趋近智
应用数据科学：方法与实践
章节 1: 高级数据获取与准备
连接数据库和数据仓库
使用Web API获取数据
网页抓取结构化数据的技巧
高级数据清洗方法
处理缺失值的策略
数据转换与标准化方法
合并与连接不同数据集
动手实践：数据获取与规整
章节 2: 实用特征工程
从数值数据生成特征
高效编码类别变量
从文本数据生成特征
交互项与多项式特征
PCA降维
使用统计方法选择特征
实践：特征创建与选择
章节 3: 构建与调整预测模型
常用监督学习算法回顾
实施线性回归与逻辑回归
应用基于树的模型
梯度提升机介绍
使用网格搜索和随机搜索进行超参数调优
模型准确度评估
交叉验证策略
动手实践：模型训练与超参数优化
章节 4: 应用无监督学习
理解聚类方法要点
实现K-Means聚类
应用 DBSCAN 进行基于密度的聚类
异常检测方法简介
用于可视化的降维
动手实践：聚类与异常检测练习
章节 5: 模型部署要点
保存和加载训练好的模型
模型服务框架简介
构建模型预测的REST API
使用 Docker 容器化应用
模型监控基本要点
实践：创建模型API并将其容器化
实现K-Means聚类
这部分内容有帮助吗？
- Least squares quantization in PCM, Stuart P. Lloyd, 1982 IEEE Transactions on Information Theory, Vol. 28 (IEEE) DOI: 10.1109/TIT.1982.1056489 - 介绍了K-Means算法（也称为Lloyd算法）的基础。
- k-means++: The advantages of careful seeding, David Arthur and Sergei Vassilvitskii, 2007 Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms (Society for Industrial and Applied Mathematics (SIAM) and Association for Computing Machinery (ACM)) DOI: 10.1145/1283383.1283494 - 介绍了k-means++初始化方法，提高了K-Means聚类的稳定性和质量。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 一本使用scikit-learn库实现K-Means及其他机器学习算法的实用指南。
- sklearn.cluster.KMeans, scikit-learn developers, 2024 - scikit-learn库中K-Means实现的官方文档，详细说明了参数和属性。