资源搜

资源名称：Python机器学习 完整pdf 第1章 赋予计算机学习数据的能力11.1构建智能机器将数据转化为知识11.2 机器学习的三种不同方法11.2.1 通过监督学习对未来事件进行预测21.2.2 通过强化学习解决交互式问题41.2.3 通过无监督学习发现数据本身潜在的结构41.2.4 基本术语及符号介绍51.3 构建机器学习系统的蓝图61.3.1 数据预处理61.3.2 选择预测模型类型并进行训练71.3.3 模型验证与使用未知数据进行预测81.4 Python在机器学习中的应用8本章小结9第2章 机器学习分类算法102.1 人造神经元—早期机器学习概览102.2 使用Python实现感知器学习算法132.3 自适应线性神经元及其学习的收敛性192.3.1 通过梯度下降最小化代价函数202.3.2 使用Python实现自适应线性神经元212.3.3 大规模机器学习与随机梯度下降25本章小结29第3章 使用scikit-learn实现机器学习分类算法303.1 分类算法的选择303.2 初涉scikit-learn的使用30使用scikit-learn训练感知器313.3 逻辑斯谛回归中的类别概率343.3.1 初识逻辑斯谛回归与条件概率343.3.2 通过逻辑斯谛回归模型的代价函数获得权重363.3.3 使用scikit-learn训练逻辑斯谛回归模型373.3.4 通过正则化解决过拟合问题393.4 使用支持向量机最大化分类间隔413.4.1 对分类间隔最大化的直观认识413.4.2 使用松弛变量解决非线性可分问题423.4.3 使用scikit-learn实现SVM443.5 使用核SVM解决非线性问题443.6 决策树483.6.1 最大化信息增益—获知尽可能准确的结果493.6.2 构建决策树523.6.3 通过随机森林将弱分类器集成为强分类器533.7 惰性学习算法—k-近邻算法54本章小结57第4章 数据预处理—构建好的训练数据集584.1 缺失数据的处理584.1.1 将存在缺失值的特征或样本删除594.1.2 缺失数据填充604.1.3 理解scikit-learn预估器的API604.2 处理类别数据614.2.1 有序特征的映射614.2.2 类标的编码624.2.3 标称特征上的独热编码634.3 将数据集划分为训练数据集和测试数据集644.4 将特征的值缩放到相同的区间654.5 选择有意义的特征664.5.1 使用L1正则化满足数据稀疏化674.5.2 序列特征选择算法704.6 通过随机森林判定特征的重要性74本章小结76第5章 通过降维压缩数据77 资源截图：

资源名称：Web接口开发与自动化测试 基于Python语言 虫师 中文pdf 第1章 Python学习必知第2章 Django入门第3章 Django视图第4章 Django模型第5章 Django模板第6章 Django测试第7章 接口相关概念第8章 开发Web接口第9章 接口测试工具介绍第10章 接口自动化测试框架第11章 接口的安全机制第12章 Web Services第13章 REST第14章 Django项目部署第15章 接口性能测试 资源截图：

资源名称：python学习总结分享 PDF 资源截图：

资源名称：千行代码入门Python 高清pdf 以代码的形式整理的Python入门文档，不算空行、注释等，应该不到一千行。认认真真读完、练习完这些代码，应该就能上手工作了。 可能在网页上显示的效果不理想，可以手动复制下来粘贴到文本文件中，利用notepad++等文本编辑器查看。 资源截图：

资源名称：python3.7.0官方参考文档 最新api文档 chm 1、新语法特性： PEP 563, 推迟评估类型注释 2、向后不兼容语法更改： async 和 await 现在保留关键字 3、新的库模块： contextvars: PEP 567 – Context Variables dataclasses: PEP 557 – Data Classes importlib.resources 4、新的内置功能： PEP 553, 新的 breakpoint() 函数 5、数据模型改进： PEP 562, customization of access to module attributes. PEP 560, core support for typing module and generic types. the insertion-order preservation nature of dict objects has been declared to be an - official part of the Python language spec. 6、标准库重要改进： asyncio模块性能和可用性改进 time 模块支持 nanosecond resolution 7、CPython 实现改进： 避免使用 ASCII 作为默认文本编码： PEP 538, legacy C locale coercion PEP 540, forced UTF-8 runtime mode PEP 552, deterministic .pycs 新的 development runtime mode PEP 565, 改进 DeprecationWarning 处理 8、C API 改进： PEP 539, 用于 thread-local 存储的新的 C API 9、文档改进： PEP 545,Python 文档翻译 资源截图：

资源名称：Python 入门教程3.3.2 2013版 中文PDF 资源截图：

资源名称：Python机器学习基础教程(完整电子版) 中文PDF 资源截图：

资源名称：NLTK基础教程 用NLTK和Python库构建机器学习应用 完整pdf 第1章自然语言处理简介11.1为什么要学习NLP21.2先从Python开始吧51.2.1列表51.2.2自助功能61.2.3正则表达式81.2.4字典91.2.5编写函数101.3向NLTK迈进111.4练习161.5小结17第2章文本的歧义及其清理182.1何谓文本歧义182.2文本清理202.3语句分离器212.4标识化处理222.5词干提取232.6词形还原242.7停用词移除252.8罕见词移除262.9拼写纠错262.10练习272.11小结28第3章词性标注293.1何谓词性标注293.1.1Stanford标注器323.1.2深入了解标注器333.1.3顺序性标注器353.1.4Brill标注器373.1.5基于机器学习的标注器373.2命名实体识别（NER）383.3练习403.4小结41第4章文本结构解析434.1浅解析与深解析434.2两种解析方法444.3为什么需要进行解析444.4不同的解析器类型464.4.1递归下降解析器464.4.2移位—归约解析器464.4.3图表解析器464.4.4正则表达式解析器474.5依存性文本解析484.6语块分解504.7信息提取534.7.1命名实体识别（NER）534.7.2关系提取544.8小结55第5章NLP应用565.1构建第一个NLP应用575.2其他NLP应用605.2.1机器翻译605.2.2统计型机器翻译615.2.3信息检索625.2.4语音识别645.2.5文本分类655.2.6信息提取665.2.7问答系统675.2.8对话系统675.2.9词义消歧675.2.10主题建模685.2.11语言检测685.2.12光符识别685.3小结68第6章文本分类706.1机器学习716.2文本分类726.3取样操作746.3.1朴素贝叶斯法766.3.2决策树796.3.3随机梯度下降法806.3.4逻辑回归816.3.5支持向量机816.4随机森林算法836.5文本聚类836.6文本中的主题建模846.7参考资料876.8小结87第7章Web爬虫887.1Web爬虫887.2编写第一个爬虫程序897.3Scrapy库中的数据流927.3.1Scrapy库的shell937.3.2目标项987.4生成网站地图的蜘蛛程序997.5目标项管道1007.6参考资料1027.7小结102第8章NLTK与其他Python库的搭配运用104 资源截图：

资源名称：漫谈Python语言 中文PDF 资源截图：

资源名称：Python高性能编程 中文pdf 第1章　理解高性能Python　1第2章　通过性能分析找到瓶颈　15第3章　列表和元组　58第4章　字典和集合　69第5章　迭代器和生成器　84第6章　矩阵和矢量计算　94第7章　编译成C　126第8章　并发　171第9章　multiprocessing模块　193第10章　集群和工作队列　251第11章　使用更少的RAM　273第12章　现场教训　311 资源截图：