下载链接: https://pan.baidu.com/s/1_i-grkRtsYkn9uGil_1A1A 密码: npus
- 出版社: 人民邮电出版社; 第1版 (2017年8月1日)
- 外文书名: Machine Learning for the Web
- 平装: 212页
- 语种： 简体中文
- 开本: 16
- ISBN: 9787115458520
- 条形码: 9787115458520
- 商品尺寸: 23.4 x 18.6 x 1.2 cm
- 商品重量: 399 g
- 品牌: 人民邮电出版社
- ASIN: B073LYTZ62
编辑推荐
Python是一门通用型编程语言，也是一门相对容易学习的语言。因此，数据科学家在为中小规模的数据集制作原型、实现可视化和分析数据时，经常选择使用Python。
本书填补了机器学习和Web开发之间的鸿沟。本书重点讲解在Web应用中实现预测分析功能的难点，重点介绍Python语言及相关框架、工具和库，展示了如何搭建机器学习系统。你将从本书学到机器学习的核心概念，学习如何将数据部署到用Django框架开发的Web应用；还将学到如何挖掘Web、文档和服务器端数据以及如何搭建推荐引擎。
随后，你将进一步探索功能强大的Django框架，学习搭建一个简单、具备现代感的影评情感分析应用，它可是用机器学习算法驱动的！
本书是写给正努力成为数据科学家的读者以及新晋的数据科学家的。读者应该具备一些机器学习经验。如果你对开发智能（具备预测功能的）Web应用感兴趣，或正在从事相关开发工作，本书非常适合你。掌握一定的Django知识，学习本书将会更加轻松。我们还希望读者具备一定的Python编程背景和扎实的统计学知识。
通过阅读本书，你将能够：
● 熟悉机器学习基本概念和机器学习社区使用的一些术语。
● 用多种工具和技术从网站挖掘数据。
● 掌握Django框架的核心概念。
● 了解常用的聚类和分类技术，并用Python实现它们。
● 掌握用Django搭建Web应用所需的所有bi备知识。
● 用Python语言的Django库成功搭建和部署电影推荐系统。
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。其他译著有《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 Djangomodel 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：Djangoview和算法实现 206
8.7 管理后台和API 210
8.8 小结 212
文摘
版权页：
插图：
