機器學(xué)習實(shí)戰 簡(jiǎn)介，目錄書(shū)摘

編輯推薦:　　

　　介紹并實(shí)現機器學(xué)習的主流算法
　　面向日常任務(wù)的高效實(shí)戰內容
　　《機器學(xué)習實(shí)戰》沒(méi)有從理論角度來(lái)揭示機器學(xué)習算法背后的數學(xué)原理，而是通過(guò)“原理簡(jiǎn)述+問(wèn)題實(shí)例+實(shí)際代碼+運行效果”來(lái)介紹每一個(gè)算法。學(xué)習計算機的人都知道，計算機是一門(mén)實(shí)踐學(xué)科，沒(méi)有真正實(shí)現運行，很難真正理解算法的精髓。這本書(shū)的好處就是邊學(xué)邊用，非常適合于急需邁進(jìn)機器學(xué)習領(lǐng)域的人員學(xué)習。實(shí)際上，即使對于那些對機器學(xué)習有所了解的人來(lái)說(shuō)，通過(guò)代碼實(shí)現也能進(jìn)一步加深對機器學(xué)習算法的理解。
　　《機器學(xué)習實(shí)戰》的代碼采用Python語(yǔ)言編寫(xiě)。Python代碼簡(jiǎn)單優(yōu)雅、易于上手，科學(xué)計算軟件包眾多，已經(jīng)成為不少大學(xué)和研究機構進(jìn)行計算機教學(xué)和科學(xué)計算的語(yǔ)言。相信Python編寫(xiě)的機器學(xué)習代碼也能讓讀者盡快領(lǐng)略到這門(mén)學(xué)科的精妙之處。

內容簡(jiǎn)介:　　機器學(xué)習是人工智能研究領(lǐng)域中一個(gè)極其重要的研究方向，在現今的大數據時(shí)代背景下，捕獲數據并從中萃取有價(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)去為分析師和數學(xué)家所專(zhuān)屬的研究領(lǐng)域越來(lái)越為人們所矚目。
　　《機器學(xué)習實(shí)戰》主要介紹機器學(xué)習基礎，以及如何利用算法進(jìn)行分類(lèi)，并逐步介紹了多種經(jīng)典的監督學(xué)習算法，如k近鄰算法、樸素貝葉斯算法、Logistic回歸算法、支持向量機、AdaBoost集成方法、基于樹(shù)的回歸算法和分類(lèi)回歸樹(shù)（CART）算法等。第三部分則重點(diǎn)介紹無(wú)監督學(xué)習及其一些主要算法：k均值聚類(lèi)算法、Apriori算法、FP-Growth算法。第四部分介紹了機器學(xué)習算法的一些附屬工具。
　　《機器學(xué)習實(shí)戰》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，利用高效的可復用Python代碼來(lái)闡釋如何處理統計數據，進(jìn)行數據分析及可視化。通過(guò)各種實(shí)例，讀者可從中學(xué)會(huì )機器學(xué)習的核心算法，并能將其運用于一些策略性任務(wù)中，如分類(lèi)、預測、推薦。另外，還可用它們來(lái)實(shí)現一些更高級的功能，如匯總和簡(jiǎn)化等。

