機(jī)器學(xué)習(xí)算法

目　錄
Machine Learning Algorithms

譯者序
前言
作者簡(jiǎn)介
審校人員簡(jiǎn)介
第1章　機(jī)器學(xué)習(xí)簡(jiǎn)介1
　1.1　經(jīng)典機(jī)器和自適應(yīng)機(jī)器簡(jiǎn)介1
　1.2　機(jī)器學(xué)習(xí)的分類2
　　1.2.1　監(jiān)督學(xué)習(xí)3
　　1.2.2　無(wú)監(jiān)督學(xué)習(xí)5
　　1.2.3　強(qiáng)化學(xué)習(xí)7
　1.3　超越機(jī)器學(xué)習(xí)——深度學(xué)習(xí)和仿生自適應(yīng)系統(tǒng)8
　1.4　機(jī)器學(xué)習(xí)和大數(shù)據(jù)9
　延伸閱讀10
　本章小結(jié)10
第2章　機(jī)器學(xué)習(xí)的重要元素11
　2.1　數(shù)據(jù)格式11
　2.2　可學(xué)習(xí)性13
　　2.2.1　欠擬合和過(guò)擬合15
　　2.2.2　誤差度量16
　　2.2.3　PAC學(xué)習(xí)18
　2.3　統(tǒng)計(jì)學(xué)習(xí)方法19
　　2.3.1　最大后驗(yàn)概率學(xué)習(xí)20
　　2.3.2　最大似然學(xué)習(xí)20
　2.4　信息論的要素24
　參考文獻(xiàn)26
　本章小結(jié)26
第3章　特征選擇與特征工程28
　3.1　scikit-learn練習(xí)數(shù)據(jù)集28
　3.2　創(chuàng)建訓(xùn)練集和測(cè)試集29
　3.3　管理分類數(shù)據(jù)30
　3.4　管理缺失特征33
　3.5　數(shù)據(jù)縮放和歸一化33
　3.6　特征選擇和過(guò)濾35
　3.7　主成分分析37
　　3.7.1　非負(fù)矩陣分解42
　　3.7.2　稀疏PCA42
　　3.7.3　核PCA43
　3.8　原子提取和字典學(xué)習(xí)45
　參考文獻(xiàn)47
　本章小結(jié)47
第4章　線性回歸48
　4.1　線性模型48
　4.2　一個(gè)二維的例子48
　4.3　基于scikit-learn的線性回歸和更高維50
　4.4　Ridge、Lasso和ElasticNet53
　4.5　隨機(jī)采樣一致的魯棒回歸57
　4.6　多項(xiàng)式回歸58
　4.7　保序回歸60
　參考文獻(xiàn)62
　本章小結(jié)62
第5章　邏輯回歸64
　5.1　線性分類64
　5.2　邏輯回歸65
　5.3　實(shí)現(xiàn)和優(yōu)化67
　5.4　隨機(jī)梯度下降算法69
　5.5　通過(guò)網(wǎng)格搜索找到最優(yōu)超參數(shù)71
　5.6　評(píng)估分類的指標(biāo)73
　5.7　ROC曲線77
　本章小結(jié)79
第6章　樸素貝葉斯81
　6.1　貝葉斯定理81
　6.2　樸素貝葉斯分類器82
　6.3　scikit-learn中的樸素貝葉斯83
　　6.3.1　伯努利樸素貝葉斯83
　　6.3.2　多項(xiàng)式樸素貝葉斯85
　　6.3.3　高斯樸素貝葉斯86
　參考文獻(xiàn)89
　本章小結(jié)89
第7章　支持向量機(jī)90
　7.1　線性支持向量機(jī)90
　7.2　scikit-learn實(shí)現(xiàn)93
　　7.2.1　線性分類94
　　7.2.2　基于內(nèi)核的分類95
　　7.2.3　非線性例子97
　7.3　受控支持向量機(jī)101
　7.4　支持向量回歸103
　參考文獻(xiàn)104
　本章小結(jié)104
第8章　決策樹(shù)和集成學(xué)習(xí)105
8.1　二元決策樹(shù)105
　　8.1.1　二元決策106
　　8.1.2　不純度的衡量107
　　8.1.3　特征重要度109
　8.2　基于scikit-learn的決策樹(shù)分類109
