編輯推薦:

阿里云棲社區(qū)、百度、蒙牛乳業(yè)、神州數(shù)碼等知名公司的6位技術(shù)專家力薦

手寫(xiě)識(shí)別程序怎么做？

如何實(shí)現(xiàn)人臉識(shí)別系統(tǒng)？

如何過(guò)濾垃圾郵件？

電子商務(wù)網(wǎng)站上猜你喜歡的商品是什么原理？如何實(shí)現(xiàn)？

電影網(wǎng)站如何去推薦符合用戶喜好的電影？

如何利用機(jī)器學(xué)習(xí)對(duì)消費(fèi)者的特性進(jìn)行細(xì)分，從而更好地服務(wù)各細(xì)分市場(chǎng)的消費(fèi)者？

銀行如何去檢測(cè)用戶的信用卡可能被盜了？

……

通過(guò)閱讀本書(shū)，你將了解這些復(fù)雜問(wèn)題背后的原理，甚至你都可以自己解決這些問(wèn)題。

本書(shū)對(duì)讀者的數(shù)學(xué)基礎(chǔ)要求低，讓讀者可以以較低的門(mén)檻入門(mén)機(jī)器學(xué)習(xí)

本書(shū)涵蓋機(jī)器學(xué)習(xí)的應(yīng)用場(chǎng)景、編程步驟、Python開(kāi)發(fā)包、算法模型性能評(píng)估，以及八大常用算法原理和七大實(shí)戰(zhàn)案例演練

本書(shū)通過(guò)近100幅圖，將晦澀難懂的數(shù)學(xué)概念生動(dòng)地描述出來(lái)

以scikit-learn為核心，結(jié)合numpy、pandas和matplotlib開(kāi)發(fā)包講解

從數(shù)值回歸到邏輯回歸，從文檔分類到人臉識(shí)別，都提供了實(shí)現(xiàn)代碼

用通俗易懂的語(yǔ)言介紹機(jī)器學(xué)習(xí)算法，幫助讀者理解每個(gè)算法的基本原理

幫助讀者使用機(jī)器學(xué)習(xí)算法解決實(shí)際的工程應(yīng)用問(wèn)題

用大量的圖示及實(shí)戰(zhàn)案例介紹如何解決現(xiàn)實(shí)生活中的機(jī)器學(xué)習(xí)問(wèn)題

內(nèi)容簡(jiǎn)介:

本書(shū)通過(guò)通俗易懂的語(yǔ)言、豐富的圖示和生動(dòng)的實(shí)例，撥開(kāi)了籠罩在機(jī)器學(xué)習(xí)上方復(fù)雜的數(shù)學(xué)“烏云”，讓讀者以較低的代價(jià)和門(mén)檻入門(mén)機(jī)器學(xué)習(xí)。

本書(shū)共分為11章，介紹了在Python環(huán)境下學(xué)習(xí)scikit-learn機(jī)器學(xué)習(xí)框架的相關(guān)知識(shí)，涵蓋的主要內(nèi)容有機(jī)器學(xué)習(xí)概述、Python機(jī)器學(xué)習(xí)軟件包、機(jī)器學(xué)習(xí)理論基礎(chǔ)、k-近鄰算法、線性回歸算法、邏輯回歸算法、決策樹(shù)、支持向量機(jī)、樸素貝葉斯算法、PCA算法和k-均值算法等。

本書(shū)適合有一定編程基礎(chǔ)的讀者閱讀，尤其適合想從事機(jī)器學(xué)習(xí)、人工智能、深度學(xué)習(xí)及機(jī)器人相關(guān)技術(shù)的程序員和愛(ài)好者閱讀。另外，相關(guān)院校和培訓(xùn)機(jī)構(gòu)也可以將本書(shū)作為教材使用。

 

30秒極速了解本書(shū)精華內(nèi)容：

1.       理論基礎(chǔ)

機(jī)器學(xué)習(xí)的應(yīng)用場(chǎng)景

機(jī)器學(xué)習(xí)編程的典型步驟

Python機(jī)器學(xué)習(xí)開(kāi)發(fā)包：numpy、pandas和matplotlib

算法模型性能評(píng)估的指標(biāo)和評(píng)估方法

2.       八大常用機(jī)器學(xué)習(xí)算法

k-近鄰算法

線性回歸算法

邏輯回歸算法

決策樹(shù)

支持向量機(jī)

樸素貝葉斯

PCA算法

k-均值算法

3.       七大實(shí)戰(zhàn)演練案例

糖尿病檢測(cè)

預(yù)測(cè)房?jī)r(jià)

乳腺癌檢測(cè)

泰坦尼克號(hào)幸存者預(yù)測(cè)

文檔類別預(yù)測(cè)

人臉識(shí)別

文檔自動(dòng)分類

作者簡(jiǎn)介:

