機器學習實踐指南:案例應用解析 机器学习实践指南:案例应用解析

麥好

  • 出版商: 機械工業
  • 出版日期: 2014-04-01
  • 定價: $414
  • 售價: 8.5$352
  • 語言: 簡體中文
  • 頁數: 323
  • 裝訂: 平裝
  • ISBN: 7111462076
  • ISBN-13: 9787111462071
  • 相關分類: Machine Learning
  • 立即出貨(限量) (庫存=1)

買這商品的人也買了...

商品描述

麥好編著的《機器學習實踐指南(案例應用解析)》是機器學習及數據分析領域不可多得的一本著作,也是為數不多的既有大量實踐應用案例又包含演算法理論剖析的著作,作者針對機器學習演算法既抽象複雜又涉及多門數學學科的特點,力求理論聯繫實際,始終以演算法應用為主線,由淺入深以全新的角度詮釋機器學習。《機器學習實踐指南:案例應用解析》分為準備篇、基礎篇、統計分析實戰篇和機器學習實戰篇。準備篇介紹了機器學習的發展及應用前景以及常用科學計算平臺,主要包括統計分析語言r、機器學習模塊mlpy和neurolab、科學計算平臺numpy、圖像識別軟件包opencv、網頁分析beautifulsoup等軟件的安裝與配置。基礎篇先對數學基礎及其在機器學習領域的應用進行講述,同時推薦配套學習的數學書籍,然後運用實例說明計算平臺的使用,以python和r為實現語言,重點講解了圖像演算法、信息隱藏、最小二乘法擬合、因子頻率分析、歐氏距離等,告訴讀者如何使用計算平臺完成工程應用。最後,通過大量統計分析和機器學習案例提供實踐指南,首先講解回歸分析、區間分佈、數據圖形化、分佈趨勢、正態分佈、分佈擬合等數據分析基礎,然後講解神經網絡、統計演算法、歐氏距離、餘弦相似度、線性與非線性回歸、數據擬合、線性濾波、圖像識別、人臉辨識、網頁分類等機器學習演算法。此書可供演算法工程師、it專業人員以及機器學習愛好者參考使用。

目錄大綱

前言
第一部分  準備篇
第1章  機器學習發展及應用前景
  1.1  機器學習概述
    1.1.1  什麼是機器學習
    1.1.2  機器學習的發展
    1.1.3  機器學習的未來
  1.2  機器學習應用前景
    1.2.1  數據分析與挖掘
    1.2.2  模式識別
    1.2.3  更廣闊的領域
  1.3  小結
第2章  科學計算平臺
  2.1  科學計算軟件平臺概述
    2.1.1  常用的科學計算軟件
    2.1.2  本書使用的工程計算平臺
  2.2  計算平臺的配置
    2.2.1  Numpy等Python科學計算包的安裝與配置
    2.2.2  OpenCV  安裝與配置
    2.2.3  mlpy 安裝與配置
    2.2.4  Beautifulsoup安裝與配置
    2.2.5  Neurolab安裝與配置
    2.2.6  R安裝與配置
  2.3  小結
第二部分  基礎篇
第3章  機器學習數學基礎
  3.1  數學對我們有用嗎
  3.2  機器學習需要哪些數學知識
  3.3  小結
第4章  計算平臺應用實例
  4.1  Python計算平臺簡介及應用實例
    4.1.1  Python語言基礎
    4.1.2  Numpy庫
    4.1.3  pylab、matplotlib繪圖
    4.1.4  圖像基礎
    4.1.5  圖像融合與圖像鏡像
    4.1.6  圖像灰度化與圖像加噪
    4.1.7  聲音基礎
    4.1.8  聲音音量調節
    4.1.9  圖像信息隱藏
    4.1.10  聲音信息隱藏
  4.2  R語言基礎
    4.2.1  基本操作
    4.2.2  向量
    4.2.3  對象集屬性
    4.2.4  因子和有序因子
    4.2.5  循環語句
    4.2.6  條件語句
  4.3  R語言科學計算
    4.3.1  分類(組)統計

