機(jī)器學(xué)習(xí)實(shí)戰(zhàn)全書通過(guò)精心編排的實(shí)例，切入日常工作任務(wù)，摒棄學(xué)術(shù)化語(yǔ)言，利用高效的可復(fù)用Python代碼來(lái)闡釋如何處理統(tǒng)計(jì)數(shù)據(jù)，進(jìn)行數(shù)據(jù)分析及可視化。機(jī)器學(xué)習(xí)實(shí)戰(zhàn) pdf 2013年6月由人民郵電出版社出版發(fā)行，是一本經(jīng)典的關(guān)于機(jī)器學(xué)習(xí)的書籍。學(xué)習(xí)是人工智能研究領(lǐng)域中一個(gè)極其重要的研究方向，在現(xiàn)今的大數(shù)據(jù)時(shí)代背景下，捕獲數(shù)據(jù)并從中萃取有價(jià)值的信息或模式，成為各行業(yè)求生存、謀發(fā)展的決定性手段，這使得這一過(guò)去為分析師和數(shù)學(xué)家所專屬的研究領(lǐng)域越來(lái)越為人們所矚目。

機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

作者簡(jiǎn)介：

Peter.Harrington，擁有電氣工程學(xué)士和碩士學(xué)位，他曾經(jīng)在美國(guó)加州和中國(guó)的英特爾公司工作7年。Peter擁有5項(xiàng)美國(guó)專利，在三種學(xué)術(shù)期刊上發(fā)表過(guò)文章。他現(xiàn)在是Zillabyte公司的首席科學(xué)家，在加入該公司之前，他曾擔(dān)任2年的機(jī)器學(xué)習(xí)軟件顧問。Peter在業(yè)余時(shí)間還參加編程競(jìng)賽和建造3D打印機(jī)。

精彩書評(píng)：

“易學(xué)易懂，用處很大。”

——Alexandre Alves，Oracle CEP的架構(gòu)師

“精心織構(gòu)的代碼完美地詮釋出機(jī)器學(xué)習(xí)的核心要義。”

——Patrick Toohey，Mettler-Toledo Hi-Speed軟件工程師

“實(shí)例很棒！可用于任何領(lǐng)域！”

——John Griffin，Hibernate Search in Action一書的合作者

“敘述循序漸進(jìn)，巧妙地闡述了算法之間的差異。”

——Stephen McKamey，Isomer Innovations技術(shù)實(shí)踐總監(jiān)

機(jī)器學(xué)習(xí)實(shí)戰(zhàn)目錄：

第一部分　分類

第1章　機(jī)器學(xué)習(xí)基礎(chǔ)

1.1 　何謂機(jī)器學(xué)習(xí)

1.1.1 　傳感器和海量數(shù)據(jù)

1.1.2 　機(jī)器學(xué)習(xí)非常重要

1.2 　關(guān)鍵術(shù)語(yǔ)

1.3 　機(jī)器學(xué)習(xí)的主要任務(wù)

1.4 　如何選擇合適的算法

1.5 　開發(fā)機(jī)器學(xué)習(xí)應(yīng)用程序的步驟

1.6 　Python語(yǔ)言的優(yōu)勢(shì)

1.6.1 　可執(zhí)行偽代碼

1.6.2 　Python比較流行

1.6.3 　Python語(yǔ)言的特色

1.6.4 　Python語(yǔ)言的缺點(diǎn)

1.7 　NumPy函數(shù)庫(kù)基礎(chǔ)

1.8 　本章小結(jié)

2.1 　k-近鄰算法概述

2.1.1 　準(zhǔn)備：使用Python導(dǎo)入數(shù)據(jù)

2.1.2 　從文本文件中解析數(shù)據(jù)

2.1.3 　如何測(cè)試分類器

2.2 　示例：使用k-近鄰算法改進(jìn)約會(huì)網(wǎng)站的配對(duì)效果

2.2.1 　準(zhǔn)備數(shù)據(jù)：從文本文件中解析數(shù)據(jù)

2.2.2 　分析數(shù)據(jù)：使用Matplotlib創(chuàng)建散點(diǎn)圖

2.2.3 　準(zhǔn)備數(shù)據(jù)：歸一化數(shù)值

2.2.4 　測(cè)試算法：作為完整程序驗(yàn)證分類器

2.2.5 　使用算法：構(gòu)建完整可用系統(tǒng)

