通过使用Python开发用例,全面了解监督学习算法。您将学习监督学习的概念,Python代码,数据集,最佳实践,常见问题和陷阱的解决方法,以及为结构化以及文本和图像数据集实现算法的实践知识。
您将首先介绍机器学习,重点介绍有监督,半监督和无监督学习之间的差异。在接下来的章节中,您将研究回归和分类问题,其背后的数学,线性回归,逻辑回归,决策树,KNN,朴素贝叶斯等算法,以及随机森林,SVM,梯度提升和神经网络等高级算法。所有算法都提供了Python实现。您将以一个端到端的模型开发过程作为最后的过程,包括模型的部署和维护。阅读了Python的监督学习后,您将对监督学习及其实际实现有一个广泛的了解,并能够运行代码并以创新的方式扩展它。
您将学到什么
复习使用Python的监督学习的基本构建基块和概念
为结构化数据以及文本和图像开发有监督的学习解决方案
解决有关过度拟合,特征工程,数据清理和交叉验证的问题,以构建最佳拟合模型
了解从业务问题定义到模型部署和模型维护的端到端模型周期
使用Python创建监督学习模型时,避免常见的陷阱并遵守最佳实践
这本书适合谁
数据科学家或数据分析师对有监督学习的最佳实践和标准感兴趣,并使用分类算法和回归技术来开发预测模型。
后台私信回复“Python监督学习”即可获取下载PDF下载链接