来源书籍

Python机器学习

Skill 版本:未记录版本 高浓度 × 高稳定性 = **经典原理**(最高级别)。 120 张卡片

塞巴斯蒂安·拉施卡(Sebastian Raschka)

章节与卡片

01 1.1 构建智能机器将数据转化为知识

1 张卡片
  1. 机器学习的本质 理解等级:初级 普通读书笔记卡

01 1.2.1 通过监督学习对未来事件进行预测

1 张卡片
  1. 监督学习分类与回归 理解等级:中级 普通读书笔记卡

01 1.2.2 通过强化学习解决交互式问题

1 张卡片
  1. 强化学习的反馈机制 理解等级:中级 普通读书笔记卡

01 1.2.3 通过无监督学习发现数据本身潜在的结构

1 张卡片
  1. 无监督学习聚类与降维 理解等级:中级 普通读书笔记卡

01 1.2.4 基本术语及符号介绍

1 张卡片
  1. 数据矩阵符号约定 理解等级:初级 普通读书笔记卡

01 1.3.1 数据预处理

1 张卡片
  1. 数据预处理三件事 理解等级:中级 普通读书笔记卡

01 1.3.2 选择预测模型类型并进行训练

2 张卡片
  1. 没有免费午餐与模型比较 理解等级:高级 普通读书笔记卡
  2. 交叉验证与超参优化 理解等级:中级 普通读书笔记卡

01 1.3.3 模型验证与使用未知数据进行预测

1 张卡片
  1. 泛化误差与预处理参数来源 理解等级:高级 普通读书笔记卡

02 2.1 人造神经元——早期机器学习概览

2 张卡片
  1. 感知器与阈值激励 理解等级:中级 普通读书笔记卡
  2. 感知器权重更新规则 理解等级:中级 普通读书笔记卡

02 2.2 使用Python实现感知器学习算法

1 张卡片
  1. 一对多多类别扩展 理解等级:中级 普通读书笔记卡

02 2.3.1 通过梯度下降最小化代价函数

2 张卡片
  1. Adaline与代价函数 理解等级:高级 普通读书笔记卡
  2. 批量梯度下降 理解等级:中级 普通读书笔记卡

02 2.3.2 使用Python实现自适应线性神经元

1 张卡片
  1. 特征标准化 理解等级:中级 普通读书笔记卡

02 2.3.3 大规模机器学习与随机梯度下降

2 张卡片
  1. 随机梯度下降 理解等级:高级 普通读书笔记卡
  2. 小批次学习 理解等级:中级 普通读书笔记卡

03 3.1 分类算法的选择

1 张卡片
  1. 分类算法选择五步 理解等级:中级 普通读书笔记卡

03 3.3 逻辑斯谛回归中的类别概率

1 张卡片
  1. 逻辑斯谛回归是分类模型 理解等级:初级 普通读书笔记卡

03 3.3.1 初识逻辑斯谛回归与条件概率

1 张卡片
  1. sigmoid函数与条件概率 理解等级:高级 结构图卡

03 3.3.2 通过逻辑斯谛回归模型的代价函数获得权重

1 张卡片
  1. 对数似然代价函数 理解等级:高级 普通读书笔记卡

03 3.3.4 通过正则化解决过拟合问题

2 张卡片
  1. 过拟合欠拟合与偏差方差 理解等级:高级 普通读书笔记卡
  2. L2正则化与C参数 理解等级:高级 普通读书笔记卡

03 3.4 使用支持向量机最大化分类间隔

1 张卡片
  1. SVM最大间隔与支持向量 理解等级:中级 普通读书笔记卡

03 3.6.1 最大化信息增益

1 张卡片
  1. 决策树与信息增益 理解等级:中级 普通读书笔记卡

03 3.7 惰性学习算法——k-近邻算法

2 张卡片
  1. KNN惰性学习 理解等级:中级 普通读书笔记卡
  2. 维度灾难 理解等级:高级 普通读书笔记卡

04 4.1.2 缺失数据填充

1 张卡片
  1. 均值插补缺失值 理解等级:初级 普通读书笔记卡

04 4.1.3 理解scikit-learn预估器的API

1 张卡片
  1. 转换器fit与transform 理解等级:中级 普通读书笔记卡

04 4.2 处理类别数据

1 张卡片
  1. 标称特征与有序特征 理解等级:初级 普通读书笔记卡

04 4.2.3 标称特征上的独热编码

1 张卡片
  1. 独热编码标称特征 理解等级:高级 普通读书笔记卡

04 4.3 将数据集划分为训练数据集和测试数据集

1 张卡片
  1. 训练测试划分比例权衡 理解等级:中级 普通读书笔记卡

04 4.4 将特征的值缩放到相同的区间

1 张卡片
  1. 归一化与标准化 理解等级:高级 普通读书笔记卡

04 4.5.1 使用L1正则化满足数据稀疏化

1 张卡片
  1. L1正则化稀疏化 理解等级:高级 普通读书笔记卡

04 4.5.2 序列特征选择算法

1 张卡片
  1. SBS序列后向选择 理解等级:高级 普通读书笔记卡

04 4.6 通过随机森林判定特征的重要性

1 张卡片
  1. 随机森林特征重要性 理解等级:中级 普通读书笔记卡

05 5.1 无监督数据降维技术——主成分分析

2 张卡片
  1. 特征抽取与特征选择 理解等级:初级 普通读书笔记卡
  2. PCA目标与六步流程 理解等级:初级 普通读书笔记卡

05 5.1.1 总体方差与贡献方差

1 张卡片
  1. 总体方差与贡献方差 理解等级:中级 普通读书笔记卡

05 5.1.2 特征转换

1 张卡片
  1. 特征转换与新子空间 理解等级:初级 普通读书笔记卡

05 5.2 通过线性判别分析压缩无监督数据

2 张卡片
  1. LDA与PCA的区别 理解等级:初级 普通读书笔记卡
  2. LDA六步流程与假设 理解等级:初级 普通读书笔记卡

05 5.2.1 计算散布矩阵

1 张卡片
  1. 散布矩阵与协方差归一化 理解等级:中级 普通读书笔记卡

05 5.3.1 核函数与核技巧

2 张卡片
  1. 核技巧与核PCA 理解等级:中级 普通读书笔记卡
  2. RBF核PCA三步与聚集 理解等级:中级 普通读书笔记卡

05 5.3.2 使用Python实现核主成分分析

1 张卡片
  1. 核PCA非线性可分示例 理解等级:初级 普通读书笔记卡

06 6.1 基于流水线的工作流

1 张卡片
  1. Pipeline流水线 理解等级:初级 普通读书笔记卡

06 6.2.1 holdout方法

1 张卡片
  1. holdout与模型选择 理解等级:初级 普通读书笔记卡

06 6.2.2 k折交叉验证

1 张卡片
  1. k折交叉验证 理解等级:初级 普通读书笔记卡

06 6.3.1 使用学习曲线判定偏差和方差问题

1 张卡片
  1. 学习曲线诊断偏差方差 理解等级:中级 普通读书笔记卡

06 6.3.2 通过验证曲线来判定过拟合与欠拟合

1 张卡片
  1. 验证曲线调参 理解等级:初级 普通读书笔记卡

06 6.4.1 使用网络搜索调优超参

1 张卡片
  1. 网格搜索与随机搜索 理解等级:初级 普通读书笔记卡

06 6.4.2 通过嵌套交叉验证选择算法

1 张卡片
  1. 嵌套交叉验证选算法 理解等级:中级 普通读书笔记卡

06 6.5.1 读取混淆矩阵

1 张卡片
  1. 混淆矩阵 理解等级:初级 普通读书笔记卡

06 6.5.2 优化分类模型的准确率和召回率

1 张卡片
  1. 精确率召回率与F1 理解等级:初级 普通读书笔记卡

06 6.5.3 绘制ROC曲线

1 张卡片
  1. ROC与AUC 理解等级:中级 普通读书笔记卡

06 6.5.4 多类别分类的评价标准

1 张卡片
  1. 多类别评价标准 理解等级:中级 普通读书笔记卡

06 本章小结

1 张卡片
  1. 模型评估工作流总览 理解等级:初级 普通读书笔记卡

07 7.1 集成学习

1 张卡片
  1. 集成学习与多数投票 理解等级:初级 普通读书笔记卡

07 7.2 实现一个简单的多数投票分类器

1 张卡片
  1. 加权多数投票 理解等级:中级 普通读书笔记卡

07 7.3 评估与调优集成分类器

1 张卡片
  1. 评估与调优集成分类器 理解等级:初级 普通读书笔记卡

07 7.4 bagging——通过bootstrap样本构建集成分类器

1 张卡片
  1. bagging与bootstrap 理解等级:初级 普通读书笔记卡

07 7.5 通过自适应boosting提高弱学习机的性能

2 张卡片
  1. AdaBoost思想与权重更新 理解等级:中级 普通读书笔记卡
  2. boosting偏差方差与代价权衡 理解等级:初级 普通读书笔记卡

