如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

《机器学习Web应用》[意]爱索尼克【文字版_PDF电子书_推荐】

内容简介：

机器学习可用来处理由用户产生的、数量不断增长的Web数据。 本书讲解如何用Python语言、Django框架开发一款Web商业应用，以及如何用一些现成的库和工具(sklearn、scipy、nltk和Django等)处理和分析应用所生成或使用的数据。本书不仅涉及机器学习的核心概念，还介绍了如何将数据部署到用Django框架开发的Web应用，包括Web、文档和服务器端数据的挖掘和推荐引擎的搭建方法。 本书适合有志于成为或刚刚成为数据科学家的读者学习，也适合对机器学习、Web数据挖掘等技术实践感兴趣的读者参考阅读。

作者简介：

Andrea Isoni博士是一名数据科学家、物理学家，他在软件开发领域有着丰富的经验，在机器学习算法和技术方面，拥有广博的知识。此外，他还有多种语言的使用经验，如Python、C C 、Java、JavaScript、C#、SQL、HTML。他还用过Hadoop框架。 译者简介 杜春晓，英语语言文学学士，软件工程硕士。其他译着有《Python数据挖掘入门与实践》《Python数据分析实战》和《电子达人——我的第一本Raspberry Pi入门手册》等。新浪微博：@宜_生。

目  录：

第1章 Python机器学习实践入门 1

1.1 机器学习常用概念 1

1.2 数据的准备、处理和可视化

—NumPy、pandas和matplotlib教程 6

1.2.1 NumPy的用法 6

1.2.2 理解pandas模块 23

1.2.3 matplotlib教程 32

1.3 本书使用的科学计算库 35

1.4 机器学习的应用场景 36

1.5 小结 36

第2章 无监督机器学习 37

2.1 聚类算法 37

2.1.1 分布方法 38

2.1.2 质心点方法 40

2.1.3 密度方法 41

2.1.4 层次方法 44

2.2 降维 52

2.3 奇异值分解(SVD) 57

2.4 小结 58

第3章 有监督机器学习 59

3.1 模型错误评估 59

3.2 广义线性模型 60

3.2.1 广义线性模型的概率

解释 63

3.2.2 k近邻 63

3.3 朴素贝叶斯 64

3.3.1 多项式朴素贝叶斯 65

3.3.2 高斯朴素贝叶斯 66

3.4 决策树 67

3.5 支持向量机 70

3.6 有监督学习方法的对比 75

3.6.1 回归问题 75

3.6.2 分类问题 80

3.7 隐马尔可夫模型 84

3.8 小结 93

第4章 Web挖掘技术 94

4.1 Web结构挖掘 95

4.1.1 Web爬虫 95

4.1.2 索引器 95

4.1.3 排序—PageRank

算法 96

4.2 Web内容挖掘 97

句法解析 97

4.3 自然语言处理 98

4.4 信息的后处理 108

4.4.1 潜在狄利克雷分配 108

4.4.2 观点挖掘(情感

分析) 113

4.5 小结 117

第5章 推荐系统 118

5.1 效用矩阵 118

5.2 相似度度量方法 120

5.3 协同过滤方法 120

5.3.1 基于记忆的协同

过滤 121

5.3.2 基于模型的协同

过滤 126

5.4 CBF方法 130

5.4.1 商品特征平均得分

方法 131

5.4.2 正则化线性回归

方法 132

5.5 用关联规则学习，构建推荐

系统 133

5.6 对数似然比推荐方法 135

5.7 混合推荐系统 137

5.8 推荐系统评估 139

5.8.1 均方根误差(RMSE)

