出版社:機械工業出版社 ISBN:9787111645788 商品編碼:67867804306 品牌:文軒 出版時間:2020-03-01 代碼:99 作者:朱塞佩·博納科爾索(GiuseppeBona
" 作 者:(意)朱塞佩·博納科爾索(Giuseppe Bonaccorso) 著 羅娜,汪文發 譯 定 價:99 出 版 社:機械工業出版社 出版日期:2020年03月01日 頁 數:368 裝 幀:平裝 ISBN:9787111645788 與機器學習領域很多偏重於理論的書相比,本書在簡明扼要地闡明基本原理的基礎上,側重於介紹如何在Python環境下使用機器學習方法庫,並通過大量實例清晰形像地展示了不同場景下機器學習方法的應用。從這個角度來說,本書是一本使機器學習算法通過Python實現真正“落地”的書,而這無疑將給想要或致力於機器學習應用的讀者帶來方法理解和實現上的巨大裨益。書中所有實例都是用Python編寫,使用了scikit-learn機器學習框架、自然語言工具包(NLTK)、Crab、langdetect、Spark(PyS等 ●譯者序 前言 第1章機器學習簡介 1.1簡介——經典機器和自適應的機器 1.1.1描述性分析 1.1.2預測性分析 1.2關於學習 1.2.1監督學習 1.2.2無監督學習 1.2.3半監督學習 1.2.4強化學習 1.2.5計算神經科學 1.3超越機器學習——深度學習和基於生物啟發的適應繫統 1.4機器學習和大數據 1.5本章小結 第2章機器學習素 2.1數據格式 2.2可學習性 2.2.1欠擬合和過擬合 2.2.2誤差度量和成本函數 2.2.3PAC學習 2.3統計學習方法介紹 2.3.1優選後驗概率學習 2.3.2優選似然學習 2.4類平衡 2.4.1可置換的重采樣 2.4.2合成少數類過采樣 2.5信息論的要素 2.5.1熵 2.5.2交叉熵和互信息 2.5.3兩個概率分布的散度 2.6本章小結 第3章特征選擇與特征工程 3.1scikit-learn的toy數據集 3.2創建訓練集和測試集 3.3管理分類數據 3.4管理缺失特征 3.5數據縮放和歸一化 3.6特征選擇和過濾 3.7主成分分析 3.7.1非負矩陣分解 3.7.2稀疏PCA 3.7.3核PCA 3.8獨立成分分析 3.9原子提取和字典學習 3.10使用t-SNE可視化高維數據集 3.11本章小結 第4章回歸算法 4.1線性模型 4.2一個二維的例子 4.3基於scikit-learn的線性回歸和更高維 4.3.1決定繫數 4.3.2可解釋方差 4.3.3回歸的解析表達 4.4Ridge回歸、Lasso回歸和ElasticNet 4.4.1Ridge回歸 4.4.2Lasso回歸 4.4.3ElasticNet 4.5穩健回歸 4.5.1隨機抽樣一致算法 4.5.2Huber回歸 4.6貝葉斯回歸 4.7多項式回歸 4.8保序回歸 4.9本章小結 第5章線性分類算法 5.1線性分類 5.2邏輯回歸 5.3實現和優化 5.4隨機梯度下降算法 5.5被動攻擊算法 5.6通過網格搜索找到很優超參數 5.7評估分類的指標 5.7.1混淆矩陣 5.7.2準確率 5.7.3召回率 5.7.4F-Beta 5.7.5Kappa繫數 5.7.6分類報告 5.7.7學習曲線 5.8ROC曲線 5.9本章小結 第6章樸素貝葉斯和判別分析 6.1貝葉斯定理 6.2樸素貝葉斯分類器 6.3scikit-learn中的樸素貝葉斯 6.3.1伯努利樸素貝葉斯 6.3.2多項式樸素貝葉斯 6.3.3高斯樸素貝葉斯 6.4判別分析 6.5本章小結 第7章支持向量機 7.1線性支持向量機 7.2scikit-learn實現 7.3基於內核的分類 7.3.1徑向基函數 7.3.2多項式核 7.3.3Sigmoid核 7.3.4自定義核 7.3.5非線性例子 7.4受控支持向量機 7.5支持向量回歸 7.6半監督支持向量機簡介 7.7本章小結 第8章決策樹和集成學習 8決策樹 8.1決策 8.1.2不純度的衡量 8.1.3特征重要度 8.2基於scikit-learn的決策樹分類 