机器学习项目开发实战 PDF 高清版

本书通过一系列有趣的实例，由浅入深地介绍了机器学习这一炙手可热的新领域，并且详细介绍了适合机器学习开发的Microsoft F#语言和函数式编程，引领读者深入了解机器学习的基本概念、核心思想和常用算法。书中的例子既通俗易懂，同时又十分实用，可以作为许多开发问题的起点。通过对本书的阅读，读者无须接触枯燥的数学知识，便可快速上手，为日后的开发工作打下坚实的基础。本书适合对机器学习感兴趣的.NET开发人员阅读，也适合其他读者作为机器学习的入门参考书。

目录

• 第1章　256级灰度　1
• 1．1 什么是机器学习　2
• 1．2 经典的机器学习问题：图像分类　3
• 1．2．1 挑战：构建一个数字识别程序　3
• 1．2．2 机器学习中的距离函数　5
• 1．2．3 从简单的方法入手　5
• 1．3 我们的□□个模型（C#版本）　6
• 1．3．1 数据集组织　6
• 1．3．2 读取数据　7
• 1．3．3 计算图像之间的距离　9
• 1．3．4 编写分类器　11
• 1．4 那么，如何知道程序有效？　12
• 1．4．1 交叉验证　12
• 1．4．2 评估模型质量　13
• 1．4．3 改进模型　14
• 1．5 介绍用于机器学习的F#　15
• 1．5．1 使用F#交互执行进行实时脚本编写和数据研究　15
• 1．5．2 创建□□个F#脚本　18
• 1．5．3 剖析□□个F#脚本　19
• 1．5．4 创建函数管道　22
• 1．5．5 用元组和模式匹配操纵数据　23
• 1．5．6 训练和评估分类器函数　24
• 1．6 改进我们的模型　26
• 1．6．1 试验距离的另一种定义　26
• 1．6．2 重构距离函数　27
• 1．7 我们学到了什么　30
• 1．7．1 在好的距离函数中能找到什么　30
• 1．7．2 模型不一定要很复杂　31
• 1．7．3 为什么使用F#?　31
• 1．8 更进一步　32
• 第2章　垃圾邮件还是非垃圾邮件？　33
• 2．1 挑战：构建一个垃圾邮件检测引擎　34
• 2．1．1 了解我们的数据集　34
• 2．1．2 使用可区分联合建立标签模型　35
• 2．1．3 读取数据集　36
• 2．2 根据一个单词决定　38
• 2．2．1 以单词作为线索　38
• 2．2．2 用一个数字表示我们的确定程度　39
• 2．2．3 贝叶斯定理　40
• 2．2．4 处理罕见的单词　42
• 2．3 组合多个单词　42
• 2．3．1 将文本分解为标记　42
• 2．3．2 简单组合得分　43
• 2．3．3 简化的文档得分　44
• 2．4 实现分类器　45
• 2．4．1 将代码提取到模块中　46
• 2．4．2 文档评分与分类　47
• 2．4．3 集合和序列简介　49
• 2．4．4 从文档语料库中学习　51
• 2．5 训练□□个分类器　53
• 2．5．1 实现□□个标记化程序　54
• 2．5．2 交互式验证设计　54
• 2．5．3 用交叉验证确立基准　55
• 2．6 改进分类器　56
• 2．6．1 使用每个单词　56
• 2．6．2 大小写是否重要？　57
• 2．6．3 简单就是美　58
• 2．6．4 仔细选择单词　59
• 2．6．5 创建新特征　61
• 2．6．6 处理数字值　63
• 2．7 理解分类错误　64
• 2．8 我们学到了什么？　66
• 第3章　类型提供程序的快乐　67
• 3．1 探索StackOverflow数据　68
• 3．1．1 StackExchange API　68
• 3．1．2 使用JSON类型提供程序　70
• 3．1．3 构建查询问题的□小化DSL　73
• 3．2 世界上的所有数据　76
• 3．2．1 世界银行类型提供程序　76
• 3．2．2 R类型提供程序　77
• 3．2．3 分析数据与R数据框架　81
• 3．2．4 ．NET数据框架Deedle　83
• 3．2．5 全世界的数据统一起来！　84
• 3．3 我们学到了什么？　88
• 第4章　自行车与人　91
• 4．1 了解数据　92
• 4．1．1 数据集有哪些内容？　92
• 4．1．2 用FSharp．Charting检查数据　93
• 4．1．3 用移动平均数发现趋势　94
• 4．2 为数据适配模型　96
• 4．2．1 定义简单直线模型　96
• 4．2．2 寻找□□代价模型　97
• 4．2．3 用梯度下降找出函数的□小值　98
• 4．2．4 使用梯度下降进行曲线拟合　99
• 4．2．5 更通用的模型公式　100
• 4．3 实施梯度下降的方法　101
• 4．3．1 随机梯度下降　101
• 4．3．2 分析模型改进　103
• 4．3．3 批量梯度下降　105
• 4．4 拯救者——线性代数　107
• 4．4．1 宝贝，我缩短了公式！　108
• 4．4．2 用Math．NET进行线性代数运算　109
• 4．4．3 标准形式　110
• 4．4．4 利用MKL开足马力　111
• 4．5 快速演化和验证模型　112
• 4．5．1 交叉验证和过度拟合　112
• 4．5．2 简化模型的创建　113
• 4．5．3 在模型中添加连续特征　115