评估 140

5.8.2 分类效果的度量方法 143

5.9 小结 144

第6章 开始Django之旅 145

6.1 HTTP—GET和POST方法的

基础 145

6.1.1 Django的安装和

服务器的搭建 146

6.1.2 配置 147

6.2 编写应用—Django

最重要的功能 150

6.2.1 model 150

6.2.2 HTML网页背后的

URL和view 151

6.2.3 URL声明和view 154

6.3 管理后台 157

6.3.1 shell接口 158

6.3.2 命令 159

6.3.3 RESTful应用编程

接口(API) 160

6.4 小结 162

第7章 电影推荐系统Web应用 163

7.1 让应用跑起来 163

7.2 model 165

7.3 命令 166

7.4 实现用户的注册、登录和

登出功能 172

7.5 信息检索系统(电影查询) 175

7.6 打分系统 178

7.7 推荐系统 180

7.8 管理界面和API 182

7.9 小结 184

第8章 影评情感分析应用 185

8.1 影评情感分析应用用法

简介 185

8.2 搜索引擎的选取和应用的

代码 187

8.3 Scrapy的配置和情感分析

应用代码 189

8.3.1 Scrapy的设置 190

8.3.2 Scraper 190

8.3.3 Pipeline 193

8.3.4 爬虫 194

8.4 Django model 196

8.5 整合Django和Scrapy 197

8.5.1 命令(情感分析模型和

删除查询结果) 198

8.5.2 情感分析模型加载器 198

8.5.3 删除已执行过的查询 201

8.5.4 影评情感分析器—

Django view和HTML

代码 202

8.6 PageRank：Django view和

算法实现 206

8.7 管理后台和API 210

8.8 小结 212

《机器学习Web应用》[意]爱索尼克【文字版_PDF电子书_下载】大小：16.61MB已经过安全软件检测无毒，请您放心下载。浏览器不支持脚本！购买本书：当当图书商城 | | 淘宝购书

机器学习   Web应用

有需要联系v；hx-hx4

摘要：《机器学习Web应用》[意]爱索尼克【文字版_PDF电子书_推荐】_计算机类是一本非常实用的计算机类书籍，本文将从四个方面对该书进行详细阐述。

1、书籍内容概述

《机器学习Web应用》介绍了机器学习在Web应用中的应用方法和实践技巧。作者通过深入浅出的方式，详细讲解了机器学习的基本概念、算法原理以及在Web应用中的具体应用场景。该书内容全面，适合初学者和有一定基础的读者阅读。

首先，作者介绍了机器学习的基本概念和算法原理，包括监督学习、无监督学习和强化学习等。接着，作者详细介绍了机器学习在Web应用中的具体应用方法，包括推荐系统、自然语言处理和图像识别等。最后，作者还对机器学习的未来发展进行了展望。

该书的特点是理论与实践相结合，作者通过丰富的示例和案例分析，帮助读者更好地理解和应用机器学习算法。此外，该书还提供了大量的代码和实战项目，读者可以通过实验来加深对机器学习的理解和应用。

2、优点与特色

《机器学习Web应用》的优点与特色主要体现在以下几个方面：

首先，该书的语言通俗易懂，作者用简洁明了的语言解释了复杂的概念和原理，使读者能够轻松理解和掌握机器学习的基本知识。

其次，该书注重实践应用，作者通过丰富的实例和案例分析，帮助读者将理论知识应用到实际项目中，提高学习的效果。

另外，该书提供了大量的代码和实战项目，读者可以通过实际操作来加深对机器学习算法的理解和应用。

3、适用对象和推荐阅读方式

《机器学习Web应用》适合计算机类专业的学生和从事机器学习相关工作的技术人员阅读。

对于计算机类专业的学生，该书可以作为课程教材或参考书，帮助学生理解机器学习的基本概念和算法原理，并通过实践项目提高编程能力。

对于从事机器学习相关工作的技术人员，该书可以作为学习和提高技能的参考书，帮助他们更好地应用机器学习算法解决实际问题。

4、总结归纳

《机器学习Web应用》是一本非常实用的计算机类书籍，通过深入浅出的方式介绍了机器学习在Web应用中的应用方法和实践技巧。该书内容全面，语言通俗易懂，注重实践应用，适合计算机类专业的学生和从事机器学习相关工作的技术人员阅读。

通过阅读该书，读者可以掌握机器学习的基本概念和算法原理，并能够将其应用到实际项目中。同时，该书还提供了大量的代码和实战项目，帮助读者通过实践加深对机器学习的理解和应用。

本文由nayona.cn整理

点击联系需要东西方神秘学学习资料，专业的咨询