日本免费精品视频,男人的天堂在线免费视频,成人久久久精品乱码一区二区三区,高清成人爽a毛片免费网站

目錄

譯者序

推薦序

作者簡介

審校者簡介

前言

第1章賦予計算機學習數據的能力1

1.1構建智能機器將數據轉化為知識1

1.2機器學習的三種不同方法1

1.2.1通過監督學習對未來事件進行預測2

1.2.2通過強化學習解決交互式問題4

1.2.3通過無監督學習發現數據本身潛在的結構4

1.2.4基本術語及符號介紹5

1.3構建機器學習系統的藍圖6

1.3.1數據預處理6

1.3.2選擇預測模型類型并進行訓練7

1.3.3模型驗證與使用未知數據進行預測8

1.4Python在機器學習中的應用8

本章小結9

第2章機器學習分類算法10

2.1人造神經元—早期機器學習概覽10

2.2使用Python實現感知器學習算法13

2.3自適應線性神經元及其學習的收斂性19

2.3.1通過梯度下降最小化代價函數20

2.3.2使用Python實現自適應線性神經元21

2.3.3大規模機器學習與隨機梯度下降25

本章小結29

第3章使用scikit-learn實現機器學習分類算法30

3.1分類算法的選擇30

3.2初涉scikit-learn的使用30

使用scikit-learn訓練感知器31

3.3邏輯斯諦回歸中的類別概率34

3.3.1初識邏輯斯諦回歸與條件概率34

3.3.2通過邏輯斯諦回歸模型的代價函數獲得權重36

3.3.3使用scikit-learn訓練邏輯斯諦回歸模型37

3.3.4通過正則化解決過擬合問題39

3.4使用支持向量機較大化分類間隔41

3.4.1對分類間隔較大化的直觀認識41

3.4.2使用松弛變量解決非線性可分問題42

3.4.3使用scikit-learn實現SVM44

3.5使用核SVM解決非線性問題44

3.6決策樹48

3.6.1較大化信息增益—獲知盡可能的結果49

3.6.2構建決策樹52

3.6.3通過隨機森林將弱分類器集成為強分類器53

3.7惰性學習算法—k-近鄰算法54

本章小結57

第4章數據預處理—構建好的訓練數據集58

4.1缺失數據的處理58

4.1.1將存在缺失值的特征或樣本刪除59

4.1.2缺失數據填充60

4.1.3理解scikit-learn預估器的API60

4.2處理類別數據61

4.2.1有序特征的映射61

4.2.2類標的編碼62

4.2.3標稱特征上的獨熱編碼63

4.3將數據集劃分為訓練數據集和測試數據集64

4.4將特征的值縮放到相同的區間65

4.5選擇有意義的特征66

4.5.1使用L1正則化滿足數據稀疏化67

4.5.2序列特征選擇算法70

4.6通過隨機森林判定特征的重要性74

本章小結76

第5章通過降維壓縮數據77

5.1無監督數據降維技術—主成分分析77

5.1.1總體方差與貢獻方差78

5.1.2特征轉換80

5.1.3使用scikit-learn進行主成分分析82

5.2通過線性判別分析壓縮無監督數據84

5.2.1計算散布矩陣85

5.2.2在新特征子空間上選取線性判別算法87

5.2.3將樣本映射到新的特征空間89

5.2.4使用scikit-learn進行LDA分析90

5.3使用核主成分分析進行非線性映射91

5.3.1核函數與核技巧91

5.3.2使用Python實現核主成分分析94

5.3.3映射新的數據點99

5.3.4scikit-learn中的核主成分分析102

本章小結103

第6章模型評估與參數調優實戰104

6.1基于流水線的工作流104

6.1.1加載威斯康星乳腺癌數據集104

6.1.2在流水線中集成數據轉換及評估操作105

6.2使用k折交叉驗證評估模型性能106

6.2.1holdout方法106

6.2.2k折交叉驗證107

6.3通過學習及驗證曲線來調試算法110

6.3.1使用學習曲線判定偏差和方差問題110

6.3.2通過驗證曲線來判定過擬合與欠擬合112

6.4使用網格搜索調優機器學習模型113

6.4.1使用網絡搜索調優超參114

6.4.2通過嵌套交叉驗證選擇算法115

