机器学习Web应用

出版者:人民邮电出版社

作者:Andrea，Isoni，爱索尼克 著

页数:0

译者:杜春晓

出版时间:2017-7-1

价格:59.00

装帧:平装

isbn号码:9787115458520

具体描述

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。

作者简介

Andrea Isoni博士是一名数据科学家、物理学家，他在软件开发领域有着丰富的经验，在机器学习算法和技术方面，拥有广博的知识。此外，他还有多种语言的使用经验，如Python、C/C++、Java、JavaScript、C#、SQL、HTML。他还用过Hadoop框架。

译者简介

杜春晓，英语语言文学学士，软件工程硕士。其他译著有《Python数据挖掘入门与实践》《Python数据分析实战》和《电子达人——我的第1本Raspberry Pi入门手册》等。新浪微博：@宜_生。

目录信息

第1章　Python机器学习实践入门 1
1.1　机器学习常用概念 1
1.2　数据的准备、处理和可视化
—NumPy、pandas和matplotlib教程 6
1.2.1　NumPy的用法 6
1.2.2　理解pandas模块 23
1.2.3　matplotlib教程 32
1.3　本书使用的科学计算库 35
1.4　机器学习的应用场景 36
1.5　小结 36
第2章　无监督机器学习 37
2.1　聚类算法 37
2.1.1　分布方法 38
2.1.2　质心点方法 40
2.1.3　密度方法 41
2.1.4　层次方法 44
2.2　降维 52
2.3　奇异值分解（SVD） 57
2.4　小结 58
第3章　有监督机器学习 59
3.1　模型错误评估 59
3.2　广义线性模型 60
3.2.1　广义线性模型的概率
解释 63
3.2.2　k近邻 63
3.3　朴素贝叶斯 64
3.3.1　多项式朴素贝叶斯 65
3.3.2　高斯朴素贝叶斯 66
3.4　决策树 67
3.5　支持向量机 70
3.6　有监督学习方法的对比 75
3.6.1　回归问题 75
3.6.2　分类问题 80
3.7　隐马尔可夫模型 84
3.8　小结 93
第4章　Web挖掘技术 94
4.1　Web结构挖掘 95
4.1.1　Web爬虫 95
4.1.2　索引器 95
4.1.3　排序—PageRank
算法 96
4.2　Web内容挖掘 97
句法解析 97
4.3　自然语言处理 98
4.4　信息的后处理 108
4.4.1　潜在狄利克雷分配 108
4.4.2　观点挖掘（情感
分析） 113
4.5　小结 117
第5章　推荐系统 118
5.1　效用矩阵 118
5.2　相似度度量方法 120
5.3　协同过滤方法 120
5.3.1　基于记忆的协同
过滤 121
5.3.2　基于模型的协同
过滤 126
5.4　CBF方法 130
5.4.1　商品特征平均得分
方法 131
5.4.2　正则化线性回归
方法 132
5.5　用关联规则学习，构建推荐
系统 133
5.6　对数似然比推荐方法 135
5.7　混合推荐系统 137
5.8　推荐系统评估 139
5.8.1　均方根误差（RMSE）
评估 140
5.8.2　分类效果的度量方法 143
5.9　小结 144
第6章　开始Django之旅 145
6.1　HTTP—GET和POST方法的
基础 145
6.1.1　Django的安装和
服务器的搭建 146
6.1.2　配置 147
6.2　编写应用—Django
最重要的功能 150
6.2.1　model 150
6.2.2　HTML网页背后的
URL和view 151
6.2.3　URL声明和view 154
6.3　管理后台 157
6.3.1　shell接口 158
6.3.2　命令 159
6.3.3　RESTful应用编程
接口（API） 160
6.4　小结 162
第7章　电影推荐系统Web应用 163
7.1　让应用跑起来 163
7.2　model 165
7.3　命令 166
7.4　实现用户的注册、登录和
登出功能 172
7.5　信息检索系统（电影查询） 175
7.6　打分系统 178
7.7　推荐系统 180
7.8　管理界面和API 182
7.9　小结 184
第8章　影评情感分析应用 185
8.1　影评情感分析应用用法
简介 185
8.2　搜索引擎的选取和应用的
代码 187
8.3　Scrapy的配置和情感分析
应用代码 189
8.3.1　Scrapy的设置 190
8.3.2　Scraper 190
8.3.3　Pipeline 193
8.3.4　爬虫 194
8.4　Django model 196
8.5　整合Django和Scrapy 197
8.5.1　命令（情感分析模型和
删除查询结果） 198
8.5.2　情感分析模型加载器 198
8.5.3　删除已执行过的查询 201
8.5.4　影评情感分析器—
Django view和HTML
代码 202
8.6　PageRank：Django view和
算法实现 206
8.7　管理后台和API 210
8.8　小结 212
· · · · · · (收起)

用户评价

这本书在理论深度上的“广度”令人称奇，但这种广度却以牺牲对核心概念的“精度”为代价。作者似乎想在一个有限的篇幅内塞入所有热门的技术名词：从朴素贝叶斯到Transformer架构，再到强化学习的蒙特卡洛方法，无所不包。然而，这种“大杂烩”式的处理方式导致任何一个重要领域都只是蜻蜓点水。例如，当涉及到时间序列分析时，书中只用了一章的篇幅简单介绍了ARIMA模型，却完全没有提及现代常用的状态空间模型或更复杂的序列生成网络。对于那些真正希望精通某一特定领域的读者来说，这本书的作用更像是一个“技术术语速查表”，而不是一本可以作为长期参考的教科书。我原本期待能读到关于模型鲁棒性、偏差方差权衡的深入探讨，或者至少是对特定领域数据预处理的精细化技巧，但这些在书中几乎找不到踪影。它给人一种强烈的印象：作者更热衷于展示自己知道“什么”存在，而不是深入解释“如何”做到最好。

