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。