内容简介
本书将带领读者学实施各种机器学及其日常应用的开发。本书分为9章，从易于掌握的语言基础数据和数学模型开始，向读者介绍机器学中使用的各种库和框架，然后通过有趣的示例实现回归、聚类、分类、神经网络等，从而解决如图像分析、自然语言处理和时间序列数据的异常检测等实际问题。 本书适合机器学发人员、数据分析人员、机器学的从业人员，以及想要学学术爱好者阅读。使用任何脚本语言的编程人员都可以阅读本书，但如果熟悉Python语言的话，将有助于充分理解本书的内容。
目录
第 1章 机器学计科学 11.1 机器学展 21.2 编程语言与库 61.3 基本数学概念 111.3.1 统计学——不确定建模的基本支柱 111.3.2 概率与变量 141.3.3 概率函数的统计度量 211.3.4 微分基础 221.3.5 预备知识 221.4 小结 27第 2章 学 282.1 理解问题 282.2 数据集定义与检索 302.2.1 ETL过程 302.2.2 加载数据与使用Scipy和Panda行探索分析 312.2.3 与IPython交互 322.2.4 二维数据处理 342.3 特征工程 372.3.1 缺失数据估算 372.3.2 独热编码 382.4 数据预处理 39规范化和特征缩放 392.5 模型定义 41提出正确的问题 412.6 损失函数定义 422.7 模型拟合和评价 43数据集划分 432.8 模型应用与结果分析 442.8.1 回归指标 452.8.2 分类指标 462.8.3 聚类质量评估 482.9 小结 50第3章 聚类 513.1 分组—— 一种人类行为 513.2 自动化聚类过程 523.3 寻找一个共同的中心—— K-means 533.3.1 K-means的优缺点 563.3.2 K-means算法分解 563.3.3 K-means算法实现 583.4 邻(Nearest Neiors) 623.5 K-NN算法实现示例 643.6 算法扩展 673.7 小结 68第4章 线回归和逻辑回归 694.1 回归分析 69回归的应用 704.2 线回归 714.2.1 代价函数的确定 724.2.2 分析方法 744.2.3 协方差和相关 754.2.4 寻找协方差和相关的斜率和截距 774.2.5 梯度下降法 794.2.6 递归过程表示 834.3 实践中的数据研究和线回归 864.3.1 鸢尾花数据集 874.3.2 线回归与梯度下降 934.4 逻辑回归 1034.4.1 线回归和逻辑回归 1034.4.2 logit函数 1054.4.3 应用逻辑回归建立心脏疾病模型的实例 1094.5 小结 112第5章 神经网络 1135.1 神经模型的历史 1145.1.1 感知器模型 1155.1.2 预测结果——ADALINE算法 1165.1.3 感知器和ADALINE之间的异同 1185.1.4 单层和多层感知器 1205.2 使用单层感知器实现简单能 1245.2.1 定义并绘制传递函数类型 1245.2.2 表示和理解传递函数 1255.2.3 Sigmoid函数或逻辑函数 1265.2.4 使用Sigmoid函数 1265.2.5 修正线单元 1285.2.6 线传递函数 1295.2.7 定义损失函数 1305.3 小结 136第6章 卷积神经网络 1376.1 卷积神经网络的起源 1376.1.1 从卷积开始 1386.1.2 卷积核和卷积 1406.1.3 在实例中实现二维离散卷积 1436.1.4 下采样(池化) 1466.1.5 通过Dropout操作提率 1486.2 深度神经网络 1496.2.1 深度卷积网络框架的发展 1496.2.2 深度卷积神经网络解决的问题类型 1546.3 使用Keras部署一个深度神经网络 1566.4 用Quiver开发卷积模型 1586.4.1 用Quiver开发卷积网络 1586.4.2 迁移学现 1626.5 小结 167第7章 循环神经网络 1687.1 按顺序解决问题—— RNN 1687.1.1 RNN的定义 1697.1.2 RNN的发展 1697.2 LSTM 1727.2.1 门和乘法运算 1727.2.2 设置遗忘参数(输入门) 1747.2.3 设置保持参数 1747.2.4 修改单元 1757.2.5 输出过滤后的单元状态 1757.3 采用电能消耗数据预测单变量时间序列 176数据集的描述和加载 1767.4 小结 182第8章期的新模型及其发展 1838.1 GAN 183GAN的应用类别 1848.2 强化学888.2.1 马尔可夫决策过程 1898.2.2 优化马尔可夫过程 1908.3 基本强化学：Q学918.4 小结 193第9章 软件安装与配置 1949.1 Linux系统环境安装 1949.1.1 初始配置要求 1959.1.2 Anaconda安装 1959.1.3 pip安装 2009.2 macOS X系统环境安装 2019.2.1 Anaconda安装 2019.2.2 pip安装 2049.3 Windows系统环境安装 205Anaconda安装 2059.4 小结 208参考资料 209
