机器学习Web应用[Machine Learning for the Web]pdf

机器学习Web应用[Machine Learning for the Web] 作者：（意）爱索尼克（Andrea Isoni）

机器学习Web应用[Machine Learning for the Web] 出版社：人民邮电出版社

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zui常用的聚类和分类技术，并用Python实现它们。

●掌握用Django搭建Web应用所需的所有必备知识。

●用Python语言的Django库成功搭建和部署电影推荐系统。

机器学习Web应用[Machine Learning for the Web] 内容简介

机器学习可用来处理由用户产生的、数量不断增长的Web数据。

本书讲解如何用Python语言、Django框架开发一款Web商业应用，以及如何用一些现成的库和工具（sklearn、scipy、nltk和Django等）处理和分析应用所生成或使用的数据。本书不仅涉及机器学习的核心概念，还介绍了如何将数据部署到用Django框架开发的Web应用，包括Web、文档和服务器端数据的挖掘和推荐引擎的搭建方法。

本书适合有志于成为或刚刚成为数据科学家的读者学习，也适合对机器学习、Web数据挖掘等技术实践感兴趣的读者参考阅读。

机器学习Web应用[Machine Learning for the Web] 目录

第1章 Python机器学习实践入门

1.1 机器学习常用概念

机器学习示例

1.2 数据的准备、处理和可视化——NumPy、pandas和matplotlib教程

1.2.1 NumPy的用法

1.2.2 理解pandas模块

1.2.3 matplotlib教程

1.3 本书使用的科学计算库

1.4 机器学习的应用场景

1.5 小结

第2章 无监督机器学习

2.1 聚类算法

2.1.1 分布方法

2.1.2 质心点方法

2.1.3 密度方法

2.1.4 层次方法

2.2 降维

主成分分析（PCA）

2.3 奇异值分解（SVD）

2.4 小结

第3章 有监督机器学习

3.1 模型错误评估

3.2 广义线性模型

3.2.1 广义线性模型的概率解释

3.2.2 k近邻

3.3 朴素贝叶斯

3.3.1 多项式朴素贝叶斯

3.3.2 高斯朴素贝叶斯

3.4 决策树

3.5 支持向量机

内核技巧

3.6 有监督学习方法的对比

3.6.1 回归问题

3.6.2 分类问题

3.7 隐马尔可夫模型

HMM算法的Python实现

3.8 小结

第4章 Web挖掘技术

4.1 Web结构挖掘

4.1.1 Web爬虫

4.1.2 索引器

4.1.3 排序——PageRank算法

4.2 Web内容挖掘

句法解析

4.3 自然语言处理

4.3.1 信息检索模型

4.4 信息的后处理

4.4.1 潜在狄利克雷分配

4.4.2 观点挖掘（情感分析）

4.5 小结

第5章 推荐系统

5.1 效用矩阵

5.2 相似度度量方法

5.3 协同过滤方法

5.3.1 基于记忆的协同过滤

5.3.2 基于模型的协同过滤

5.4 CBF方法

5.4.1 商品特征平均得分方法

5.4.2 正则化线性回归方法

5.5 用关联规则学习，构建推荐系统

5.6 对数似然比推荐方法

5.7 混合推荐系统

5.8 推荐系统评估

5.8.1 均方根误差（RMSE）评估

5.8.2 分类效果的度量方法

5.9 小结

第6章 开始Django之旅

6.1 HTTP——GET和POST方法的基础

6.1.1 Django的安装和服务器的搭建

6.1.2 配置

6.2 编写应用——Django最重要的功能

6.2.1 model

6.2.2 HTML网页背后的URL和view

6.2.3 URL声明和view

6.3 管理后台

6.3.1 shell接口

6.3.2 命令

6.3.3 RESTful应用编程接口（API）

6.4 小结

第7章 电影推荐系统Web应用

7.1 让应用跑起来

7.2 model

7.3 命令

7.4 实现用户的注册、登录和登出功能

7.5 信息检索系统（电影查询）

7.6 打分系统

7.7 推荐系统

7.8 管理界面和API

7.9 小结

第8章 影评情感分析应用

8.1 影评情感分析应用用法简介

8.2 搜索引擎的选取和应用的代码

8.3 Scrapy的配置和情感分析应用代码

8.3.1 Scrapy的设置

8.3.2 Scraper

8.3.3 Pipeline

8.3.4 爬虫

8.4 Django model

8.5 整合Django和Scrapy

8.5.1 命令（情感分析模型和删除查询结果）

8.5.2 情感分析模型加载器

8.5.3 删除已执行过的查询

8.5.4 影评情感分析器——Django view和HTML代码

8.6 PageRank：Django view和算法实现

8.7 管理后台和API

8.8 小结

机器学习Web应用[Machine Learning for the Web] 精彩文摘

在技术行业，分析和挖掘商业数据的技能正变得越来越重要。公司若有线上业务，可开发利用线上产生的数据，以改进自身业务，或将数据出售给其他公司。重组或分析这些可能具有商业价值的海量信息，只有掌握专业知识的数据科学（或数据挖掘）专业人士才能做得到。数据科学采用机器学习技术将数据转化为模型，以便预测业务领域高度重视的特定实体的行为。这些算法和技术在当今以技术为主导的业务领域是必不可少的。本书讲解这些算法和技术，并介绍如何将其部署到真实的商业环境。你将学到最常用的机器学习技术，并有机会在一系列旨在提高商业智能的练习和应用中使用它们。从本书学到的技能，可用于实际工作。为了充分掌握书中所讨论的各个主题，我们希望你已熟悉 Python 编程语言、线性代数和统计方法。