Alexander的Python机器学习 之目录分析。

无聊，顺应一下潮流，学习一下python机器学习吧。

买了一本书，首先分析一下目录吧。

1.第一章是 Python机器学习的生态系统。

　　1.1.数据科学或机器学习的工作流程。

　　　　然后又分成6点进行详细说明：获取，检查和探索，清理和准备，建模，评估，部署。

　　1.2.讲解了Python库和相应的功能。

　　　　这里也分成5个点进行详细说明：获取，检查，准备，建模和评估，部署。

　　1.3.设置机器学习的环境。

　　1.4.最后来一个总结。

2.第二章就来一个案例吧，构建应用程序，来挖掘低价的公寓。

　　2.1.首先来获取公寓房源的数据吧。这里将使用import.io方法来抓取房源数据。

　　2.2.然后就是检查和准备数据呢。分为两个点，首先分析数据，然后就是可视化数据。

　　2.3.然后就是对数据进行建模。这里又分为两个点，首先是预测，然后就是扩展模型。

　　2.4.最后来一个总结吧。

3.第三章来一个机票的案例吧，同样来挖掘一下低价的机票。

　　3.1.首先肯定是要获取机票价格数据嘛。

　　3.2.这里是一个学习点：使用高级的网络爬虫技术来检索票价数据。

　　3.3.获取到数据之后就是解析了，这里通过聚类技术来识别一个异常的票价，也是一个学习点。

　　3.4.然后就是意义所在之处了，通过使用IFTTT来发送实时提醒，这个就可以为人民服务了吧。

　　3.5.学习了这些分散的知识点，通过这个项目简单整合一下吧。

　　3.6.最后来一个总结吧。这个总结性价比极高的哟。

4.来点厉害的，使用逻辑回归来预测IPO市场，IPO市场就类似炒股了。

　　4.1.首先介绍一下什么是IPO，这个不用说了，就是一些有商业头脑的人通过公众来投资公司攒大钱。

　　4.2.讲解特征工程，这个厉害了。

　　4.3.然后讲解二元分类，貌似很高大上呢。

　　4.4.分析一下特征的重要性，同样也是预测IPO市场的重要部分吧。

　　4.5.最后来个小结。

5.创建自定义的新闻源，这个我喜欢。

　　5.1.使用Pocket应用程序，来创建一个监督训练的集合。原来训练就是这个意思，之前公司老是听到那些牛人说什么训练训练的。

　　5.2.第二步就是获取到数据源了，这里使用embed.ly的API来下载故事的内容。

　　5.3.然后就是讲解自然语言的一些处理基础了，这个是个难点。

　　5.4.然后就是讲解如何使用向量机，这个同样非常关键，对于训练是非常有必要的。

　　5.5.然后就是讲解IFTTT与文章源，Google表达和电子邮件的集成，这里涉及的概念有点多。

　　5.6.然后就是根据自己爱好，设置每日个性化的简报，就是得出结果了吧。

　　5.7.最后来一个小结吧。

6.来点有意思的东西，预测你的内容是否会广为流传。这个意思就是你火了。

　　6.1.讲解了一个病毒的案例，说明它是怎么火的。

　　6.2.统计火的程度，即获取分享的数量和内容。

　　6.3.探索是怎么火起来的，即探索传播性的特征。

　　6.4.然后就是构建一个自己的内容的预测模型，看看会不会火。

　　6.5.最后来一个小结吧。

7.之前使用逻辑回归方法预测IPO市场，这里用机器学习来预测股票市场。

　　7.1.首先要针对分析的类型研究一下，股票市场会有很多不同的类型嘛。

　　7.2.然后就是我们能够从股票市场上学到一些东西，当然这是多方面的。

　　7.3.这里动真刀了，教你如何开发一个交易策略。

　　　　分为几个点吧，首先是延迟分析的周期，不然你分析完后时间已经过了，则得不偿失。

　　　　　　　　　　　 然后是使用支持向量回归，来构建一个模型。

　　　　　　　　　　　 最后来建模吧，再教你一个动态时间扭曲，这个名字nice啊。

　　7.4.最后来一个小结咯。

　　

8.再来一个案例吧，建立一个图片相似度的引擎。

　　顾名思义，就是找到类似的图片。

　　8.1.首先当然要了解一下图像的机器学习了。

　　8.2.然后需要了解一下处理图像的知识。

　　8.3.基础了解之后，来学一下如何查找相似的图像吧，这个当然是核心内容了。

　　8.4.接下来就是了解深度学习了，这个应该就是深入学习图像之间的关系了。涉及到底层的操作。

　　8.5.然后当然就是展示成果的引擎了，构建一个图像相似度的一个系统。

　　8.6.最后来一个小结吧。

9.来一个聊天机器人吧。这个其实都耳熟能详了吧。

　　9.1.首先了解一下图灵测试吧。这个最基础的东西了。

　　9.2.然后就是了解一下聊天机器人历史和意义。

　　9.3.开始进行设计了，要怎么实现，用什么方法，现在开始想啦。

　　9.4.开始撸代码了，打造一个聊天机器人。

　　9.5.最后来一个小结吧。

10.最后同样来一个有实际意义的功能，推荐引擎。

　　现在大多新闻APP都基本实现按需分配了。

　　10.1.首先是了解一下什么是协同过滤，这里分了两种，一种基于用户，一种基于项目的过滤。

　　10.2.然后是了解一下什么是内容过滤，这个就是过滤的内在细节了。

　　10.3.讲解一下什么是混合系统，将一种复杂的东西按照用户的需求来进行筛选的一个系统。

　　10.4.开始撸代码了，打造一个推荐系统。

　　10.5.最后来一个小结。

11.最最后，来一个个人总结。

　　现在本人对Python和机器学习一窍不通。纯小白。

　　看完这本书后，不知道又是怎样的一个我。开始漫长的机器学习之路吧。我爱robot。

　　所以就第一章讲了一点基础，剩下的9章都是项目了，这样安排比较合理，我也很喜欢。

　　项目才是推动知识的发展的根本。