123,123,123

內(nèi)容簡(jiǎn)介

　　人工智能正在形成一股新的浪潮，它將從技術(shù)、經(jīng)濟(jì)、社會(huì)等各個(gè)層面改變我們的工作和生活方式。作為實(shí)現(xiàn)人工智能的重要技術(shù)，機(jī)器學(xué)習(xí)正在受到人工智能專家之外的更廣泛人群的關(guān)注，想要了解機(jī)器學(xué)習(xí)相關(guān)知識(shí)和技術(shù)的人日益增多。本書緊緊圍繞“機(jī)器學(xué)習(xí)的商業(yè)應(yīng)用”這個(gè)主題，從數(shù)學(xué)原理上解釋了機(jī)器學(xué)習(xí)的一些基礎(chǔ)算法，如*小二乘法、*優(yōu)推斷法、感知器、Logistic回歸、K均值算法、EM算法、貝葉斯推斷等。全書的主旨在于幫助讀者理解機(jī)器學(xué)習(xí)的本質(zhì)，因此作者介紹具體的例題時(shí)，基本的著眼點(diǎn)是教會(huì)讀者使用什么樣的思維方式，以及如何進(jìn)行計(jì)算，為讀者探索更加復(fù)雜的深度學(xué)習(xí)領(lǐng)域或神經(jīng)網(wǎng)絡(luò)算法打下堅(jiān)實(shí)的基礎(chǔ)。

作者簡(jiǎn)介

　　1971年4月生于日本大阪市?，F(xiàn)為L(zhǎng)inux工程師，任職于知名的Linux發(fā)行商Red Hat，主要致力于推動(dòng)Linux/OSS在企業(yè)系統(tǒng)中的應(yīng)用。從基于Linux/OSS的企業(yè)應(yīng)用開發(fā)，到10000余臺(tái)Linux服務(wù)器的運(yùn)維，再到私有云的設(shè)計(jì)和構(gòu)建，他通過各種各樣的項(xiàng)目掌握了豐富的Linux編程經(jīng)驗(yàn)，并積極地將自己的經(jīng)驗(yàn)傳授給年輕的程序員們。著作有《Linux系統(tǒng)網(wǎng)絡(luò)管理技術(shù)》《Linux系統(tǒng)架構(gòu)和應(yīng)用技巧》等。

