机器学习算法+2

内容简介

本书介绍了数据科学领域常用的所有重要机器学以及TensorFlow和特征工程等相关内容。涵盖的算括线回归、逻辑回归、支持向量机、朴素贝叶斯、k均值、森林等，这些算法可以用于监督学监督学化学监督学
在本书中，你将学会如何使用这些算法来解决所遇到的问题，并了解这些算法的工作方式。本书还将介绍自然语言处理和系统，这些内容将帮助大行多种算法的实践。
阅读完本书后，面对你所遇到的问题，你将了解如何选择合适的聚类、分类或回归的机器学。

目录

译者序
前言
第1章机器学
1.1简介——经典机器和自适应的机器
1.1.1描述分析
1.1.2预测分析
1.2关于学r />1.2.1监督学r />1.2.2无监督学r />1.2.3半监督学r />1.2.4强化学r />1.2.5计算神经科学
1.3机器学深度学于的适应系统
1.4机器学数据
1.5本章小结
第2章机器学要元素
2.1数据格式
2.2可学br />2.2.1欠拟合和过拟合
2.2.2误差度量和成本函数
2.2.3PAC学r />2.3统计学介绍
2.3.1后验概率学r />2.3.2似然学r />2.4衡
2.4.1可置换的重采样
2.4.2合成少数类过采样
2.5信息论的要素
2.5.1熵
2.5.2交叉熵和互信息
2.5.3两个概率分布的散度
2.6本章小结
第3章特征选择与特征工程
3.cikit-learn的toy数据集
3.2创建训练集和测试集
3.3管理分类数据
3.4管理缺失特征
3.5数据缩放和归一化
3.6特征选择和过滤
3.7主成分分析
3.7.1非负矩阵分解
3.7.2稀疏PCA
3.7.3核PCA
3.8独立成分分析
3.9原子提取和字典学r />3.10使用t-SNE可视化高维数据集
3.11本章小结
第4章回归算法
4.1线模型
4.2一个二维的例子
4.3基于scikit-learn的线回归和更高维
4.3.1决定系数
4.3.2可解释方差
4.3.3回归的解析表达
4.4Ridge回归、Lasso回归和ElasticNet
4.4.1Ridge回归
4.4.2Lasso回归
4.4.3ElasticNet
4.5稳健回归
4.5.1抽样一致算法
4.5.2Huber回归
4.6贝叶斯回归
4.7多项式回归
4.8保序回归
4.9本章小结
第5章线分类算法
5.1线分类
5.2逻辑回归
5.3实现和优化
5.4梯度下降算法
5.5被动攻击算法
5.6通过网格搜索找到超参数
5.7评估分类的指标
5.7.1混淆矩阵
5.7.2率
5.7.3召回率
5.7.4F-Beta
5.7.5Kappa系数
5.7.6分类报告
5.7.7学
5.8ROC曲线
5.9本章小结
第6章朴素贝叶斯和判别分析
6.1贝叶斯定理
6.2朴素贝叶斯分类器
6.3scikit-learn中的朴素贝叶斯
6.3.1伯努利朴素贝叶斯
6.3.2多项式朴素贝叶斯
6.3.3高斯朴素贝叶斯
6.4判别分析
6.5本章小结
第7章支持向量机
7.1线支持向量机
7.2scikit-learn实现
7.3基于内核的分类
7.3.1径向基函数
7.3.2多项式核
7.3.3Sigmoid核
7.3.4自定义核
7.3.5非线例子
7.4受控支持向量机
7.5支持向量回归
7.6半监督支持向量机简介
7.7本章小结
第8章决策树和集成学r />8.1二元决策树
8.1.1二元决策
8.1.2不纯度的衡量
8.1.3特征重要度
8.2基于scikit-learn的决策树分类
8.3决策树回归
8.4集成学
8.4.1森林
8.4.2AdaBoor />8.4.3梯度树提升
8.4.4投票分类器
8.5本章小结
第9章聚类原理
9.1聚类基础
9.2k-NN算法
9.3高斯混合
9.4k-meanr />9.5基于样本标记的评价方法
9.5.1同质
9.5.2完整
9.5.3修正兰德指数
9.6本章小结
第10章聚类
10.1DBSCAN
10.2谱聚类
10.3在线聚类
10.3.1mini-batch k-meanr />10.3.2BIRCH
10.4双聚类
10.5本章小结
第11章层次聚类
11.1分层策略
11.2凝聚聚类
11.2.1树形图
11.2.2scikit-learn中的凝聚聚类
11.2.3连接限制
11.3本章小结
第12章系统介绍
12.1朴素的基于用户的系统
12.2基于内容的系统
12.3无模式（或基于内存的）协同过滤
12.4基于模型的协同过滤
12.4.1奇异值分解策略
12.4.2交替二乘法策略
12.4.3用Apache Spark MLlib实现交替二乘法策略
12.5本章小结
第13章自然语言处理简介
13.1NLTK和库
13.2词袋策略
13.2.1标记
13.2.2停止词的删除
13.2.3词干抽取
13.2.4向量化
13.3词
13.4示例文本分类器
13.5本章小结
第14章NLP中的主题建模与情感分析
14.1主题建模
14.1.1隐语义分析
14.1.2概率隐语义分析
14.1.3隐狄利克雷分配
14.2使用Gensim的Word2vec简介
14.3情感分析
14.4本章小结
第15章神经网络介绍
15.1深度学
15.2基于Keras的MLP
15.3本章小结
第16章深度学
16.1深层结构
16.2基于Keras的深度卷积网络示例
16.3基于Kears的LSTM网络示例
16.4TensorFlow简介
16.4.1梯度计算
16.4.2逻辑回归
16.4.3用多层感知行分类
16.4.4图像卷积
16.5本章小结
第17章创建机器学
17.1机器学
17.1.1数据收集
17.1.2归一化
17.1.3降维
17.1.4数据扩充
17.1.5数据转换
17.1.6建模、网格搜索和交叉验证
17.1.7可视化
17.1.8GPU支持
17.1.9分布式架构简介
17.2用于机器学的scikit-learn工具
17.2.1管道
17.2.2特征联合
17.3本章小结