阅读体验上，我必须得说，这本书的排版和插图设计简直是一场灾难。那些本应作为关键辅助的流程图和架构示意图，其清晰度之低，简直让人怀疑是不是用上世纪的传真机扫描的。很多图例中的变量符号互相挤压、文字模糊不清，我不得不频繁地在屏幕和书页之间切换，试图将那些扭曲的图形还原成可理解的逻辑结构。更令人抓狂的是，代码示例部分简直是槽点满满。很多Python片段虽然声称是可直接运行的，但在我实际测试中，充斥着大量的版本兼容性问题和未导入的依赖库。作者似乎完全没有考虑过不同操作系统的环境差异，也没有提供一个统一的虚拟环境配置指南。我光是为了一段看起来很酷炫的特征工程代码能跑起来，就花了比理解其背后算法原理多出三倍的时间去排查环境依赖和路径错误。对于那些想通过实践来学习的动手型读者来说，这种不严谨的代码呈现方式，极大地挫伤了学习的热情，让人感觉作者只是把一些零散的笔记拼凑起来，缺乏一个经过充分测试和验证的整体项目支撑。

这本书的语言风格极其晦涩，充满了学院派的傲慢感。作者的行文逻辑更像是学术论文的摘要，而不是一本面向实践者的教学读物。他很少使用比喻或类比来帮助读者理解抽象的概念，而是倾向于直接堆砌数学符号和定义。当我读到关于概率图模型的部分时，我感觉自己不是在学习如何构建一个实用的推理系统，而是在参加一场晦涩的哲学辩论。更糟糕的是，书中许多关键的推导过程被一笔带过，留下了大量的“显然”、“易知”之类的断言，这对于需要清晰逻辑链条来建立知识框架的读者来说，无疑是一种巨大的阻碍。我不得不频繁地中断阅读，去其他资源上查找这些“显然”步骤的完整证明。如果说编程指南的目的是降低技术的门槛，那么这本书的操作恰恰相反，它筑起了一道高高的知识壁垒，似乎在筛选那些“有资格”理解这些技术的少数人，而不是努力引导大多数人入门。

最让我感到困惑的是本书对于“应用”层面描述的缺失。书名听起来是关于构建“Web应用”的，这暗示了从模型训练到最终部署、API接口构建的全过程。然而，书的大部分内容都聚焦在模型训练的数学原理和算法细节上，一旦模型训练完成，后续的部署和集成部分就显得草草收场。作者仿佛认为，只要模型精度足够高，剩下的工程实现就是读者个人的“小练习”。我没有看到任何关于如何使用Flask或Django来封装预测服务、如何处理异步请求、或者如何进行模型版本控制和A/B测试的实际指导。这种前后脱节的结构，让这本书的实用价值大打折扣。它更像是一本扎实的“算法理论参考书”，而非一本能指导我完成一个端到端、可投入生产环境的机器学习产品的实战手册，对于想要把实验室里的模型搬到互联网上运行的工程师来说，这本书提供的帮助非常有限。

这本号称“深入浅出”的编程指南，其实读起来更像是在攀登一座数据科学的陡峭山峰，而且领队还时不时地跟你开一些只有他自己懂的玩笑。我花了整整一个周末，试图跟上作者那跳跃性的思维，结果发现自己仿佛迷失在了一个充斥着高深术语的迷宫里。他似乎坚信读者都是早已掌握了高等数学和扎实线性代数基础的“天选之人”。每当讲到一个新的模型构建步骤，他总是习惯性地略过那些关键的“为什么”和“如何从零开始实现”，直接抛出一个他认为“显而易见”的结论。举个例子，在讲解如何优化一个深度神经网络的损失函数时，他直接给出了一个复杂的梯度下降变体公式，却没有详细解释这个变体相较于标准方法的具体优势和适用场景，更别提如何在真实世界的非规范数据集上进行调试了。整本书的叙事节奏非常紧凑，几乎没有喘息的空间，每翻一页都感觉像是在参加一场知识的马拉松，对初学者来说，这无疑是一种近乎折磨的体验。我更期待的是那种能把我牵着手，一步步带入理论核心，并辅以大量真实案例拆解的书籍，而不是这种只负责指明方向却不提供详细地图的指南。

啥都讲，啥都讲不明白，感觉有点贴代码的意思，一大页一大页的代码

个人一直想做一个有基于机器学习推荐功能的网站，正好拿到这本书，书中使用的时python2.7+django+推荐，直接跑代码，django版本有点低，没办法直接运行，等我跑起来系统再来详细说明

强烈推荐，综合机器学习、爬虫和Django网站搭建，入门好书，但是算法部分过于简单，好在代码详实

不错的机器学习相关的书籍,从理论到实践，一步一步完成数据分析系统，欢迎加入机器学习web应用，qqun 457752556 交流

啥都讲，啥都讲不明白，感觉有点贴代码的意思，一大页一大页的代码