开源《Python 机器学习》-Python Machine Learning第一版+第二版

《Python Machine Learning》有两版，中文译为《Python 机器学习》，机器学习与预测分析正在改变企业和其他组织的运作方式，本书将带领读者进入预测分析的世界。全书共16章，除了简要介绍机器学习及Python在机器学习中的应用，还系统讲述了数据分类、数据预处理、模型优化、集成学习、回归、聚类、神经网络、深度学习等内容。本书将机器学习背后的基本理论与应用实践联系起来，通过这种方式让读者聚焦于如何正确地提出问题、解决问题。

本书讲解了如何使用Python的核心元素以及强大的机器学习库，同时还展示了如何正确使用一系列统计模型。本书可作为学习数据科学的初学者及想进一步拓展数据科学领域认识的读者的参考书。

如今更新的是第二版，它的第一版长这样：

 

一、作者简介：

Sebastian Raschka：有多年的 Python 编码经验，举办了几次关于数据科学、机器学习和深度学习的实践应用的研讨会，包括在 Scipy 的机器学习教程。他是威斯康星-麦迪逊大学统计学助理教授，专注于深度学习和机器学习研究。

书籍对应代码：
https://github.com/rasbt/python-machine-learning-book-2nd-edition

二、主要内容

值得一提的是第二版在第一版的基础上增加了不少新的内容，完整的书籍目录如下：

下面是翻译过来的中文目录：
1. 赋予计算机从数据中学习的能力
2. 训练机器学习分类算法
3.使用Scikit-Learn的机器学习分类器之旅
4. 建立良好的培训集-数据预处理
5. 通过降维压缩数据
6. 学习模型评估和超参数优化的最佳实践
7. 结合不同的模型进行集成学习
8. 将机器学习应用于情绪分析
9. 将机器学习模型嵌入到Web应用程序中
10. 用回归分析预测连续目标变量
11. 处理未标记的数据-聚类分析
12. 实现了一个多层人工神经网络从无到有
13. 神经网络训练与张力流并行化
14. 更深入:张力流的力学
15. 利用深度卷积神经网络对图像进行分类
16. 利用递归神经网络对序列数据进行建模

根据书籍配套的代码

值得高兴的是，作者 Sebastian Raschka 开源了《Python 机器学习》第二版的所有章节中的 Python 代码，放在了 GitHub 仓库中。

源码地址：

https://github.com/rasbt/python-machine-learning-book-2nd-edition

目前，该 GitHub 项目已经获得 4000+ 的 star 了，热度很高。

整个 16 章中的 Python 代码是以 .ipynb 文件格式给出，我们可以很方便地使用 Jupyter Notebook 来查看和运行相应的代码，非常方便。

书籍下载
大家可以根据下面的方式方式找小助手获取第一版和第二版pdf 文件，获取地址如下：

资料领取方式

关注公众账号【飞马会】

后台回复数字【67】

即可查看下载方式

▼

往期福利关注飞马会公众号，回复对应关键词打包下载学习资料；回复“入群”，加入飞马网AI、大数据、项目经理学习群，和优秀的人一起成长！

回复 数字“1”下载从入门到研究，人工智能领域最值得一读的10本资料（附下载）

回复 数字“2”机器学习 & 数据科学必读的经典书籍，内附资料包！

回复 数字“14”小白| 机器学习和深度学习必读书籍+机器学习实战视频/PPT+大数据分析书籍推荐！
回复 数字“15”大数据hadoop技术电子书+技术理论+实战+源代码分析+专家分享PPT

回复 数字“16”100G Python从入门到精通！自学必备全套视频教程+python经典书籍！

回复 数字“17”【干货】31篇关于深度学习必读论文汇总(附论文下载地址)回复

数字“18”526份行业报告+白皮书：AI人工智能、机器人、智能出行、智能家居、物联网、VR/AR、 区块链等（附下载）

回复 数字“25”限资源 | 177G Python/机器学习/深度学习/算法/TensorFlow等视频，涵盖入门/中级/项目各阶段！
回复 数字“26”人工智能入门书单推荐，学习AI的请收藏好（附PDF下载）
回复 数字“27”资源 | 吴恩达斯坦福CS230深度学习课程全套资料放出（附下载）