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)在美國加州和中國的英特爾公司工作7年。Peter擁有5項美國專(zhuān)利，在三種學(xué)術(shù)期刊上發(fā)表過(guò)文章。他現在是Zillabyte公司的首席科學(xué)家，在加入該公司之前，他曾擔任2年的機器學(xué)習軟件顧問(wèn)。Peter在業(yè)余時(shí)間還參加編程競賽和建造3D打印機。

目錄:第一部分　分類(lèi)
第1章　機器學(xué)習基礎　　
1.1 　何謂機器學(xué)習　　
1.1.1 　傳感器和海量數據　　
1.1.2 　機器學(xué)習非常重要　　
1.2 　關(guān)鍵術(shù)語(yǔ)　　
1.3 　機器學(xué)習的主要任務(wù)　　
1.4 　如何選擇合適的算法　　
1.5 　開(kāi)發(fā)機器學(xué)習應用程序的步驟　　
1.6 　Python語(yǔ)言的優(yōu)勢　　
1.6.1 　可執行偽代碼　　
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函數庫基礎　　
1.8 　本章小結　　
第2章　k-近鄰算法 　　
2.1 　k-近鄰算法概述　　
2.1.1 　準備：使用Python導入數據　　
2.1.2 　從文本文件中解析數據　　
2.1.3 　如何測試分類(lèi)器　　
2.2 　示例：使用k-近鄰算法改進(jìn)約會(huì )網(wǎng)站的配對效果　　
2.2.1 　準備數據：從文本文件中解析數據　　
2.2.2 　分析數據：使用Matplotlib創(chuàng )建散點(diǎn)圖　　
2.2.3 　準備數據：歸一化數值　　
2.2.4 　測試算法：作為完整程序驗證分類(lèi)器　　
2.2.5 　使用算法：構建完整可用系統　　
2.3 　示例：手寫(xiě)識別系統　　
2.3.1 　準備數據：將圖像轉換為測試向量　　
2.3.2 　測試算法：使用k-近鄰算法識別手寫(xiě)數字　　
2.4 　本章小結　　
第3章　決策樹(shù) 　　
3.1 　決策樹(shù)的構造　　
3.1.1 　信息增益　　
3.1.2 　劃分數據集　　
3.1.3 　遞歸構建決策樹(shù)　　
3.2 　在Python中使用Matplotlib注解繪制樹(shù)形圖　　
3.2.1 　Matplotlib注解　　
3.2.2 　構造注解樹(shù)　　
3.3 　測試和存儲分類(lèi)器　　
3.3.1 　測試算法：使用決策樹(shù)執行分類(lèi)　　
3.3.2 　使用算法：決策樹(shù)的存儲　　
3.4 　示例：使用決策樹(shù)預測隱形眼鏡類(lèi)型　　
3.5 　本章小結　　
第4章　基于概率論的分類(lèi)方法：樸素貝葉斯 　　
4.1 　基于貝葉斯決策理論的分類(lèi)方法　　
4.2 　條件概率　　
4.3 　使用條件概率來(lái)分類(lèi)　　
4.4 　使用樸素貝葉斯進(jìn)行文檔分類(lèi)　　
4.5 　使用Python進(jìn)行文本分類(lèi)　　
4.5.1 　準備數據：從文本中構建詞向量　　
4.5.2 　訓練算法：從詞向量計算概率　　
4.5.3 　測試算法：根據現實(shí)情況修改分類(lèi)器　　
4.5.4 　準備數據：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 　準備數據：切分文本　　