8.3決策樹回歸 8.4集成學習簡介 8.4.1隨機森林 8.4.2AdaBoost 8.4.3梯度樹提升 8.4.4投票分類器 8.5本章小結 第9章聚類原理 9.1聚類基礎 9.2k-NN算法 9.3高斯混合 9.4k-means 9.5基於樣本標記的評價方法 9.5.1同質性 9.5.2完整性 9.5.3修正蘭德指數 9.6本章小結 第10章高級聚類 10.1DBSCAN 10.2譜聚類 10.3在線聚類 10.3.1mini-batch k-means 10.3.2BIRCH 10.4雙聚類 10.5本章小結 第11章層次聚類 11.1分層策略 11.2凝聚聚類 11.2.1樹形圖 11.2.2scikit-learn中的凝聚聚類 11.2.3連接 11.3本章小結 第12章推薦繫統介紹 12.1樸素的基於用戶的繫統 12.2基於內容的繫統 12.3無模式(或基於內存的)協同過濾 12.4基於模型的協同過濾 12.4.1奇異值分解策略 12.4.2交替最小二乘法策略 12.4.3用Apache Spark MLlib實現交替最小二乘法策略 12.5本章小結 第13章自然語言處理簡介 13.1NLTK和內置語料庫 13.2詞袋策略 13.2.1標記 13.2.2停止詞的刪除 13.2.3詞干抽取 13.2.4向量化 13.3詞性 13.4示例文本分類器 13.5本章小結 第14章NLP中的主題建模與情感分析 14.1主題建模 14.1.1隱性語義分析 14.1.2概率隱性語義分析 14.1.3隱性狄利克雷分配 14.2使用Gensim的Word2vec簡介 14.3情感分析 14.4本章小結 第15章神經網絡介紹 15.1深度學習簡介 15.2基於Keras的MLP 15.3本章小結 第16章高級深度學習模型 16.1深層結構 16.2基於Keras的深度卷積網絡示例 16.3基於Kears的LSTM網絡示例 16.4TensorFlow簡介 16.4.1梯度計算 16.4.2邏輯回歸 16.4.3用多層感知器進行分類 16.4.4圖像卷積 16.5本章小結 第17章創建機器學習架構 17.1機器學習框架 17.1.1數據收集 17.1.2歸一化 17.1.3降維 17.1.4數據擴充 17.1.5數據轉換 17.1.6建模、網格搜索和交叉驗證 17.1.7可視化 17.1.8GPU支持 17.1.9分布式架構簡介 17.2用於機器學習架構的scikit-learn工具 17.2.1管道 17.2.2特征聯合 17.3本章小結 與機器學習領域很多偏重於理論的書相比,本書在簡明扼要地闡明基本原理的基礎上,側重於介紹如何在Python環境下使用機器學習方法庫,並通過大量實例清晰形像地展示了不同場景下機器學習方法的應用。從這個角度來說,本書是一本使機器學習算法通過Python實現真正“落地”的書,而這無疑將給想要或致力於機器學習應用的讀者帶來方法理解和實現上的巨大裨益。 書中所有實例都是用Python編寫,使用了scikit-learn機器學習框架、自然語言工具包(NLTK)、Crab、langdetect、Spark(PySpark)、Gensim、Keras和TensorFlow(深度學習框架)。這些程序適用於基於Linux、和Windows繫統的Python 2.7和3.3+版本。 本書主要面向希望在預測分析和機器學習領域建立扎實基礎的機器學習工程師、數據工程師和數據科學家。 (意)朱塞佩·博納科爾索(Giuseppe Bonaccorso) 著 羅娜,汪文發 譯 朱塞佩·博納科爾索(Giuseppe Bonaccorso),一家大型跨國公司的數據科學主管。他擁有意大利卡塔尼亞大學電子工程專業工程學碩士學位,然後在意大利羅馬第二大學、英國埃塞克斯大學深造過。在他的職業生涯中,擔任過公共管理、軍事、公用事業、醫療保健、診斷和廣告等多個業務領域的IT工程師,使用Java、Python、Hadoop、Spark、Theano和TensorFlow等多種技術進行過項目開發與管理。他的主要研究興趣包括人工智能、機器學習、深度學習、強化學習、數據科學等。
" |