黃永昌， 2004年畢業(yè)于廈門(mén)大學(xué)自動(dòng)化系。畢業(yè)后一直在夏新電子從事手機(jī)系統(tǒng)軟件的研發(fā)，直至2009年轉(zhuǎn)向Android系統(tǒng)軟件開(kāi)發(fā)。熟悉C、Python、Java和JavaScript 等多種開(kāi)發(fā)語(yǔ)言。對(duì)數(shù)據(jù)處理及分析有濃厚的興趣，于2014年開(kāi)始學(xué)習(xí)和研究機(jī)器學(xué)習(xí)及數(shù)據(jù)挖掘領(lǐng)域的相關(guān)知識(shí)。2015年加入ABB集團(tuán)，從事智能家居系統(tǒng)的開(kāi)發(fā)，通過(guò)分析服務(wù)器及客戶端日志數(shù)據(jù)，為智能家居系統(tǒng)開(kāi)發(fā)智能決策模型。

目錄:前言
第1章 機(jī)器學(xué)習(xí)介紹1
1.1 什么是機(jī)器學(xué)習(xí)1
1.2 機(jī)器學(xué)習(xí)有什么用2
1.3 機(jī)器學(xué)習(xí)的分類3
1.4 機(jī)器學(xué)習(xí)應(yīng)用開(kāi)發(fā)的典型步驟4
1.4.1 數(shù)據(jù)采集和標(biāo)記4
1.4.2 數(shù)據(jù)清洗5
1.4.3 特征選擇5
1.4.4 模型選擇5
1.4.5 模型訓(xùn)練和測(cè)試5
1.4.6 模型性能評(píng)估和優(yōu)化5
1.4.7 模型使用6
1.5 復(fù)習(xí)題6
第2章 Python機(jī)器學(xué)習(xí)軟件包7
2.1 開(kāi)發(fā)環(huán)境搭建7
2.2 IPython簡(jiǎn)介8
2.2.1 IPython基礎(chǔ)8
2.2.2 IPython圖形界面13
2.3 Numpy簡(jiǎn)介15
2.3.1 Numpy數(shù)組15
2.3.2 Numpy運(yùn)算19
2.4 Pandas簡(jiǎn)介32
2.4.1 基本數(shù)據(jù)結(jié)構(gòu)32
2.4.2 數(shù)據(jù)排序34
2.4.3 數(shù)據(jù)訪問(wèn)34
2.4.4 時(shí)間序列36
2.4.5 數(shù)據(jù)可視化36
2.4.6 文件讀寫(xiě)38
2.5 Matplotlib簡(jiǎn)介38
2.5.1 圖形樣式38
2.5.2 圖形對(duì)象40
2.5.3 畫(huà)圖操作46
2.6 scikit-learn簡(jiǎn)介51
2.6.1 scikit-learn示例51
2.6.2 scikit-learn一般性原理和通用規(guī)則55
2.7 復(fù)習(xí)題56
2.8 拓展學(xué)習(xí)資源57
第3章 機(jī)器學(xué)習(xí)理論基礎(chǔ)58
3.1 過(guò)擬合和欠擬合58
3.2 成本函數(shù)59
3.3 模型準(zhǔn)確性60
3.3.1 模型性能的不同表述方式61
3.3.2 交叉驗(yàn)證數(shù)據(jù)集61
3.4 學(xué)習(xí)曲線62
3.4.1 實(shí)例：畫(huà)出學(xué)習(xí)曲線62
3.4.2 過(guò)擬合和欠擬合的特征65
3.5 算法模型性能優(yōu)化65
3.6 查準(zhǔn)率和召回率66
3.7 F1 Score67
3.8 復(fù)習(xí)題67
第4章 k-近鄰算法69
4.1 算法原理69
4.1.1 算法優(yōu)缺點(diǎn)69
4.1.2 算法參數(shù)70
4.1.3 算法的變種70
4.2 示例：使用k-近鄰算法進(jìn)行分類70
4.3 示例：使用k-近鄰算法進(jìn)行回歸擬合72
4.4 實(shí)例：糖尿病預(yù)測(cè)74
4.4.1 加載數(shù)據(jù)74
4.4.2 模型比較75
4.4.3 模型訓(xùn)練及分析77
4.4.4 特征選擇及數(shù)據(jù)可視化78
4.5 拓展閱讀80
4.5.1 如何提高k-近鄰算法的運(yùn)算效率80
4.5.2 相關(guān)性測(cè)試80
4.6 復(fù)習(xí)題81
第5章 線性回歸算法83
5.1 算法原理83
5.1.1 預(yù)測(cè)函數(shù)83
5.1.2 成本函數(shù)84
5.1.3 梯度下降算法84
5.2 多變量線性回歸算法86
5.2.1 預(yù)測(cè)函數(shù)86
5.2.2 成本函數(shù)87
5.2.3 梯度下降算法88
5.3 模型優(yōu)化89
5.3.1 多項(xiàng)式與線性回歸89
5.3.2 數(shù)據(jù)歸一化89
5.4 示例：使用線性回歸算法擬合正弦函數(shù)90
5.5 示例：測(cè)算房?jī)r(jià)92
5.5.1 輸入特征92
5.5.2 模型訓(xùn)練93
5.5.3 模型優(yōu)化94
5.5.4 學(xué)習(xí)曲線95
5.6 拓展閱讀96
