VIP会员
内容简介
本书是机器学习及数据分析领域不可多得的一本著作，也是为数不多的既有大量实践应用案例又包含算法理论剖析的著作，作者针对机器学习算法既抽象复杂又涉及多门数学学科的特点，力求理论联系实际，始终以算法应用为主线，由浅入深以全新的角度诠释机器学习。
全书分为准备篇、基础篇、统计分析实战篇和机器学习实战篇。准备篇介绍了机器学习的发展及应用前景以及常用科学计算平台，主要包括统计分析语言R、机器学习模块mlpy和Neurolab、科学计算平台Numpy、图像识别软件包OpenCV、网页分析BeautifulSoup等软件的安装与配置。基础篇先对数学基础及其在机器学习领域的应用进行讲述，同时配套学习的数学书籍，然后运用实例说明计算平台的使用，以Python和R为实现语言，重点讲解了图像算法、信息隐藏、二乘法拟合、因子频率分析、欧氏距离等，告诉读者如何使用计算平台完成工程应用。，通过大量统计分析和机器学习案例提供实践指南，先讲解回归分析、区间分布、数据图形化、分布趋势、正态分布、分布拟合等数据分析基础，然后讲解神经网络、统计算法、欧氏距离、余弦相似度、线性与非线性回归、数据拟合、线性滤波、图像识别、人脸辨识、网页分类等机器学习算法。此书可供算法工程师、IT专业人员以及机器学习爱好者参考使用。
目录
前言
第一部分 准备篇
第1章 机器学习发展及应用前景
1.1 机器学习概述
1.1.1 什么是机器学习
1.1.2 机器学习的发展
1.1.3 机器学习的未来
1.2 机器学习应用前景
1.2.1 数据分析与挖掘
1.2.2 模式识别
1.2.3 更广阔的领域
1.3 小结
第2章 科学计算平台
2.1 科学计算软件平台概述
2.1.1 常用的科学计算软件
2.1.2 本书使用的工程计算平台
2.2 计算平台的配置
2.2.1 Numpy等Python科学计算包的安装与配置
2.2.2 OpenCV 安装与配置
2.2.3 mlpy 安装与配置
2.2.4 Beautifulsoup安装与配置
2.2.5 Neurolab安装与配置
2.2.6 R安装与配置
2.3 小结
第二部分 基础篇
第3章 机器学习数学基础
3.1 数学对我们有用吗
3.2 机器学习需要哪些数学知识
3.3 小结
第4章 计算平台应用实例
4.1 Python计算平台简介及应用实例
4.1.1 Python语言基础
4.1.2 Numpy库
4.1.3 pylab、matplotlib绘图
4.1.4 图像基础
4.1.5 图像融合与图像镜像
4.1.6 图像灰度化与图像加噪
4.1.7 声音基础
4.1.8 声音音量调节
4.1.9 图像信息隐藏
4.1.10 声音信息隐藏
4.2 R语言基础
4.2.1 基本操作
4.2.2 向量
4.2.3 对象集属性
4.2.4 因子和有序因子
4.2.5 循环语句
4.2.6 条件语句
4.3 R语言科学计算
4.3.1 分类（组）统计
4.3.2 数组与矩阵基础
4.3.3 数组运算
4.3.4 矩阵运算
4.4 R语言计算实例
4.4.1 学生数据集读写
4.4.2 二乘法拟合
4.4.3 交叉因子频率分析
4.4.4 向量模长计算
4.4.5 欧氏距离计算
4.5 小结
思考题
第三部分 统计分析实战篇
第5章 统计分析基础
5.1 数据分析概述
5.2 数学基础
5.3 回归分析
5.3.1 单变量线性回归
5.3.2 多元线性回归
5.3.3 非线性回归
5.4 数据分析基础
5.4.1 区间频率分
摘要与插图
第2章科学计算平台
机器学习算法具有坚实的数学理论支持，机器学习的应用建立在科学计算的基础上，而数学计算又是科学计算的主要组成部分。计算机技术的飞速发展和计算数学方法及理论的日益成熟，使解决复杂的数学计算问题成为可能。这些问题在以前用一般的计算工具来解决困难，而现在用计算机来处理却容易。目前用计算机处理得较多的数学计算主要分为以下两类：
第一类是数值计算，它以数值数组作为运算对象，给出数值解；计算过程中可能会产生误差累积问题，影响了计算结果的性；计算速度快，占用资源少。
第二类是符号计算，它以符号对象和符号表达式作为运算对象，给出解析解；运算不受计算误差累积问题的影响；计算指令简单；占用资源多，计算耗时长。
数值计算方法成为了科学计算的重要手段，它研究怎样利用计算工具来求出数学问题的数值解。数值计算方法的计算对象是微积分、线性代数、插值与逼近及二乘拟合、数值积分与数值微分、矩阵的特征值与特征向量求解、线性方程组与非线性方程求根，以及微分方程数值解法等数学问题，这些是模式识别、数据分析及自动制造等机器学习领域需要应用的数学。
符号计算是专家系统等机器学习领域需要应用的数学，在符号计算中，计算机处理的数据和得到的结果都是符号。符号既可以是字母和公式，也可以是数值，其运算以推理解析的方式进行，不受计算误差积累问题困扰，计算结果为正确的封闭解或任意精度的数值解，这意味着符号计算给出的结果能避免因舍入误差而引起的问题。还有更多的数学分支正在进入机器学习领域，复杂的数学计算需要强大的科学计算平台。科学计算平台提供了机器学习算法应用的底层支持。
2.1?科学计算软件平台概述
现代科学研究的方法主要有三种：理论论证、科学实验、科学计算。近年来，科学计算方法逐步成为科学研究的主流方法，在金融工程、信息检索、基因研究、环境模拟、数值计算、数据分析、决策支持等领域得到了广泛使用。由于计算机技术的发展及其在各技术科学领域的应用推广与深化，这些应用领域不论其背景与含义如何，都要用计算机进行科学计算，都必须建立相应的数学模型，并研究其适合于计算机编程的计算方法。科学计算平台已经成为科学研究必要的基础条件平台，有力地推动了科学研究的发展和工程技术的进步。
机器学习应用需要科学计算的支持。大部分科学计算应用的领域都需要用到机器学习算法，科学计算平台与机器学习之间的关系就像鱼与水的关系。现代机器学习研究与应用早已经离不开科学计算平台的支撑，科学计算平台也因为机器学习的迅猛发展而进入了全新的百家争鸣时代。
2.1.1?常用的科学计算软件
目前常用的科学计算软件有以下几种：
1. MATLAB
MATLAB是一种用于数值计算、可视化及编程的语言和交互式环境。使用 MATLAB，可以分析数据、开发算法、创建模型和应用程序，通过矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言等方式完成计算，比电子表格或传统编程语言（如 C/C++ 或 Java）更方便快捷。MATLAB 具有强大的数值计算功能，可完成矩阵分析、线性代数、多元函数分析、数值微积分、方程求解、边值问题求解、数理统计等常见的数值计算，同时它也能进行符号计算。
2. GNU Octave
GNU Octave与MATLAB相似，它是自由软件基金会开发的一个自由再发布软件，以John W. Eaton为的一些志愿者共同开发了叫作GNU Octave的语言，这种语言与MATLAB兼容，主要用于数值计算，同时它还提供了一个方便的命令行方式，可以数值求解线性