圖書目錄

第 1章數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)\t1
1．1　數(shù)據(jù)科學(xué)在商業(yè)領(lǐng)域中的作用　2
1．2　機(jī)器學(xué)習(xí)算法的分類　8
1．2．1　分類：產(chǎn)生類判定的算法　8
1．2．2　回歸分析：預(yù)測(cè)數(shù)值的算法　9
1．2．3　聚類分析：對(duì)數(shù)據(jù)進(jìn)行無(wú)監(jiān)督群組化的算法　10
1．2．4　其他算法　12
1．3　本書使用的例題　13
1．3．1　基于回歸分析的觀測(cè)值推斷　13
1．3．2　基于線性判別的新數(shù)據(jù)分類　17
1．3．3　圖像文件的褪色處理（提取代表色）　18
1．3．4　識(shí)別手寫文字　19
1．4　分析工具的準(zhǔn)備　20
1．4．1　本書使用的數(shù)據(jù)分析工具　21
1．4．2　運(yùn)行環(huán)境設(shè)置步驟（以CentOS 6為例）　22
1．4．3　運(yùn)行環(huán)境設(shè)置步驟（以Mac OS X為例）　25
1．4．4　運(yùn)行環(huán)境設(shè)置步驟（以Windows 7/8．1為例）　27
1．4．5　IPython的使用方法　30
第　2章最小二乘法：機(jī)器學(xué)習(xí)理論第一步　35
2．1　基于近似多項(xiàng)式和最小二乘法的推斷　36
2．1．1　訓(xùn)練集的特征變量和目標(biāo)變量　36
2．1．2　近似多項(xiàng)式和誤差函數(shù)的設(shè)置　38
2．1．3　誤差函數(shù)最小化條件　39
2．1．4　示例代碼的確認(rèn)　42
2．1．5　統(tǒng)計(jì)模型的最小二乘法　46
2．2　過度擬合檢出　49
2．2．1　訓(xùn)練集和測(cè)試集　49
2．2．2　測(cè)試集的驗(yàn)證結(jié)果　50
2．2．3　基于交叉檢查的泛化能力驗(yàn)證　52
2．2．4　基于數(shù)據(jù)的過度擬合變化　54
2．3　附錄：Hessian矩陣的特性　56
第3章　最優(yōu)推斷法：使用概率的推斷理論　59
3．1　概率模型的利用　60
3．1．1　“數(shù)據(jù)的產(chǎn)生概率”設(shè)置　60
3．1．2　基于似然函數(shù)的參數(shù)評(píng)價(jià)　65
3．1．3　示例代碼的確認(rèn)　69
3．2　使用簡(jiǎn)化示例的解釋說明　73
3．2．1　正態(tài)分布的參數(shù)模型　74
3．2．2　示例代碼的確認(rèn)　76
3．2．3　推斷量的評(píng)價(jià)方法（一致性和無(wú)偏性）　78
3．3　附錄：樣本均值及樣本方差一致性和無(wú)偏性的證明　80
3．3．1　樣本均值及樣本方差一致性和無(wú)偏性的證明　81
3．3．2　示例代碼的確認(rèn)　85
第4章　感知器：分類算法的基礎(chǔ)　89
4．1　概率梯度下降法的算法　91
4．1．1　分割平面的直線方程　91
4．1．2　基于誤差函數(shù)的分類結(jié)果評(píng)價(jià)　93
4．1．3　基于梯度的參數(shù)修正　95
4．1．4　示例代碼的確認(rèn)　99
4．2　感知器的幾何學(xué)解釋　100
4．2．1　對(duì)角項(xiàng)的任意性和算法的收斂速度　101
4．2．2　感知器的幾何學(xué)解釋　103
4．2．3　對(duì)角項(xiàng)的幾何學(xué)意義　104
第5章　Logistic回歸和ROC曲線：學(xué)習(xí)模型的評(píng)價(jià)方法　107
5．1　對(duì)分類問題應(yīng)用最優(yōu)推斷法　108
5．1．1　數(shù)據(jù)發(fā)生概率的設(shè)置　108
5．1．2　基于最優(yōu)推斷法的參數(shù)確定　112
5．1．3　示例代碼的確認(rèn)　114
5．2　基于ROC曲線的學(xué)習(xí)模型評(píng)價(jià)　117
5．2．1　Logistic回歸在實(shí)際問題中的應(yīng)用　118
5．2．2　基于ROC曲線的性能評(píng)價(jià)　120
5．2．3　示例代碼的確認(rèn)　123
5．3　附錄：IRLS法的推導(dǎo)　126
第6章　K均值算法：無(wú)監(jiān)督學(xué)習(xí)模型的基礎(chǔ)　133
6．1　基于K均值算法的聚類分析和應(yīng)用實(shí)例　134
6．1．1　無(wú)監(jiān)督學(xué)習(xí)模型類聚類分析　134
6．1．2　基于K均值算法的聚類分析　135
6．1．3　在圖像數(shù)據(jù)方面的應(yīng)用　138
6．1．4　示例代碼的確認(rèn)　141
6．1．5　K均值算法的數(shù)學(xué)依據(jù)　143
6．2　“懶惰”學(xué)習(xí)模型K近鄰法　146
6．2．1　基于K近鄰法的分類　146
6．2．2　K近鄰法的問題　148
第7章　EM算法：基于最優(yōu)推斷法的監(jiān)督學(xué)習(xí)　151
7．1　使用伯努利分布的最優(yōu)推斷法　152
7．1．1　手寫文字的合成方法　153
7．1．2　基于圖像生成器的最優(yōu)推斷法應(yīng)用　154
7．2　使用混合分布的最優(yōu)推斷法　157
7．2．1　基于混合分布的概率計(jì)算　157
7．2．2　EM算法的過程　158
7．2．3　示例代碼的確認(rèn)　161
7．2．4　基于聚類分析的探索性數(shù)據(jù)解析　165
7．3　附錄：手寫文字?jǐn)?shù)據(jù)的采集方法　167
第8章　貝葉斯推斷：以數(shù)據(jù)為基礎(chǔ)提高置信度的手法　169
8．1　貝葉斯推斷模型和貝葉斯定理　170
8．1．1　貝葉斯推斷的思路　171
8．1．2　貝葉斯定理入門　172
8．1．3　使用貝葉斯推斷確定正態(tài)分布：推斷參數(shù)　178
8．1．4　使用貝葉斯推斷確定正態(tài)分布：推斷觀測(cè)值分布　185
8．1．5　示例代碼的確認(rèn)　188
8．2　貝葉斯推斷回歸分析的應(yīng)用　190
8．2．1　參數(shù)后期分布的計(jì)算　190
8．2．2　觀測(cè)值分布的推斷　194
8．2．3　示例代碼的確認(rèn)　195
8．3　附錄：最優(yōu)推斷法和貝葉斯推斷的關(guān)系　198
后記　201