    4.3.2  數組與矩陣基礎
    4.3.3  數組運算
    4.3.4  矩陣運算
  4.4  R語言計算實例
    4.4.1  學生數據集讀寫
    4.4.2  最小二乘法擬合
    4.4.3  交叉因子頻率分析
    4.4.4  向量模長計算
    4.4.5  歐氏距離計算
  4.5  小結
  思考題
第三部分  統計分析實戰篇
第5章  統計分析基礎
  5.1  數據分析概述
  5.2  數學基礎
  5.3  回歸分析
    5.3.1  單變量線性回歸
    5.3.2  多元線性回歸
    5.3.3  非線性回歸
  5.4  數據分析基礎
    5.4.1  區間頻率分佈
    5.4.2  數據直方圖
    5.4.3  數據散點圖
    5.4.4  五分位數
    5.4.5  累積分佈函數
    5.4.6  核密度估計
  5.5  數據分佈分析
  5.6  小結
  思考題
第6章  統計分析案例
  6.1  數據圖形化案例解析
    6.1.1  點圖
    6.1.2  餅圖和條形圖
    6.1.3  莖葉圖和箱線圖
  6.2  數據分佈趨勢案例解析
    6.2.1  平均值
    6.2.2  加權平均值
    6.2.3  數據排序
    6.2.4  中位數
    6.2.5  極差、半極差
    6.2.6  方差
    6.2.7  標準差
    6.2.8  變異係數、樣本平方和
    6.2.9  偏度係數、峰度係數
  6.3  正態分佈案例解析
    6.3.1  正態分佈函數
    6.3.2  峰度係數分析
    6.3.3  累積分佈概率
    6.3.4  概率密度函數
    6.3.5  分位點

    6.3.6  頻率直方圖
    6.3.7  核概率密度與正態概率分佈圖
    6.3.8  正太檢驗與分佈擬合
    6.3.9  其他分佈及其擬合
  6.4  小結
  思考題
第四部分  機器學習實戰篇
第7章  機器學習演算法
  7.1  神經網絡
    7.1.1  Rosenblatt感知器
    7.1.2  梯度下降
    7.1.3  反向傳播與多層感知器
    7.1.4  Python神經網絡庫
  7.2  統計演算法
    7.2.1  平均值
    7.2.2  方差與標準差
    7.2.3  貝葉斯演算法
  7.3  歐氏距離
  7.4  餘弦相似度
  7.5
    7.5.1  數學原理
    7.5.2  SMO演算法
    7.5.3  演算法應用
  7.6  回歸演算法
    7.6.1  線性代數基礎
    7.6.2  最小二乘法原理
    7.6.3  線性回歸
    7.6.4  多元非線性回歸
    7.6.5  嶺回歸方法
    7.6.6  偽逆方法
  7.7  PCA降維
  7.8  小結
  思考題
第8章  數據擬合案例
  8.1  數據擬合
    8.1.1  圖像分析法
    8.1.2  神經網絡擬合法
  8.2  線性濾波
    8.2.1  Wav聲音文件
    8.2.2  線性濾波演算法過程
    8.2.3  濾波Python實現
  8.3  小結
  思考題
第9章  圖像識別案例
  9.1  圖像邊緣演算法
    9.1.1  數字圖像基礎
    9.1.2  演算法描述
  9.2  圖像匹配
    9.2.1  差分矩陣求和
    9.2.2  差分矩陣均值

    9.2.3  歐氏距離匹配
  9.3  圖像分類
    9.3.1  餘弦相似度
    9.3.2  Pca圖像特徵提取演算法
    9.3.3  基於神經網絡的圖像分類
    9.3.4  基於Svm的圖像分類
  9.4  人臉辨識
    9.4.1  人臉定位
    9.4.2  人臉辨識
  9.5  手寫數字識別
    9.5.1  手寫數字識別演算法
    9.5.2  演算法的Python實現
  9.6  小結
  思考題
第10章  文本分類案例
  10.1  文本分類概述
  10.2  餘弦相似度分類
    10.2.1  中文分詞
    10.2.2  停用詞清理
    10.2.3  演算法實戰
  10.3  樸素貝葉斯分類
    10.3.1  演算法描述
    10.3.2  先驗概率計算
    10.3.3  最大後驗概率
    10.3.4  演算法實現
  10.4  小結
  思考題