.1 KNN算法概述 458 11.4.2 形状特征提取 459 11.4.3 形状分类 459 11.5 小结 462 思考题 462 第12章 文本分类案例 463 12.1 文本分类概述 463 12.2 余弦相似度分类 464 12.2.1 中文分词 465 12.2.2 停用词清理 467 12.2.3 算法实战 468 12.3 朴素贝叶斯分类 473 12.3.1 算法描述 473 12.3.2 先验概率计算 474 12.3.3 最大后验概率 474 12.3.4 算法实现 474 12.4 自然语言处理 480 12.4.1 NLTK简介 480 12.4.2 NLTK与jieba的配置 481 12.4.3 中文分词并标注词性 483 12.4.4 词特征指标分析 484 12.4.5 Web文档分析 499 12.4.6 Web文档的朴素贝叶斯分类 503 12.4.7 语法结构分析 515 12.4.8 Web文档聚类 518 12.5 小结 526

立即下载
《Python机器学习实践指南》高清中文PDF,使用数据及各章代码

资源包括《Python机器学习实践指南》高清中文PDF,各章节使用数据及代码。原英文书名:《Python Machine Learning Blueprints》(美) Alexander T. Combs著; 黄申译

立即下载
TensorFlow机器学习实战指南_源码

《TensorFlow机器学习实战指南》书中的源代码。 《TensorFlow机器学习实战指南》书中的源代码。 《TensorFlow机器学习实战指南》书中的源代码。

立即下载
Python机器学习实践指南-代码资源2

Python机器学习实践指南-代码资源2; Python机器学习实践指南-代码资源2

立即下载
[精品]Python机器学习.epub

Sebastian Raschka是密歇根州立大学的博士生,他在计算生物学领域提出了几种新的计算方法,还被科技博客Analytics Vidhya评为GitHub上具影响力的数据科学家。他有一整年都使用Python进行编程的经验,同时还多次参加数据科学应用与机器学习领域的研讨会。正是因为Sebastian 在数据科学、机器学习以及Python等领域拥有丰富的演讲和写作经验,他才有动力完成此书的撰写,目的是帮助那些不具备机器学习背景的人设计出由数据驱动的解决方案。 他还积极参与到开源项目中,由他开发完成的计算方法已经被成功应用到了机器学习竞赛(如Kaggle等)中。在业余时间,他沉醉于构建体育运动的预测模型,要么待在电脑前,要么在运动。

立即下载
Python机器学习实践指南-代码资源1

Python机器学习实践指南-代码资源1 Python机器学习实践指南-代码资源1

立即下载
关闭
img

spring mvc+mybatis+mysql+maven+bootstrap 整合实现增删查改简单实例.zip

资源所需积分/C币 当前拥有积分 当前拥有C币
5 0 0
点击完成任务获取下载码
输入下载码
为了良好体验,不建议使用迅雷下载
img

Python机器学习实践指南书中源码

会员到期时间: 剩余下载个数: 剩余C币: 剩余积分:0
为了良好体验,不建议使用迅雷下载
VIP下载
您今日下载次数已达上限(为了良好下载体验及使用,每位用户24小时之内最多可下载20个资源)

积分不足!

资源所需积分/C币 当前拥有积分
您可以选择
开通VIP
4000万
程序员的必选
600万
绿色安全资源
现在开通
立省522元
或者
购买C币兑换积分 C币抽奖
img

资源所需积分/C币 当前拥有积分 当前拥有C币
5 4 45
为了良好体验,不建议使用迅雷下载
确认下载
img

资源所需积分/C币 当前拥有积分 当前拥有C币
5 0 0
为了良好体验,不建议使用迅雷下载
VIP和C币套餐优惠
img

资源所需积分/C币 当前拥有积分 当前拥有C币
5 4 45
您的积分不足,将扣除 10 C币
为了良好体验,不建议使用迅雷下载
确认下载
下载
您还未下载过该资源
无法举报自己的资源

兑换成功

你当前的下载分为234开始下载资源
你还不是VIP会员
开通VIP会员权限,免积分下载
立即开通

你下载资源过于频繁,请输入验证码

您因违反CSDN下载频道规则而被锁定帐户,如有疑问,请联络:webmaster@csdn.net!

举报

若举报审核通过,可返还被扣除的积分

  • 举报人:
  • 被举报人:
  • *类型:
    • *投诉人姓名:
    • *投诉人联系方式:
    • *版权证明:
  • *详细原因: