来源书籍
Python机器学习
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
- 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
- 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
- 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
- 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
- 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
- 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
- 没有免费午餐与模型比较 理解等级:高级 普通读书笔记卡
- 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
- 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 2.2 使用Python实现感知器学习算法
1 张卡片
- 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
- Adaline与代价函数 理解等级:高级 普通读书笔记卡
- 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
- 特征标准化 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
- 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
- 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
- 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
- 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
- 过拟合欠拟合与偏差方差 理解等级:高级 普通读书笔记卡
- 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
- 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
- 决策树与信息增益 理解等级:中级 普通读书笔记卡
04 4.1.2 缺失数据填充
1 张卡片
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 特征抽取与特征选择 理解等级:初级 普通读书笔记卡
- 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
- 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
- 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
- LDA与PCA的区别 理解等级:初级 普通读书笔记卡
- 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
- 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
- 核技巧与核PCA 理解等级:中级 普通读书笔记卡
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- AdaBoost思想与权重更新 理解等级:中级 普通读书笔记卡
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 外存学习与HashingVectorizer 理解等级:中级 普通读书笔记卡
- 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
- 模型序列化pickle 理解等级:初级 普通读书笔记卡
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Keras 理解等级:初级 普通读书笔记卡
13 本章小结
1 张卡片
- 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。