4.6.2 　測試算法：使用樸素貝葉斯進(jìn)行交叉驗證　　
4.7 　示例：使用樸素貝葉斯分類(lèi)器從個(gè)人廣告中獲取區域傾向　　
4.7.1 　收集數據：導入RSS源　　
4.7.2 　分析數據：顯示地域相關(guān)的用詞　　
4.8 　本章小結　　
第5章　Logistic回歸 　　
5.1 　基于Logistic回歸和Sigmoid函數的分類(lèi)　　
5.2 　基于最優(yōu)化方法的最佳回歸系數確定　　
5.2.1 　梯度上升法　　
5.2.2 　訓練算法：使用梯度上升找到最佳參數　　
5.2.3 　分析數據：畫(huà)出決策邊界　　
5.2.4 　訓練算法：隨機梯度上升　　
5.3 　示例：從疝氣病癥預測病馬的死亡率　　
5.3.1 　準備數據：處理數據中的缺失值　　
5.3.2 　測試算法：用Logistic回歸進(jìn)行分類(lèi)　　
5.4 　本章小結　　
第6章　支持向量機　　
6.1 　基于最大間隔分隔數據　　
6.2 　尋找最大間隔　　
6.2.1 　分類(lèi)器求解的優(yōu)化問(wèn)題　　
6.2.2 　SVM應用的一般框架　　
6.3 　SMO高效優(yōu)化算法　　
6.3.1 　Platt的SMO算法　　
6.3.2 　應用簡(jiǎn)化版SMO算法處理小規模數據集　　
6.4 　利用完整Platt SMO算法加速優(yōu)化　　
6.5 　在復雜數據上應用核函數　　
6.5.1 　利用核函數將數據映射到高維空間　　
6.5.2 　徑向基核函數　　
6.5.3 　在測試中使用核函數　　
6.6 　示例：手寫(xiě)識別問(wèn)題回顧　　
6.7 　本章小結　　
第7章　利用AdaBoost元算法提高分類(lèi)
性能 　　
7.1 　基于數據集多重抽樣的分類(lèi)器　　
7.1.1 　bagging：基于數據隨機重抽樣的分類(lèi)器構建方法　　
7.1.2 　boosting　　
7.2 　訓練算法：基于錯誤提升分類(lèi)器的性能　　
7.3 　基于單層決策樹(shù)構建弱分類(lèi)器　　
7.4 　完整AdaBoost算法的實(shí)現　　
7.5 　測試算法：基于A(yíng)daBoost的分類(lèi)　　
7.6 　示例：在一個(gè)難數據集上應用AdaBoost　　
7.7 　非均衡分類(lèi)問(wèn)題　　
7.7.1 　其他分類(lèi)性能度量指標：正確率、召回率及ROC曲線(xiàn)　　
7.7.2 　基于代價(jià)函數的分類(lèi)器決策控制　　
7.7.3 　處理非均衡問(wèn)題的數據抽樣方法　　
7.8 　本章小結　　
第二部分　利用回歸預測數值型數據
第8章　預測數值型數據：回歸 　　
8.1 　用線(xiàn)性回歸找到最佳擬合直線(xiàn)　　
8.2 　局部加權線(xiàn)性回歸　　
8.3 　示例：預測鮑魚(yú)的年齡　　
8.4 　縮減系數來(lái)“理解”數據　　
8.4.1 　嶺回歸　　
8.4.2 　lasso　　
8.4.3 　前向逐步回歸　　
8.5 　權衡偏差與方差　　
8.6 　示例：預測樂(lè )高玩具套裝的價(jià)格　　
8.6.1 　收集數據：使用Google購物的API　　
8.6.2 　訓練算法：建立模型　　
8.7 　本章小結　　
第9章　樹(shù)回歸　　
9.1 　復雜數據的局部性建?！　?
