Python機器學習算法與應用

目 錄

第1章 機器學習概述 1
1.1 機器學習定義 1
1.2 機器學習的發(fā)展 2
1.3 機器學習的分類 3
1.4 機器學習的研究領域 6
1.5 本章小結 8
第2章 機器學習數(shù)據(jù)特征 9
2.1 數(shù)據(jù)分布性 9
2.1.1 數(shù)據(jù)分布集中趨勢的測定 9
2.1.2 數(shù)據(jù)分布離散程度的測定 14
2.1.3 數(shù)據(jù)分布偏態(tài)與峰度的測定 17
2.2 數(shù)據(jù)相關性 19
2.2.1 相關關系 19
2.2.2 相關分析 22
2.3 數(shù)據(jù)聚類性 24
2.4 數(shù)據(jù)主成分分析 27
2.4.1 主成分分析的原理及模型 27
2.4.2 主成分分析的幾何解釋 29
2.4.3 主成分的導出 30
2.4.4 證明主成分的方差是依次遞減 31
2.4.5 主成分分析的計算 32
2.5 數(shù)據(jù)動態(tài)性 34
2.6 數(shù)據(jù)可視化 37
2.7 本章小結 39
第3章 機器學習分類算法 40
3.1 數(shù)據(jù)清洗和特征選擇 40
3.1.1 數(shù)據(jù)清洗 40
3.1.2 特征選擇 42
3.1.3 回歸分析 45
3.2 決策樹、隨機森林 47
3.3 SVM 51
3.3.1 最優(yōu)分類面和廣義最優(yōu)分類面 52
3.3.2 SVM的非線性映射 55
3.3.3 核函數(shù) 56
3.4 聚類算法 56
3.5 EM算法 61
3.6 貝葉斯算法 63
3.7 隱馬爾可夫模型 63
3.8 LDA主題模型 66
3.9 人工神經網(wǎng)絡 69
3.10 KNN算法 73
3.11 本章小結 76
第4章 Python機器學習項目 77
4.1 SKlearn 78
4.1.1 SKlearn包含的機器學習方式 78
4.1.2 SKlearn的強大數(shù)據(jù)庫 79
4.1.3 鳶尾花數(shù)據(jù)集舉例 80
4.1.4 Boston房價數(shù)據(jù)集的示例 83
4.2 TensorFlow 85
4.2.1 TensorFlow簡介 86
4.2.2 TensorFlow的下載與安裝 88
4.2.3 TensorFlow的基本使用 91
4.3 Theano 96
4.4 Caffe 115
4.4.1 Caffe框架與運行環(huán)境 115
4.4.2 網(wǎng)絡模型 119
4.5 Gensim 125
4.5.1 Gensim特性與核心概念 125
4.5.2 訓練語料的預處理 125
4.5.3 主題向量的變換 126
4.5.4 文檔相似度的計算 127
4.6 Pylearn2 134
4.7 Shogun 135
4.8 Chainer 136
4.9 NuPIC 143
4.10 Neon 160
4.11 Nilearn 165
4.12 Orange3 168
4.13 PyMC與PyMC3 171
4.14 PyBrain 175
4.15 Fuel 181
4.16 PyMVPA 184
4.17 Annoy 186
4.18 Deap 190
4.19 Pattern 191
4.20 Requests 195
4.21 Seaborn 199
4.22 本章小結 206
第5章 Kaggle平臺機器學習實戰(zhàn) 207
5.1 Kaggle信用卡欺詐檢測 207
5.1.1 Kaggle信用卡欺詐檢測準備 207
5.1.2 Kaggle信用卡欺詐檢測實例 210
5.2 Kaggle機器學習案例 228
5.2.1 Kaggle機器學習概況 229
5.2.2 自行車租賃數(shù)據(jù)分析與可視化案例 230
5.3 本章小結 241
第6章 PaddlePaddle平臺機器學習實戰(zhàn) 242
6.1 PaddlePaddle平臺安裝 242
6.2 PaddlePaddle平臺手寫體數(shù)字識別 243
6.3 PaddlePaddle平臺圖像分類 261
6.4 PaddlePaddle平臺詞向量 277
6.5 PaddlePaddle平臺個性化推薦 289
6.6 PaddlePaddle平臺情感分析 302
6.7 本章小結 311
參考文獻 312