07 本章小结

1 张卡片
  1. 集成方法小结 理解等级:初级 普通读书笔记卡

07 7.3 评估与调优集成分类器

1 张卡片
  1. stacking概念 理解等级:中级 普通读书笔记卡

08 8.1 获取IMDb电影评论数据集

1 张卡片
  1. 情感分析与IMDb数据集 理解等级:初级 普通读书笔记卡

08 8.2 词袋模型简介

1 张卡片
  1. 词袋模型 理解等级:初级 普通读书笔记卡

08 8.2.1 将单词转换为特征向量

1 张卡片
  1. CountVectorizer与n-gram 理解等级:初级 普通读书笔记卡

08 8.2.2 通过词频-逆文档频率计算单词关联度

1 张卡片
  1. tf-idf 理解等级:中级 普通读书笔记卡

08 8.2.3 清洗文本数据

1 张卡片
  1. 清洗文本数据 理解等级:初级 普通读书笔记卡

08 8.2.4 标记文档

1 张卡片
  1. 标记化词干与停用词 理解等级:中级 普通读书笔记卡

08 8.3 训练用于文档分类的逻辑斯谛回归模型

1 张卡片
  1. 逻辑斯谛回归情感分类 理解等级:初级 普通读书笔记卡

08 8.4 使用大数据——在线算法与外存学习

2 张卡片
  1. 外存学习与HashingVectorizer 理解等级:中级 普通读书笔记卡
  2. 词袋局限与词嵌入 理解等级:初级 普通读书笔记卡

09 9.1 序列化通过scikit-learn拟合的模型

2 张卡片
  1. 模型序列化pickle 理解等级:初级 普通读书笔记卡
  2. 加载模型做预测 理解等级:初级 普通读书笔记卡

09 9.2 使用SQLite数据库存储数据

1 张卡片
  1. SQLite存储反馈 理解等级:初级 普通读书笔记卡

09 9.3 使用Flask开发Web应用

1 张卡片
  1. Flask微框架 理解等级:初级 普通读书笔记卡

09 9.3.2 表单验证及渲染

1 张卡片
  1. 表单验证WTForms与Jinja2 理解等级:初级 普通读书笔记卡

09 9.4 将电影分类器嵌入Web应用

1 张卡片
  1. 电影分类器嵌入Web应用 理解等级:中级 普通读书笔记卡

09 9.5 在公共服务器上部署Web应用

1 张卡片
  1. 部署PythonAnywhere与持久更新 理解等级:中级 普通读书笔记卡

09 本章小结

1 张卡片
  1. 第9章小结 理解等级:初级 普通读书笔记卡

10 10.1 简单线性回归模型初探

1 张卡片
  1. 简单线性回归 理解等级:初级 普通读书笔记卡

10 10.2 波士顿房屋数据集

1 张卡片
  1. 探索性数据分析与相关矩阵 理解等级:初级 普通读书笔记卡

10 10.3.1 通过梯度下降计算回归参数

1 张卡片
  1. 最小二乘OLS与梯度下降 理解等级:中级 普通读书笔记卡

10 10.3.2 使用scikit-learn估计回归模型的系数

1 张卡片
  1. scikit-learn与正规方程 理解等级:初级 普通读书笔记卡

10 10.4 使用RANSAC拟合高鲁棒性回归模型

1 张卡片
  1. RANSAC鲁棒回归 理解等级:中级 普通读书笔记卡

10 10.5 线性回归模型性能的评估

1 张卡片
  1. 残差图与MSE-R2 理解等级:中级 普通读书笔记卡

10 10.6 回归中的正则化方法

1 张卡片
  1. 回归正则化Ridge-LASSO-ElasticNet 理解等级:中级 普通读书笔记卡

10 10.7 线性回归模型的曲线化-多项式回归

1 张卡片
  1. 多项式回归 理解等级:初级 普通读书笔记卡

10 10.7.1 房屋数据集中的非线性关系建模

1 张卡片
  1. 非线性建模与变量变换 理解等级:初级 普通读书笔记卡

10 10.7.2 使用随机森林处理非线性关系

1 张卡片
  1. 决策树与随机森林回归 理解等级:中级 普通读书笔记卡

10 本章小结

1 张卡片
  1. 第10章小结 理解等级:初级 普通读书笔记卡

11 11.1 使用k-means算法对相似对象进行分组