9.2 　連續和離散型特征的樹(shù)的構建　　
9.3 　將CART算法用于回歸　　
9.3.1 　構建樹(shù)　　
9.3.2 　運行代碼　　
9.4 　樹(shù)剪枝　　
9.4.1 　預剪枝　　
9.4.2 　后剪枝　　
9.5 　模型樹(shù)　　
9.6 　示例：樹(shù)回歸與標準回歸的比較　　
9.7 　使用Python的Tkinter庫創(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　　
第三部分　無(wú)監督學(xué)習
第10章　利用K-均值聚類(lèi)算法對未標注數據分組　　
10.1 　K-均值聚類(lèi)算法　　
10.2 　使用后處理來(lái)提高聚類(lèi)性能　　
10.3 　二分K-均值算法　　
10.4 　示例：對地圖上的點(diǎn)進(jìn)行聚類(lèi)　　
10.4.1 　Yahoo！ PlaceFinder API　　
10.4.2 　對地理坐標進(jìn)行聚類(lèi)　　
10.5 　本章小結　　
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)現頻繁集　　
11.3.1 　生成候選項集　　
11.3.2 　組織完整的Apriori算法　　
11.4 　從頻繁項集中挖掘關(guān)聯(lián)規則　　
11.5 　示例：發(fā)現國會(huì )投票中的模式　　
11.5.1 　收集數據：構建美國國會(huì )投票記錄的事務(wù)數據集　　
11.5.2 　測試算法：基于美國國會(huì )投票記錄挖掘關(guān)聯(lián)規則　　
11.6 　示例：發(fā)現毒蘑菇的相似特征　　
11.7 　本章小結　　
第12章　使用FP-growth算法來(lái)高效發(fā)現頻繁項集　　
12.1 　FP樹(shù)：用于編碼數據集的有效方式　　
12.2 　構建FP樹(shù)　　
12.2.1 　創(chuàng )建FP樹(shù)的數據結構　　
12.2.2 　構建FP樹(shù)　　
12.3 　從一棵FP樹(shù)中挖掘頻繁項集　　
12.3.1 　抽取條件模式基　　
12.3.2 　創(chuàng )建條件FP樹(shù)　　
12.4 　示例：在Twitter源中發(fā)現一些共現詞　　
12.5 　示例：從新聞網(wǎng)站點(diǎn)擊流中挖掘　　
12.6 　本章小結　　
第四部分　其他工具
第13章　利用PCA來(lái)簡(jiǎn)化數據　　
13.1 　降維技術(shù)　　
13.2 　PCA　　
13.2.1 　移動(dòng)坐標軸　　
13.2.2 　在NumPy中實(shí)現PCA　　
13.3 　示例：利用PCA對半導體制造數據降維　　
13.4 　本章小結　　
第14章　利用SVD簡(jiǎn)化數據　　
14.1 　SVD的應用　　
14.1.1 　隱性語(yǔ)義索引　　
14.1.2 　推薦系統　　
14.2 　矩陣分解　　
14.3 　利用Python實(shí)現SVD　　
14.4 　基于協(xié)同過(guò)濾的推薦引擎　　
14.4.1 　相似度計算　　
14.4.2 　基于物品的相似度還是基于用戶(hù)的相似度？　　
14.4.3 　推薦引擎的評價(jià)　　
14.5 　示例：餐館菜肴推薦引擎　　
14.5.1 　推薦未嘗過(guò)的菜肴　　
14.5.2 　利用SVD提高推薦的效果　　
14.5.3 　構建推薦引擎面臨的挑戰　　
14.6 　基于SVD的圖像壓縮　　
14.7 　本章小結　　
第15章　大數據與MapReduce　　
15.1 　MapReduce：分布式計算的框架　　
15.2 　Hadoop流　　
15.2.1 　分布式計算均值和方差的mapper　　
15.2.2 　分布式計算均值和方差的reducer　　
15.3 　在A(yíng)mazon網(wǎng)絡(luò )服務(wù)上運行Hadoop程序　　
15.3.1 　AWS上的可用服務(wù)　　
15.3.2 　開(kāi)啟Amazon網(wǎng)絡(luò )服務(wù)之旅　　
15.3.3 　在EMR上運行Hadoop作業(yè)　　
15.4 　MapReduce上的機器學(xué)習　　
15.5 　在Python中使用mrjob來(lái)自動(dòng)化MapReduce　　
15.5.1 　mrjob與EMR的無(wú)縫集成　　
15.5.2 　mrjob的一個(gè)MapReduce腳本剖析　　
15.6 　示例：分布式SVM的Pegasos算法　　
15.6.1 　Pegasos算法　　
15.6.2 　訓練算法：用mrjob實(shí)現MapReduce版本的SVM　　
15.7 　你真的需要MapReduce嗎？　　
15.8 　本章小結　　
附錄A 　Python入門(mén)　　
附錄B 　線(xiàn)性代數　　
附錄C 　概率論復習　　
附錄D 　資源　　
索引　　
版權聲明