Machine Learning with Python Cookbook 学习笔记系列目录

Machine Learning with Python Cookbook 学习笔记 目录

前言

• 本笔记是针对人工智能典型算法的课程中Machine Learning with Python Cookbook的学习笔记

• 学习的实战代码都放在代码压缩包中

• 实战代码的运行环境是python3.9 numpy 1.23.1 anaconda 4.12.0

• 代码仓库

  • Github:yy6768/Machine-Learning-with-Python-Cookbook-notebook: 人工智能典型算法笔记 (github.com)
  • Gitee:yyorange/机器学习笔记代码仓库 (gitee.com)

• 预计11月前能够把所有笔记完整整理完毕

• 最新更新：7/22 第12章学习笔记(97条消息) Machine Learning with Python Cookbook 学习笔记 第12章_五舍橘橘的博客-CSDN博客

目录

第一部分——基础知识

第1章 Vectors, Matrices, and Arrays:(97条消息) Machine Learning with Python Cookbook 学习笔记 第1章_五舍橘橘的博客-CSDN博客

主要讲述了：

• numpy的基本知识
• 对于数据结构的一些基本操作
• 线性代数操作

第2章 Loading Data：(97条消息) Machine Learning with Python Cookbook 学习笔记 第2章_五舍橘橘的博客-CSDN博客

主要分为两部分：

• 从多个数据源获得数据（pandas库的基本知识）
• 通过工具生成数据（scikit-learn库的数据集部分）

第3章 Data Wrangling（数据整理）：(97条消息) Machine Learning with Python Cookbook 学习笔记 第3章_五舍橘橘的博客-CSDN博客

主要讲述了：

• pandas的DataFrame

第二部分——数据预处理

第4章 Handling Numerical Data：(97条消息) Machine Learning with Python Cookbook 学习笔记 第4章_五舍橘橘的博客-CSDN博客

主要讲述了如何处理数字类数据，包括：

• 数据标准化归一化等预处理方法
• 填充缺失值、扫描异常值、离散化等操作

第5章 Handling Categorical Data：(97条消息) Machine Learning with Python Cookbook 学习笔记 第5章_五舍橘橘的博客-CSDN博客

主要讲述了如何预处理分类数据，包含：

• 编码（encode)
• 填充(impute)
• 处理不平衡的分类

第6章 Handling Text：(97条消息) Machine Learning with Python Cookbook 学习笔记 第6章_五舍橘橘的博客-CSDN博客

主要讲述了如何预处理文本数据,包含了：

• 不同类型文本的清理
• ntlk自然语言处理库
• Porter算法
• 单词加权

第7章 Handling Dates and Times：(97条消息) Machine Learning with Python Cookbook 学习笔记 第7章_五舍橘橘的博客-CSDN博客

主要讲述了如何处理时间和日期数据，包含：

• 不同格式日期的相互转换
• 日期编码
• 填充丢失日期、滞后等日期操作

第8章 Handling Images(97条消息) Machine Learning with Python Cookbook 学习笔记 第8章_五舍橘橘的博客-CSDN博客

主要讲述了如何处理图像数据，包含：

• opencv库的基本操作
• 平滑图片、锐化图片、增强图片（直方图均衡化算法）
• 去除背景（Grabcut算法）
• 边缘检测（Canny算法）

第三部分——数据降维

第9章 Dimensionality Reduction Using Feature Extraction： (97条消息) Machine Learning with Python Cookbook 学习笔记 第9章_五舍橘橘的博客-CSDN博客

主要讲述了使用特征提取(Feature Extraction)进行特征降维。主要包括：

• PCA（主成分分析）以及它的变种（Kernal PCA 非线性情况）
• LDA（线性判断降维算法）
• NMF（非负矩阵分解）
• TSVD（截断奇异值分解）（针对稀疏矩阵）

第10章 Dimensionality Reduction Using Feature Selection：(97条消息) Machine Learning with Python Cookbook 学习笔记 第10章_五舍橘橘的博客-CSDN博客

主要讲述了使用特征选择（Feature Selection）进行特征降维。主要包括：

• 设置阈值方差（移除方差较小的特征）
• 去除高度线性相关特征
• 移除无关变量（卡方统计量）
• Recursively Eliminating Features（RFE）

第四部分 模型评估与选择

第11章 Model Evaluation： (97条消息) Machine Learning with Python Cookbook 学习笔记 第11章_五舍橘橘的博客-CSDN博客

主要讲述了不同的模型评估算法，来查看模型训练好坏的结果：

• 交叉验证模型（Model Evaluation）
• 生成启发式模型（scikit-learn中 DummyXXXX模型）
• ROC曲线（评估分类器）
• 多分类器分类指标（macro，micro，weighted）
• 混淆矩阵
• MSE（评估线性模型）
• 轮廓系数（评估诸如聚类等无监督模型）
• learning curve（观测值数量对模型的影响）

第12章 Model Selection(97条消息) Machine Learning with Python Cookbook 学习笔记 第12章_五舍橘橘的博客-CSDN博客

主要讲述了如何选择不同超参数，不同算法构成的模型：

• GridSearchCV：穷举法交叉检验
• RandomizedSearchCV:随机分布化交叉检验
• 多算法模型选择
• 预处理和模型选择
• 加速模型选择
• 嵌套交叉检验

---

施工中……

---

第五部分 学习算法

第13章 Linear Regression

第14章 Trees and Forests（决策树与随机森林）

第15章 K-Nearest Neighbors（KNN算法）

第16章 Logistic Regression（Sigmoid函数和逻辑回归）

第17章 Support Vector Machines（支持向量机）

第18章 Naive Bayes（朴素贝叶斯）

第19章 Clustering（聚类）

第20章 Neural Networks（神经网络）

第六部分 模型保存和导入

第21章 Saving and Loading Trained Models