1 张卡片
  1. 聚类与k-means 理解等级:初级 普通读书笔记卡

11 11.1.1 k-means++

1 张卡片
  1. kmeans++初始化 理解等级:中级 普通读书笔记卡

11 11.1.2 硬聚类与软聚类

1 张卡片
  1. 硬聚类与软聚类 理解等级:初级 普通读书笔记卡

11 11.1.3 使用肘方法确定簇的最佳数量

1 张卡片
  1. 肘方法确定簇数 理解等级:初级 普通读书笔记卡

11 11.1.4 通过轮廓图定量分析聚类质量

1 张卡片
  1. 轮廓分析 理解等级:中级 普通读书笔记卡

11 11.2 层次聚类

1 张卡片
  1. 层次聚类 理解等级:初级 普通读书笔记卡

11 11.2.1 基于距离矩阵进行层次聚类

1 张卡片
  1. 距离矩阵与linkage 理解等级:初级 普通读书笔记卡

11 11.2.3 通过scikit-learn进行凝聚聚类

1 张卡片
  1. 树状图热度图与凝聚聚类 理解等级:初级 普通读书笔记卡

11 11.3 使用DBSCAN划分高密度区域

1 张卡片
  1. DBSCAN 理解等级:初级 普通读书笔记卡

12 12.1.2 多层神经网络架构简介

1 张卡片
  1. 多层感知器架构 理解等级:初级 普通读书笔记卡

12 12.1.3 通过正向传播构造神经网络

1 张卡片
  1. 正向传播三步骤 理解等级:初级 普通读书笔记卡

12 12.2.1 获取MNIST数据集

1 张卡片
  1. MNIST数据集 理解等级:初级 普通读书笔记卡

12 12.3.1 计算逻辑斯谛代价函数

1 张卡片
  1. 逻辑斯谛代价与正则化 理解等级:中级 普通读书笔记卡

12 12.4 建立对反向传播的直观认识

1 张卡片
  1. 反向传播 理解等级:中级 普通读书笔记卡

12 12.5 通过梯度检验调试神经网络

1 张卡片
  1. 梯度检验 理解等级:中级 普通读书笔记卡

12 12.6 神经网络的收敛性

1 张卡片
  1. 小批次学习与收敛 理解等级:中级 普通读书笔记卡

12 12.7 其他神经网络架构

1 张卡片
  1. CNN与RNN 理解等级:中级 普通读书笔记卡

12 本章小结

1 张卡片
  1. 第12章小结 理解等级:初级 普通读书笔记卡

13 13.1.1 什么是Theano

1 张卡片
  1. Theano 理解等级:初级 普通读书笔记卡

13 13.1.3 配置Theano

1 张卡片
  1. 配置Theano与floatX 理解等级:初级 普通读书笔记卡

13 13.1.5 整理思路——线性回归示例

1 张卡片
  1. Theano线性回归示例 理解等级:初级 普通读书笔记卡

13 13.2.1 逻辑斯谛函数概述

1 张卡片
  1. 激励函数与逻辑斯谛 理解等级:初级 普通读书笔记卡

13 13.2.2 通过softmax函数评估多类别分类任务中的类别概率

1 张卡片
  1. softmax多类别概率 理解等级:初级 普通读书笔记卡

13 13.2.3 通过双曲正切函数增大输出范围

1 张卡片
  1. tanh双曲正切 理解等级:初级 普通读书笔记卡

13 13.3 使用Keras提高训练神经网络的效率

1 张卡片
  1. Keras 理解等级:初级 普通读书笔记卡

13 本章小结

1 张卡片
  1. 全书总结 理解等级:初级 普通读书笔记卡

全书概览

《Python机器学习》建档概览

  • 书名:Python机器学习(数据科学与工程技术丛书)
  • 作者:塞巴斯蒂安·拉施卡(Sebastian Raschka)
  • 原文入口:book-sources/books/20261105/Python机器学习 (数据科学与工程技术丛书) (塞巴斯蒂安·拉施卡(Sebastian Raschka)) .epub
  • 笔记目录:notes/Python机器学习/
  • 优先级:P4
  • 执行模式:light
  • 首次建档 Skill 版本:book-notes v24
  • 建档进度:done
  • 实践候选筛选:pending