5.6.1 梯度下降迭代公式推導(dǎo)96
5.6.2 隨機(jī)梯度下降算法96
5.6.3 標(biāo)準(zhǔn)方程97
5.7 復(fù)習(xí)題97
第6章 邏輯回歸算法98
6.1 算法原理98
6.1.1 預(yù)測(cè)函數(shù)98
6.1.2 判定邊界99
6.1.3 成本函數(shù)100
6.1.4 梯度下降算法102
6.2 多元分類102
6.3 正則化103
6.3.1 線性回歸模型正則化103
6.3.2 邏輯回歸模型正則化104
6.4 算法參數(shù)104
6.5 實(shí)例：乳腺癌檢測(cè)106
6.5.1 數(shù)據(jù)采集及特征提取106
6.5.2 模型訓(xùn)練108
6.5.3 模型優(yōu)化110
6.5.4 學(xué)習(xí)曲線111
6.6 拓展閱讀113
6.7 復(fù)習(xí)題114
第7章 決策樹(shù)115
7.1 算法原理115
7.1.1 信息增益116
7.1.2 決策樹(shù)的創(chuàng)建119
7.1.3 剪枝算法120
7.2 算法參數(shù)121
7.3 實(shí)例：預(yù)測(cè)泰坦尼克號(hào)幸存者122
7.3.1 數(shù)據(jù)分析122
7.3.2 模型訓(xùn)練123
7.3.3 優(yōu)化模型參數(shù)124
7.3.4 模型參數(shù)選擇工具包127
7.4 拓展閱讀130
7.4.1 熵和條件熵130
7.4.2 決策樹(shù)的構(gòu)建算法130
7.5 集合算法131
7.5.1 自助聚合算法Bagging131
7.5.2 正向激勵(lì)算法boosting131
7.5.3 隨機(jī)森林132
7.5.4 ExtraTrees算法133
7.6 復(fù)習(xí)題133
第8章 支持向量機(jī)134
8.1 算法原理134
8.1.1 大間距分類算法134
8.1.2 松弛系數(shù)136
8.2 核函數(shù)138
8.2.1 最簡(jiǎn)單的核函數(shù)138
8.2.2 相似性函數(shù)140
8.2.3 常用的核函數(shù)141
8.2.4 核函數(shù)的對(duì)比142
8.3 scikit-learn里的SVM144
8.4 實(shí)例：乳腺癌檢測(cè)146
8.5 復(fù)習(xí)題149
第9章 樸素貝葉斯算法151
9.1 算法原理151
9.1.1 貝葉斯定理151
9.1.2 樸素貝葉斯分類法152
9.2 一個(gè)簡(jiǎn)單的例子153
9.3 概率分布154
9.3.1 概率統(tǒng)計(jì)的基本概念154
9.3.2 多項(xiàng)式分布155
9.3.3 高斯分布158
9.4 連續(xù)值的處理159
9.5 實(shí)例：文檔分類160
9.5.1 獲取數(shù)據(jù)集160
9.5.2 文檔的數(shù)學(xué)表達(dá)161
9.5.3 模型訓(xùn)練163
9.5.4 模型評(píng)價(jià)165
9.6 復(fù)習(xí)題167
第10章 PCA算法168
10.1 算法原理168
10.1.1 數(shù)據(jù)歸一化和縮放169
10.1.2 計(jì)算協(xié)方差矩陣的特征向量169
10.1.3 數(shù)據(jù)降維和恢復(fù)170
10.2 PCA 算法示例171
10.2.1 使用Numpy模擬PCA計(jì)算過(guò)程171
10.2.2 使用sklearn進(jìn)行PCA降維運(yùn)算173
10.2.3 PCA的物理含義174
10.3 PCA 的數(shù)據(jù)還原率及應(yīng)用175
10.3.1 數(shù)據(jù)還原率175
10.3.2 加快監(jiān)督機(jī)器學(xué)習(xí)算法的運(yùn)算速度176
10.4 實(shí)例：人臉識(shí)別176
10.4.1 加載數(shù)據(jù)集176
10.4.2 一次失敗的嘗試179
10.4.3 使用PCA來(lái)處理數(shù)據(jù)集182
10.4.4 最終結(jié)果185
10.5 拓展閱讀189
10.6 復(fù)習(xí)題189
第11章 k-均值算法190
11.1 算法原理190
11.1.1 k-均值算法成本函數(shù)191
11.1.2 隨機(jī)初始化聚類中心點(diǎn)191
11.1.3 選擇聚類的個(gè)數(shù)192
11.2 scikit-learn里的k-均值算法192
11.3 使用k-均值對(duì)文檔進(jìn)行聚類分析195
11.3.1 準(zhǔn)備數(shù)據(jù)集195
11.3.2 加載數(shù)據(jù)集196
11.3.3 文本聚類分析197
11.4 聚類算法性能評(píng)估200
11.4.1 Adjust Rand Index200
11.4.2 齊次性和完整性201
11.4.3 輪廓系數(shù)203
11.5 復(fù)習(xí)題204
后記205