内容简介
《机器学习实战》是一本介绍机器学习算法及其实际应用的书籍。作者Peter Harrington通过丰富的实例和详细的代码示例,帮助读者理解和掌握机器学习的基本概念和技术。
本书适合有一定编程基础的读者,特别是那些希望将机器学习技术应用到实际项目中的开发者和研究人员。
目录
译者序
读者对象
数据挖掘十大算法
本书结构
代码约定和下载
作者在线
关于本书
关于作者
第一部分 分类
1.1 何谓机器学习
1.2 关键术语
1.3 机器学习的主要任务
1.4 如何选择合适的算法
1.5 开发机器学习应用程序的步骤
1.6 Python语言的优势
1.7 NumPy函数库基础
1.8 本章小结
第1章 机器学习基础
2.1 k-近邻算法概述
2.2 示例:使用k近邻算法改进约会网站的配对效果
2.3 示例:手写识别系统
2.4 本章小结
第2章 k-近邻算法
3.1 决策树的构造
3.2 在Python中使用Matplotlib注解绘制树形图
3.3 测试和存储分类器
3.4 示例:使用决策树预测隐形眼镜类型
3.5 本章小结
第3章 决策树
4.1 基于贝叶斯决策理论的分类方法
4.2 条件概率
4.3 使用条件概率来分类
4.4 使用朴素贝叶斯进行文档分类
4.5 使用Python进行文本分类
4.6 示例:使用朴素贝叶斯过滤垃圾邮件
4.7 示例:使用朴素贝叶斯分类器从个人广告中获取区域倾向
4.8 本章小结
第4章 基于概率论的分类方法:朴素贝叶斯
5.1 基于Logistic回归和Sigmoid函数的分类
5.2 基于最优化方法的最佳回归系数确定
5.3 示例:从疝气病症预测病马的死亡率
5.4 本章小结
第5章 Logistic回归
6.1 基于最大间隔分隔数据
6.2 寻找最大间隔
6.3 SMO高效优化算法
6.4 利用完整Platt SMO算法加速优化
6.5 在复杂数据上应用核函数
6.6 示例:手写识别问题回顾
6.7 本章小结
第6章 支持向量机
7.1 基于数据集多重抽样的分类器
7.2 训练算法:基于错误提升分类器的性能
7.3 基于单层决策树构建弱分类器
7.4 完整AdaBoost算法的实现
7.5 测试算法:基于AdaBoost的分类
7.6 示例:在一个难数据集上应用AdaBoost
7.7 非均衡分类问题
7.8 本章小结
第7章 利用AdaBoost元算法提高分类性能
第二部分 利用回归预测数值型数据
8.1 用线性回归找到最佳拟合直线
8.2 局部加权线性回归
8.3 示例:预测鲍鱼的年龄
8.4 缩减系数来“理解”数据
8.5 权衡偏差与方差
8.6 示例:预测乐高玩具套装的价格
8.7 本章小结
第8章 预测数值型数据:回归
9.1 复杂数据的局部性建模
9.2 连续和离散型特征的树的构建
9.3 将CART算法用于回归
9.4 树剪枝
9.5 模型树
9.6 示例:树回归与标准回归的比较
9.7 使用Python的Tkinter库创建GUI
9.8 本章小结
第9章 树回归
第三部分 无监督学习
10.1 k均值聚类算法
10.2 使用后处理来提高聚类性能
10.3 二分k均值算法
10.4 示例:对地图上的点进行聚类
10.5 本章小结
第10章 利用K-均值聚类算法对未标注数据分组
11.1 关联分析
11.2 Apriori原理
11.3 使用Apriori算法来发现频繁集
11.4 从频繁项集中挖掘关联规则
11.5 示例:发现国会投票中的模式
11.6 示例:发现毒蘑菇的相似特征
11.7 本章小结
第11章 使用Apriori算法进行关联分析
12.1 FP树:用于编码数据集的有效方式
12.2 构建FP树
12.3 从一棵FP树中挖掘频繁项集
12.4 示例:在Twitter源中发现一些共现词
12.5 示例:从新闻网站点击流中挖掘
12.6 本章小结
第12章 使用FP-growth算法来高效发现频繁项集
第四部分 其他工具
13.1 降维技术
13.2 PCA
13.3 示例:利用PCA对半导体制造数据降维
13.4 本章小结
第13章 利用PCA来简化数据
14.1 SVD的应用
14.2 矩阵分解
14.3 利用Python实现SVD
14.4 基于协同过滤的推荐引擎
14.5 示例:餐馆菜肴推荐引擎
14.6 示例:基于SVD的图像压缩
14.7 本章小结
第14章 利用SVD简化数据
15.1 MapReduce:分布式计算的框架
15.2 Hadoop流
15.3 在Amazon网络服务上运行Hadoop程序
15.4 MapReduce上的机器学习
15.5 在Python中使用mrjob来自动化MapReduce
15.6 示例:分布式SVM的Pegasos算法
15.7 你真的需要MapReduce吗?
15.8 本章小结
第15章 大数据与MapReduce
A.1 Python安装
A.2 Python入门
A.3 NumPy快速入门
A.4 Beautiful Soup包
A.5 Mrjob
A.6 Vote Smart
A.7 Python-Twitter
附录A Python入门
B.1 矩阵
B.2 矩阵求逆
B.3 矩阵范数
B.4 矩阵求导
附录B 线性代数
C.1 概率论简介
C.2 联合概率
C.3 概率的基本准则
附录C 概率论复习
附录D 资源
您当前的等级为
登录后免费下载登录
小黑屋反思中,不准下载!
评论后刷新页面下载评论
支付¥以后下载
请先登录
您今天的下载次数(次)用完了,请明天再来
支付积分以后下载立即支付
支付以后下载立即支付
您当前的用户组不允许下载升级会员
您已获得下载权限
您可以每天下载资源次,今日剩余次
免责申明:
1. 本站分享的所有书籍均来源于自互联网,我们只进行收集整理,并不对书籍内容进行更改。
2. 部分书籍中可能有书籍压制者放置的广告,这并不是本站所为,请注意甄别。
3. 我们分享这些书籍,纯粹是出于知识分享的热情,以及对互联网分享精神的高度认同和践行,不以盈利为目的。
4. 本站分享的所有书籍,仅供个人学习研究使用,请勿用于任何商业用途,否则产生的一切法律纠纷与本站无关。
5. 如果这些书籍让你有所收获,在条件允许的情况下,请一定购买正版书籍,这是对创作者最好的支持。
6. 如果您是此书籍的版权所有者,且您不希望此作品出现在本站,请联系我们,我们将在收到您的请求后48小时内予以删除。