Python Real World Machine Learning
通过使用python构建强大的机器学习模型，学习解决具有挑战性的数据科学问题。
关于这本书
在这个令人兴奋的食谱指南的帮助下，理解在给定的上下文中使用哪些算法。
本实用教程通过严格有效的方法解决现实世界中的计算问题。
建立最先进的模型，并开发个性化的推荐，以实现机器学习的规模。
这本书是给谁的
这个学习路径是为那些希望使用机器学习算法来创建真实世界应用程序的python程序员而设计的。对于那些希望使用大型复杂数据集和python开发人员和分析人员或数据科学家的python专业人员来说，这是非常理想的，他们希望通过访问数据科学中一些最强大的最新趋势来增加他们现有的技能。使用python、jupyter笔记本和命令行的经验-。执行与良好的数学知识水平一起理解这些概念是期望的。机器学习的基本知识也是期望的。
你会学到什么
使用预测模型并将其应用于现实世界的问题。
了解如何利用无监督学习进行市场细分
通过对每种技术和测试的清楚解释的代码，应用您的新发现的技能来解决实际问题
通过对尖端的深度学习算法的实际和理论的理解，与顶尖的数据科学家竞争。
利用深度学习和可伸缩的数据处理技术提高预测精度。
利用深度学习和可伸缩的数据处理技术提高预测精度。
学习如何使用python代码来实现一系列机器学习算法和技术。
详情
机器学习在现代数据驱动的世界中越来越广泛，广泛应用于搜索引擎、机器人、自动驾驶汽车等领域。机器学习正在改变我们理解和与周围世界互动的方式。
在第一个模块，python机器学习食谱中，您将学习如何使用各种各样的机器学习算法执行各种机器学习任务来解决现实世界的问题，并使用python实现这些算法。
第二个模块是使用python的高级机器学习，旨在引导您了解最相关和最强大的机器学习技术，您将在特征选择和特征工程领域获得一套广泛的强大技能。
该学习路径中的第三个模块--使用python的大规模机器学习，深入研究了可扩展机器学习和三种可伸缩性形式，它涵盖了地图上最有效的机器学习技术Hadoop中的约简框架和python中的Sparke。
这条学习之路将教你真正的世界的巨蟒机器学习。这条学习路径所涵盖的机器学习技术是商业实践的前沿。
这条学习路线结合了Packt必须在一个完整的、精心策划的包中提供的一些最好的内容。它包含了来自以下Packt产品的内容：
Python Machine Learning Cookbook by Prateek Joshi
Advanced Machine Learning with Python by John Hearty
Large Scale Machine Learning with Python by Bastiaan Sjardin, Alberto Boschetti, Luca Massaron
风格与方法
这门课程是一条平滑的学习之路，它将教你如何从真实世界中开始巨蟒机器学习，并为现实世界的问题开发解决方案。通过这个全面的课程，你将学会从零开始创造最有效的机器学习技术等等！
目录
Part I. Module 1
Chapter 1. The Realm of Supervised Learning
Chapter 2. Constructing a Classifier
Chapter 3. Predictive Modeling
Chapter 4. Clustering with Unsupervised Learning
Chapter 5. Building Recommendation Engines
Chapter 6. Analyzing Text Data
Chapter 7. Speech Recognition
Chapter 8. Dissecting Time Series and Sequential Data
Chapter 9. Image Content Analysis
Chapter 10. Biometric Face Recognition
Chapter 11. Deep Neural Networks
Chapter 12. Visualizing Data
Part II. Module 2
Chapter 1. Unsupervised Machine Learning
Chapter 2. Deep Belief Networks
Chapter 3. Stacked Denoising Autoencoders
Chapter 4. Convolutional Neural Networks
Chapter 5. Semi-Supervised Learning
Chapter 6. Text Feature Engineering
Chapter 7. Feature Engineering Part II
Chapter 8. Ensemble Methods
Chapter 9. Additional Python Machine Learning Tools
Appendix A. Chapter Code Requirements
Part III. Module 3
Chapter 1. First Steps to Scalability
Chapter 2. Scalable Learning in Scikit-learn
Chapter 3. Fast SVM Implementations
Chapter 4. Neural Networks and Deep Learning
Chapter 5. Deep Learning with TensorFlow
Chapter 6. Classification and Regression Trees at Scale
Chapter 7. Unsupervised Learning at Scale
Chapter 8. Distributed Environments – Hadoop and Spark
Chapter 9. Practical Machine Learning with Spark
Appendix A. Introduction to GPUs and Theano