书籍详情

Python机器学习实践:测试驱动的开发方法

Python机器学习实践:测试驱动的开发方法

作者:(美),马修·柯克

出版社:机械工业出版社

出版时间:2017-11-01

ISBN:9787111581666

定价:¥59.00

购买这本书可以去
内容简介
  本书一开始就立足于软件编写、算法测试的实践指导,为读者理解示例代码、动手编写自己的程序做必要的铺垫。 然后,作者才开始简明扼要地介绍机器学习算法的定义,以及读者必须知道的算法类别、这些算法又各自有何神通,并轻轻点出:每个算法也有它的死穴。 第三章到第九章,作者深入详实地讲解了几种有代表性的机器学习算法:K-最近邻,朴素贝叶斯分类,决策树和随机森林,隐马尔可夫模型,支持向量机,神经网络,以及聚类。在这些章节中,不但讲解了算法核心部分的数学表达,也用机智、形象的语言描述了算法如何在实际生活中解决问题,并给出了关键的Python代码示例和算法训练、测试过程。
作者简介
暂缺《Python机器学习实践:测试驱动的开发方法》作者简介
目录

前言         1

\n

第1章    5

\n

可能近似正确的软件     5

\n

正确地编写软件     6

\n

编写正确的软件     10

\n

本书计划         16

\n

第2章 快速介绍机器学习   18

\n

什么是机器学习     18

\n

有监督学习     18

\n

无监督学习     19

\n

强化学习         20

\n

机器学习能完成什么     20

\n

本书中使用的数学符号         21

\n

结论         22

\n

第3章 K最近邻算法    23

\n

如何确定是否想购买一栋房子     23

\n

房子的价格究竟几何     24

\n

愉悦回归         24

\n

什么是邻域     25

\n

K最近邻算法简介 26

\n

K先生最近的邻居 26

\n

距离         27

\n

维度灾难         33

\n

如何选择K      34

\n

给西雅图的房子估价     37

\n

结论         43

\n

第4章 朴素贝叶斯分类       44

\n

通过贝叶斯定理来发现欺诈订单         44

\n

条件概率         45

\n

概率符号         45

\n

反向条件概率(又名贝叶斯定理)     47

\n

朴素贝叶斯分类器         47

\n

贝叶斯推理之朴素         48

\n

伪计数   49

\n

垃圾邮件过滤器     50

\n

标记化和上下文     55

\n

结论         67

\n

第5章 决策树和随机森林   68

\n

蘑菇的细微差别     69

\n

使用民间定理实现蘑菇分类         70

\n

找到最佳切换点     71

\n

修剪树     74

\n

结论         83

\n

第6章 隐马尔可夫模型       84

\n

使用状态机来跟踪用户行为         84

\n

输出/观测隐含状态        86

\n

使用马尔可夫假设化简         87

\n

隐马尔可夫模型     88

\n

评估: 前向-后向算法    89

\n

通过维特比算法解码     93

\n

学习问题         94

\n

词性标注与布朗语库     94

\n

结论         105

\n

第7章 支持向量机       106

\n

客户满意度作为语言的函数         107

\n

SVM背后的理论    108

\n

情绪分析器     113

\n

聚合情绪         124

\n

将情绪映射到底线         126

\n

结论         127

\n

第8章 神经网络   128

\n

什么是神经网络     129

\n

神经网络史     129

\n

布尔逻辑         129

\n

感知器     130

\n

如何构建前馈神经网络         130

\n

构建神经网络         144

\n

使用神经网络来对语言分类         145

\n

结论         154

\n

第9章 聚类   155

\n

无任何偏差的研究数据         155

\n

用户群组        156

\n

测试群集映射        157

\n

K均值聚类      159

\n

最大期望(EM)聚类   161

\n

不可能性定理        163

\n

案例:音乐归类   164

\n

结论        174

\n

第10章 模型改进与数据提取     175

\n

辩论俱乐部     175

\n

选择更好的数据     176

\n

最小冗余最大相关性的特征选择         181

\n

特征变换与矩阵分解     183

\n

结论         189

\n

第11章 将这些方法融合在一起:结论     191

\n

机器学习算法回顾         191

\n

如何使用这些信息来解决问题     193

\n

下一步做什么         193

猜您喜欢

读书导航