　8.3　集成學(xué)習(xí)113
　　8.3.1　隨機(jī)森林114
　　8.3.2　AdaBoost116
　　8.3.3　梯度樹(shù)提升118
　　8.3.4　投票分類器120
　參考文獻(xiàn)122
　本章小結(jié)122
第9章　聚類基礎(chǔ)124
　9.1　聚類簡(jiǎn)介124
　　9.1.1　k均值聚類125
　　9.1.2　DBSCAN136
　　9.1.3　光譜聚類138
　9.2　基于實(shí)證的評(píng)價(jià)方法139
　　9.2.1　同質(zhì)性140
　　9.2.2　完整性140
　　9.2.3　修正蘭德指數(shù)141
　參考文獻(xiàn)142
　本章小結(jié)142
第10章　層次聚類143
　10.1　分層策略143
　10.2　凝聚聚類143
　　10.2.1　樹(shù)形圖145
　　10.2.2　scikit-learn中的凝聚聚類147
　　10.2.3　連接限制149
　參考文獻(xiàn)151
　本章小結(jié)152
第11章　推薦系統(tǒng)簡(jiǎn)介153
　11.1　樸素的基于用戶的系統(tǒng)153
　11.2　基于內(nèi)容的系統(tǒng)156
　11.3　無(wú)模式（或基于內(nèi)存的）協(xié)同過(guò)濾158
　11.4　基于模型的協(xié)同過(guò)濾160
　　11.4.1　奇異值分解策略161
　　11.4.2　交替最小二乘法策略163
　　11.4.3　用Apache Spark MLlib實(shí)現(xiàn)交替最小二乘法策略164
　參考文獻(xiàn)167
　本章小結(jié)167
第12章　自然語(yǔ)言處理簡(jiǎn)介169
　12.1　NLTK和內(nèi)置語(yǔ)料庫(kù)169
　12.2　詞袋策略171
　　12.2.1　標(biāo)記172
　　12.2.2　停止詞的刪除174
　　12.2.3　詞干提取175
　　12.2.4　向量化176
　12.3　基于路透社語(yǔ)料庫(kù)的文本分類器例子180
　參考文獻(xiàn)182
　本章小結(jié)182
第13章　自然語(yǔ)言處理中的主題建模與情感分析183
　13.1　主題建模183
　　13.1.1　潛在語(yǔ)義分析183
　　13.1.2　概率潛在語(yǔ)義分析188
　　13.1.3　潛在狄利克雷分配193
　13.2　情感分析198
　參考文獻(xiàn)202
　本章小結(jié)202
第14章　深度學(xué)習(xí)和TensorFlow簡(jiǎn)介203
　14.1　深度學(xué)習(xí)簡(jiǎn)介203
　　14.1.1　人工神經(jīng)網(wǎng)絡(luò)203
　　14.1.2　深層結(jié)構(gòu)206
　14.2　TensorFlow簡(jiǎn)介208
　　14.2.1　計(jì)算梯度210
　　14.2.2　邏輯回歸212
　　14.2.3　用多層感知器進(jìn)行分類215
　　14.2.4　圖像卷積218
　14.3　Keras內(nèi)部速覽220
　參考文獻(xiàn)225
　本章小結(jié)225
第15章　構(gòu)建機(jī)器學(xué)習(xí)框架226
　15.1　機(jī)器學(xué)習(xí)框架226
　　15.1.1　數(shù)據(jù)收集227
　　15.1.2　歸一化227
　　15.1.3　降維227
　　15.1.4　數(shù)據(jù)擴(kuò)充228
　　15.1.5　數(shù)據(jù)轉(zhuǎn)換228
　　15.1.6　建模、網(wǎng)格搜索和交叉驗(yàn)證229
　　15.1.7　可視化229
　15.2　用于機(jī)器學(xué)習(xí)框架的scikit-learn工具229
　　15.2.1　管道229
　　15.2.2　特征聯(lián)合232
　參考文獻(xiàn)233
　本章小結(jié)233