资料简介：

在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极-端*森林、隐马尔可夫模型、条件*场、深度神经网络，等等。 在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极-端*森林、隐马尔可夫模型、条件*场、深度神经网络，等等。

 

资料目录：

译者序

前言

本书内容

阅读背景

读者对象

内容组织

准备工作

详细步骤

工作原理

更多内容

另请参阅

排版约定

读者反馈

客户支持

下载示例代码

下载本书的彩色图片

勘误

盗版

问题

电子书

第 1 章 监督学习

1.1 简介

1.2 数据预处理技术

1.2.1 准备工作

1.2.2 详细步骤

1.3 标记编码方法

详细步骤

1.4 创建线性回归器

1.4.1 准备工作

1.4.2 详细步骤

1.5 计算回归准确性

1.5.1 准备工作

1.5.2 详细步骤

1.6 保存模型数据

详细步骤

1.7 创建岭回归器

1.7.1 准备工作

1.7.2 详细步骤

1.8 创建多项式回归器

1.8.1 准备工作

1.8.2 详细步骤

1.9 估算房屋价格

1.9.1 准备工作

1.9.2 详细步骤

1.10 计算特征的相对重要性

详细步骤

1.11 评估共享单车的需求分布

1.11.1 准备工作

1.11.2 详细步骤

1.11.3 更多内容

第 2 章 创建分类器

2.1 简介

2.2 建立简单分类器

2.2.1 详细步骤

2.2.2 更多内容

2.3 建立逻辑回归分类器

详细步骤

2.4 建立朴素贝叶斯分类器

详细步骤

2.5 将数据集分割成训练集和测试集

详细步骤

2.6 用交叉验证检验模型准确性

2.6.1 准备工作

2.6.2 详细步骤

2.7 混淆矩阵可视化

详细步骤

2.8 提取性能报告

详细步骤

2.9 根据汽车特征评估质量

2.9.1 准备工作

2.9.2 详细步骤

2.10 生成验证曲线

详细步骤

2.11 生成学习曲线

详细步骤

2.12 估算收入阶层

详细步骤

第 3 章 预测建模

3.1 简介

3.2 用SVM建立线性分类器

3.2.1 准备工作

3.2.2 详细步骤

3.3 用SVM建立非线性分类器

详细步骤

3.4 解决类型数量不平衡问题

详细步骤

3.5 提取置信度

详细步骤

3.6 寻找最优超参数

详细步骤

3.7 建立事件预测器

3.7.1 准备工作

3.7.2 详细步骤

3.8 估算交通流量

3.8.1 准备工作

3.8.2 详细步骤

第 4 章 无监督学习——聚类

4.1 简介

4.2 用k-means算法聚类数据

详细步骤

4.3 用矢量量化压缩图片

详细步骤

4.4 建立均值漂移聚类模型

详细步骤

4.5 用凝聚层次聚类进行数据分组

详细步骤

4.6 评价聚类算法的聚类效果

详细步骤

4.7 用DBSCAN算法自动估算集群数量

详细步骤

4.8 探索股票数据的模式

详细步骤

4.9 建立客户细分模型

详细步骤

第 5 章 构建推荐引擎

5.1 简介

5.2 为数据处理构建函数组合

详细步骤

5.3 构建机器学习流水线

5.3.1 详细步骤

5.3.2 工作原理

5.4 寻找最近邻

详细步骤

5.5 构建一个KNN分类器

5.5.1 详细步骤

5.5.2 工作原理

5.6 构建一个KNN回归器

5.6.1 详细步骤

5.6.2 工作原理

5.7 计算欧氏距离分数

详细步骤

5.8 计算皮尔逊相关系数

详细步骤

5.9 寻找数据集中的相似用户

详细步骤

5.10 生成电影推荐

详细步骤

第 6 章 分析文本数据

6.1 简介

6.2 用标记解析的方法预处理数据

详细步骤

6.3 提取文本数据的词干

6.3.1 详细步骤

6.3.2 工作原理

6.4 用词形还原的方法还原文本的基本形式

详细步骤

6.5 用分块的方法划分文本

详细步骤

6.6 创建词袋模型

6.6.1 详细步骤

6.6.2 工作原理

6.7 创建文本分类器

6.7.1 详细步骤

6.7.2 工作原理

6.8 识别性别

详细步骤

6.9 分析句子的情感

6.9.1 详细步骤

6.9.2 工作原理

6.10 用主题建模识别文本的模式

6.10.1 详细步骤

6.10.2 工作原理

第 7 章 语音识别

7.1 简介

7.2 读取和绘制音频数据

详细步骤

7.3 将音频信号转换为频域

详细步骤

7.4 自定义参数生成音频信号

详细步骤

7.5 合成音乐

详细步骤

7.6 提取频域特征

详细步骤

7.7 创建隐马尔科夫模型

详细步骤

7.8 创建一个语音识别器

详细步骤

第 8 章 解剖时间序列和时序数据

8.1 简介

8.2 将数据转换为时间序列格式

详细步骤

8.3 切分时间序列数据

详细步骤

8.4 操作时间序列数据

详细步骤

8.5 从时间序列数据中提取统计数字

详细步骤

8.6 针对序列数据创建隐马尔科夫模型

8.6.1 准备工作

8.6.2 详细步骤

8.7 针对序列文本数据创建条件随机场

8.7.1 准备工作

8.7.2 详细步骤

8.8 用隐马尔科夫模型分析股票市场数据

详细步骤

第 9 章 图像内容分析

9.1 简介

9.2 用OpenCV-Pyhon操作图像

详细步骤

9.3 检测边

详细步骤

9.4 直方图均衡化

详细步骤

9.5 检测棱角

详细步骤

9.6 检测SIFT特征点

详细步骤

9.7 创建Star特征检测器

详细步骤

9.8 利用视觉码本和向量量化创建特征

详细步骤

9.9 用极端随机森林训练图像分类器

详细步骤

9.10 创建一个对象识别器

详细步骤

第 10 章 人脸识别

10.1 简介

10.2 从网络摄像头采集和处理视频信息

详细步骤

10.3 用Haar级联创建一个人脸识别器

详细步骤

10.4 创建一个眼睛和鼻子检测器

详细步骤

10.5 做主成分分析

详细步骤

10.6 做核主成分分析

详细步骤

10.7 做盲源分离

详细步骤

10.8 用局部二值模式直方图创建一个人脸识别器

详细步骤

第 11 章 深度神经网络

11.1 简介

11.2 创建一个感知器

详细步骤

11.3 创建一个单层神经网络

详细步骤

11.4 创建一个深度神经网络

详细步骤

11.5 创建一个向量量化器

详细步骤

11.6 为序列数据分析创建一个递归神经网络

详细步骤

11.7 在光学字符识别数据库中将字符可视化

详细步骤

11.8 用神经网络创建一个光学字符识别器

详细步骤

第 12 章 可视化数据

12.1 简介

12.2 画3D散点图

详细步骤

12.3 画气泡图

详细步骤

12.4 画动态气泡图

详细步骤

12.5 画饼图

详细步骤

12.6 画日期格式的时间序列数据

详细步骤

12.7 画直方图

详细步骤

12.8 可视化热力图

详细步骤

12.9 动态信号的可视化模拟