2.3 　示例：手寫識(shí)別系統(tǒng)

2.3.1 　準(zhǔn)備數(shù)據(jù)：將圖像轉(zhuǎn)換為測(cè)試向量

2.3.2 　測(cè)試算法：使用k-近鄰算法識(shí)別手寫數(shù)字

2.4 　本章小結(jié)

第3章　決策樹

3.1 　決策樹的構(gòu)造

3.1.1 　信息增益

3.1.2 　劃分?jǐn)?shù)據(jù)集

3.1.3 　遞歸構(gòu)建決策樹

3.2 　在Python中使用Matplotlib注解繪制樹形圖

3.2.1 　Matplotlib注解

3.2.2 　構(gòu)造注解樹

3.3 　測(cè)試和存儲(chǔ)分類器

3.3.1 　測(cè)試算法：使用決策樹執(zhí)行分類

3.3.2 　使用算法：決策樹的存儲(chǔ)

3.4 　示例：使用決策樹預(yù)測(cè)隱形眼鏡類型

3.5 　本章小結(jié)

第4章　基于概率論的分類方法：樸素貝葉斯

4.1 　基于貝葉斯決策理論的分類方法

4.2 　條件概率

4.3 　使用條件概率來(lái)分類

4.4 　使用樸素貝葉斯進(jìn)行文檔分類

4.5 　使用Python進(jìn)行文本分類

4.5.1 　準(zhǔn)備數(shù)據(jù)：從文本中構(gòu)建詞向量

4.5.2 　訓(xùn)練算法：從詞向量計(jì)算概率

4.5.3 　測(cè)試算法：根據(jù)現(xiàn)實(shí)情況修改分類器

4.5.4 　準(zhǔn)備數(shù)據(jù)：文檔詞袋模型

4.6 　示例：使用樸素貝葉斯過(guò)濾垃圾郵件

4.6.1 　準(zhǔn)備數(shù)據(jù)：切分文本

4.6.2 　測(cè)試算法：使用樸素貝葉斯進(jìn)行交叉驗(yàn)證

4.7 　示例：使用樸素貝葉斯分類器從個(gè)人廣告中獲取區(qū)域傾向

4.7.1 　收集數(shù)據(jù)：導(dǎo)入RSS源

4.7.2 　分析數(shù)據(jù)：顯示地域相關(guān)的用詞

4.8 　本章小結(jié)

第5章　Logistic回歸

5.1 　基于Logistic回歸和Sigmoid函數(shù)的分類

5.2 　基于最優(yōu)化方法的最佳回歸系數(shù)確定

5.2.1 　梯度上升法

5.2.2 　訓(xùn)練算法：使用梯度上升找到最佳參數(shù)

5.2.3 　分析數(shù)據(jù)：畫出決策邊界

5.2.4 　訓(xùn)練算法：隨機(jī)梯度上升

5.3 　示例：從疝氣病癥預(yù)測(cè)病馬的死亡率

5.3.1 　準(zhǔn)備數(shù)據(jù)：處理數(shù)據(jù)中的缺失值

5.3.2 　測(cè)試算法：用Logistic回歸進(jìn)行分類

5.4 　本章小結(jié)

第6章　支持向量機(jī)

6.1 　基于最大間隔分隔數(shù)據(jù)

6.2 　尋找最大間隔

6.2.1 　分類器求解的優(yōu)化問題

6.2.2 　SVM應(yīng)用的一般框架

6.3 　SMO高效優(yōu)化算法

6.3.1 　Platt的SMO算法

6.3.2 　應(yīng)用簡(jiǎn)化版SMO算法處理小規(guī)模數(shù)據(jù)集

6.4 　利用完整Platt SMO算法加速優(yōu)化

6.5 　在復(fù)雜數(shù)據(jù)上應(yīng)用核函數(shù)

6.5.1 　利用核函數(shù)將數(shù)據(jù)映射到高維空間

6.5.2 　徑向基核函數(shù)　

6.5.3 　在測(cè)試中使用核函數(shù)

6.6 　示例：手寫識(shí)別問題回顧

6.7 　本章小結(jié)