6.5了解不同的性能評價指標116

6.5.1讀取混淆矩陣116

6.5.2優化分類模型的率和召回率117

6.5.3繪制ROC曲線118

6.5.4多類別分類的評價標準121

本章小結121

第7章集成學習—組合不同的模型122

7.1集成學習122

7.2實現一個簡單的多數投票分類器125

7.3評估與調優集成分類器131

7.4bagging —通過bootstrap樣本構建集成分類器135

7.5通過自適應boosting提高弱學習機的性能138

本章小結143

第8章使用機器學習進行情感分析144

8.1獲取IMDb電影評論數據集144

8.2詞袋模型簡介146

8.2.1將單詞轉換為特征向量146

8.2.2通過詞頻-逆文檔頻率計算單詞關聯度147

8.2.3清洗文本數據148

8.2.4標記文檔149

8.3訓練用于文檔分類的邏輯斯諦回歸模型151

8.4使用大數據—在線算法與外存學習152

本章小結155

第9章在Web應用中嵌入機器學習模型156

9.1序列化通過scikit-learn擬合的模型156

9.2使用SQLite數據庫存儲數據158

9.3使用Flask開發Web應用160

9.3.1及時個Flask Web應用160

9.3.2表單驗證及渲染161

9.4將電影分類器嵌入Web應用164

9.5在公共服務器上部署Web應用169

本章小結172

第10章使用回歸分析預測連續型目標變量173

10.1簡單線性回歸模型初探173

10.2波士頓房屋數據集174

10.3基于最小二乘法構建線性回歸模型178

10.3.1通過梯度下降計算回歸參數178

10.3.2使用scikit-learn估計回歸模型的系數181

10.4使用RANSAC擬合高魯棒性回歸模型182

10.5線性回歸模型性能的評估184

10.6回歸中的正則化方法185

10.7線性回歸模型的曲線化-多項式回歸186

10.7.1房屋數據集中的非線性關系建模188

10.7.2使用隨機森林處理非線性關系190

本章小結193

第11章聚類分析——處理無類標數據194

11.1使用k-means算法對相似對象進行分組194

11.1.1k-means 196

11.1.2硬聚類與軟聚類198

11.1.3使用肘方法確定簇的數量199

11.1.4通過輪廓圖定量分析聚類質量200

11.2層次聚類203

11.2.1基于距離矩陣進行層次聚類204

11.2.2樹狀圖與熱度圖的關聯207

11.2.3通過scikit-learn進行凝聚聚類208

11.3使用DBSCAN劃分高密度區域209

本章小結212

第12章使用人工神經網絡識別圖像213

12.1使用人工神經網絡對復雜函數建模213

12.1.1單層神經網絡回顧214

12.1.2多層神經網絡架構簡介215

12.1.3通過正向傳播構造神經網絡216

12.2手寫數字的識別218

12.2.1獲取MNIST數據集218

12.2.2實現一個多層感知器222

12.3人工神經網絡的訓練228

12.3.1計算邏輯斯諦代價函數228

12.3.2通過反向傳播訓練神經網絡230

12.4建立對反向傳播的直觀認識231

12.5通過梯度檢驗調試神經網絡232

12.6神經網絡的收斂性236

12.7其他神經網絡架構237

12.7.1卷積神經網絡237

12.7.2循環神經網絡238

12.8關于神經網絡的實現239

本章小結240

第13章使用Theano并行訓練神經網絡241

13.1使用Theano構建、編譯并運行表達式241

13.1.1什么是Theano242

13.1.2初探Theano243

13.1.3配置Theano244

13.1.4使用數組結構245

13.1.5整理思路—線性回歸示例247

13.2為前饋神經網絡選擇激勵函數250

13.2.1邏輯斯諦函數概述250

13.2.2通過softmax函數評估多類別分類任務中的類別概率252

13.2.3通過雙曲正切函數增大輸出范圍252

13.3使用Keras提高訓練神經網絡的效率254

本章小結258