评级

  • 信息浓度:高。逐节解释算法动机、数学推导与设计权衡,如感知器为何用梯度下降最小化代价函数、SVM 为何最大化间隔、正则化如何解决过拟合、核技巧如何实现非线性映射,不只是罗列 API。
  • 稳定性:高。主体是监督/无监督学习的基础原理(感知器、逻辑斯谛回归、SVM、决策树、PCA、LDA、k-means、反向传播等),不随某个库版本失效;sklearn API 与代码细节为低稳定的次要成分,单卡中按原理为主处理。
  • 四象限:高浓度 × 高稳定性 = 经典原理(最高级别)。
  • 内容形态:概念解析型为主(全书按概念—机制—推导展开),第 3-13 章含较多 sklearn/代码操作,属局部操作手册成分,逐章按实际结构取材,不改书级主形态。

评级理由来自实际读取的前言与第 1 章:书籍以”从数据中获取知识并对未来预测”为主线,第 1 章用垃圾邮件分类、手写字符识别、SAT 成绩预测等具体示例解释分类与回归的区别,并追溯”回归”一词的统计来源,体现解释机制与权衡而非仅操作说明。

阅读计划:章节进度追踪表

章节号 章节标题 状态 卡片数
前言 前言、译者序、推荐序(序 1-5 项) done 0
第01章 赋予计算机学习数据的能力 done 9
第02章 机器学习分类算法 done 8
第03章 使用scikit-learn实现机器学习分类算法 done 10
第04章 数据预处理——构建好的训练数据集 done 9
第05章 通过降维压缩数据 done 10
第06章 模型评估与参数调优实战 done 12
第07章 集成学习——组合不同的模型 done 8
第08章 使用机器学习进行情感分析 done 9
第09章 在Web应用中嵌入机器学习模型 done 8
第10章 使用回归分析预测连续型目标变量 done 11
第11章 聚类分析——处理无类标数据 done 9
第12章 使用人工神经网络识别图像 done 9
第13章 使用Theano并行训练神经网络 done 8

非正文排除

spine项 类型 排除理由
nav#000 Python机器学习(丛书书名页) 书名页 仅丛书名与书名,无实质正文

译者序/推荐序/作者简介/审校者简介/前言均含实质说明,纳入阅读计划;其中作者简介、审校者简介按纯介绍处理,若读完无独立知识则记零卡理由。

待关联术语

术语名 出现章节 一句话语境

(待逐章填充)

引用文献

标题 类型 出现章节 一句话语境

(待逐章填充)

资金安全问题案例

问题标题 问题卡 解决方案卡 出现章节 一句话说明

(本书为机器学习教材,无资金并发安全场景;待读全文确认)

实践卡进度

序号 实践标题 实践方式 状态 关联章节 产出
1 用 sklearn 跑通鸢尾花三分类器对比与多数投票 读者实操(书中有示例代码) done 第7章 实践计划:复现 LogisticRegression/DecisionTree/KNN 与 VotingClassifier 的 10 折 CV 对比
2 威斯康星乳腺癌数据的完整评估流水线 读者实操(书中有示例代码) done 第6章 实践计划:Pipeline→分层k折→学习/验证曲线→GridSearchCV→ROC/AUC 全流程复现
3 从零实现带反向传播的多层感知器识别 MNIST 读者实操(书中有示例代码) done 第12章 实践计划:按书中 MLP 类实现正向/反向传播、梯度检验,在 MNIST 子集训练
4 用 Theano/Keras 重跑分类器 读者实操(书中有示例代码) done 第13章 实践计划:用 Keras 几行代码搭 MLP,对比第12章手写实现

以上均为读者可执行的延伸实践(书中提供了示例代码),非作者已执行结果;light 模式仅记录实践计划,不生成独立实践卡文件。

实践候选筛选:done

整书笔记

  • 路径:notes/Python机器学习/_book_note.md
  • schema:1
  • 状态:骨架已建,逐章讲解待随阅读推进

说明:本轮为 light 模式,跳过笔记复核、独立审查及审查结果优化;阶段 3 记为 skipped。

相关主题

从本书的主题进入跨书阅读,对照其他书籍的讲解。下方数量包含主题关联的全部卡片与书籍。

暂无公开主题。