第7章　利用AdaBoost元算法提高分類 性能

7.1 　基于數(shù)據(jù)集多重抽樣的分類器

7.1.1 　bagging：基于數(shù)據(jù)隨機(jī)重抽樣的分類器構(gòu)建方法

7.1.2 　boosting

7.2 　訓(xùn)練算法：基于錯(cuò)誤提升分類器的性能

7.3 　基于單層決策樹構(gòu)建弱分類器

7.4 　完整AdaBoost算法的實(shí)現(xiàn)

7.5 　測(cè)試算法：基于AdaBoost的分類

7.6 　示例：在一個(gè)難數(shù)據(jù)集上應(yīng)用AdaBoost

7.7 　非均衡分類問題

7.7.1 　其他分類性能度量指標(biāo)：正確率、召回率及ROC曲線

7.7.2 　基于代價(jià)函數(shù)的分類器決策控制

7.7.3 　處理非均衡問題的數(shù)據(jù)抽樣方法

7.8 　本章小結(jié)

第二部分　利用回歸預(yù)測(cè)數(shù)值型數(shù)據(jù)

第8章　預(yù)測(cè)數(shù)值型數(shù)據(jù)：回歸

8.1 　用線性回歸找到最佳擬合直線

8.2 　局部加權(quán)線性回歸

8.3 　示例：預(yù)測(cè)鮑魚的年齡

8.4 　縮減系數(shù)來(lái)“理解”數(shù)據(jù)

8.4.1 　嶺回歸

8.4.2 　lasso

8.4.3 　前向逐步回歸

8.5 　權(quán)衡偏差與方差

8.6 　示例：預(yù)測(cè)樂高玩具套裝的價(jià)格

8.6.2 　訓(xùn)練算法：建立模型

8.7 　本章小結(jié)

第9章　樹回歸

9.1 　復(fù)雜數(shù)據(jù)的局部性建模

9.2 　連續(xù)和離散型特征的樹的構(gòu)建

9.3 　將CART算法用于回歸

9.3.1 　構(gòu)建樹

9.3.2 　運(yùn)行代碼

9.4 　樹剪枝

9.4.1 　預(yù)剪枝

9.4.2 　后剪枝

9.5 　模型樹

9.6 　示例：樹回歸與標(biāo)準(zhǔn)回歸的比較

9.7 　使用Python的Tkinter庫(kù)創(chuàng)建GUI

9.7.1 　用Tkinter創(chuàng)建GUI

9.7.2 　集成Matplotlib和Tkinter

9.8 　本章小結(jié)

第三部分　無(wú)監(jiān)督學(xué)習(xí)

第10章　利用K-均值聚類算法對(duì)未標(biāo)注數(shù)據(jù)分組

10.1 　K-均值聚類算法

10.2 　使用后處理來(lái)提高聚類性能

10.3 　二分K-均值算法

10.4 　示例：對(duì)地圖上的點(diǎn)進(jìn)行聚類

10.4.1 　Yahoo！ PlaceFinder API

10.5 　本章小結(jié)

第11章　使用Apriori算法進(jìn)行關(guān)聯(lián)分析

11.1 　關(guān)聯(lián)分析

11.2 　Apriori原理

11.3 　使用Apriori算法來(lái)發(fā)現(xiàn)頻繁集

11.3.1 　生成候選項(xiàng)集

11.3.2 　組織完整的Apriori算法

11.4 　從頻繁項(xiàng)集中挖掘關(guān)聯(lián)規(guī)則

11.5 　示例：發(fā)現(xiàn)國(guó)會(huì)投票中的模式

11.5.2 　測(cè)試算法：基于美國(guó)國(guó)會(huì)投票記錄挖掘關(guān)聯(lián)規(guī)則

11.6 　示例：發(fā)現(xiàn)毒蘑菇的相似特征

11.7 　本章小結(jié)

第12章　使用FP-growth算法來(lái)高效發(fā)現(xiàn)頻繁項(xiàng)集

......

第四部分　其他工具

第13章　利用PCA來(lái)簡(jiǎn)化數(shù)據(jù)

......

第14章　利用SVD簡(jiǎn)化數(shù)據(jù)

......

第15章　大數(shù)據(jù)與MapReduce

......

附錄A 　Python入門

附錄B 　線性代數(shù)

附錄C 　概率論復(fù)習(xí)

附錄D 　資源

索引

版權(quán)聲明