• 4．6 用更多特征改进预测　117
• 4．6．1 处理分类特征　117
• 4．6．2 非线性特征　119
• 4．6．3 正规化　122
• 4．7 我们学到了什么？　123
• 4．7．1 用梯度下降□□限度地减小代价　123
• 4．7．2 用回归方法预测数字　124
• 第5章　你不是□□□□的雪花　125
• 5．1 发现数据中的模式　126
• 5．2 我们所面临的挑战：理解StackOverflow上的主题　128
• 5．3 用K-均值聚类方法找出聚类　132
• 5．3．1 改进聚类和质心　133
• 5．3．2 实施K-均值聚类方法　135
• 5．4 StackOverflow标签的归类　138
• 5．4．1 运行聚类分析　138
• 5．4．2 结果分析　139
• 5．5 好的聚类和坏的聚类　141
• 5．6 重新标度数据集以改进聚类　144
• 5．7 确定需要搜索的聚类数量　147
• 5．7．1 什么是“好”的聚类？　147
• 5．7．2 确定StackOverflow数据集的k值　148
• 5．7．3 □终的聚类　150
• 5．8 发现特征的相关性　151
• 5．8．1 协方差和相关系数　151
• 5．8．2 StackOverflow标签之间的相关性　153
• 5．9 用主成分分析确定更好的特征　154
• 5．9．1 用代数方法重新组合特征　155
• 5．9．2 PCA工作方式预览　156
• 5．9．3 实现PCA　158
• 5．9．4 对StackOverflow数据集应用PCA　159
• 5．9．5 分析提取的特征　160
• 5．10 提出建议　165
• 5．10．1 简单标签推荐系统　165
• 5．10．2 实现推荐系统　166
• 5．10．3 验证做出的推荐　168
• 5．11 我们学到了什么？　170
• 第6章　树与森林　171
• 6．1 我们所面临的挑战：“泰坦尼克”上的生死存亡　171
• 6．1．1 了解数据集　172
• 6．1．2 观察各个特征　173
• 6．1．3 构造决策桩　174
• 6．1．4 训练决策桩　176
• 6．2 不适合的特征　177
• 6．2．1 数值该如何处理？　177
• 6．2．2 缺失数据怎么办？　178
• 6．3 计量数据中的信息　180
• 6．3．1 用熵计量不确定性　180
• 6．3．2 信息增益　182
• 6．3．3 实现□□特征识别　184
• 6．3．4 使用熵离散化数值型特征　186
• 6．4 从数据中培育一棵决策树　187
• 6．4．1 建立树的模型　187
• 6．4．2 构建决策树　189
• 6．4．3 更漂亮的树　191
• 6．5 改进决策树　192
• 6．5．1 为什么会过度拟合？　193
• 6．5．2 用过滤器限制过度的自信　194
• 6．6 从树到森林　195
• 6．6．1 用k-折方法进行更深入的交叉验证　196
• 6．6．2 将脆弱的树组合成健壮的森林　198
• 6．6．3 实现缺失的部分　199
• 6．6．4 发展一个森林　200
• 6．6．5 尝试森林　201
• 6．7 我们学到了什么？　202
• 第7章　一个奇怪的游戏　205
• 7．1 构建一个简单的游戏　206
• 7．1．1 游戏元素建模　206
• 7．1．2 游戏逻辑建模　207
• 7．1．3 以控制台应用的形式运行游戏　209
• 7．1．4 游戏显示　211
• 7．2 构建一个粗糙的“大脑”　213
• 7．2．1 决策过程建模　214
• 7．2．2 从经验中学习制胜策略　215
• 7．2．3 实现“大脑”　216
• 7．2．4 测试“大脑”　218
• 7．3 我们能更高效地学习吗？　221
• 7．3．1 探索与利用的对比　221
• 7．3．2 红色的门和蓝色的门是否不同？　222
• 7．3．3 贪婪与规划的对比　223
• 7．4 无限的瓷砖组成的世界　224
• 7．5 实现“大脑”2．0　227
• 7．5．1 简化游戏世界　227
• 7．5．2 预先规划　228
• 7．5．3 ε-学习　229
• 7．6 我们学到了什么？　231
• 7．6．1 符合直觉的简单模型　231
• 7．6．2 自适应机制　232
• 第8章　重回数字　233
• 8．1 调整代码　233
• 8．1．1 寻求的目标　234
• 8．1．2 调整距离函数　235
• 8．1．3 使用Array．Parallel　239
• 8．2 使用Accord．NET实现不同的分类器　240
• 8．2．1 逻辑回归　241
• 8．2．2 用Accord实现简单逻辑回归　242
• 8．2．3 一对一、一对多分类　244
• 8．2．4 支持向量机　246
• 8．2．5 神经网络　248
• 8．2．6 用Accord创建和训练一个神经网络　250
• 8．3 用m-brace．net实现伸缩性　253
• 8．3．1 用Brisk启动Azure上的MBrace　253
• 8．3．2 用MBrace处理大数据集　256
• 8．4 我们学到了什么？　259
• 第9章　结语　261
• 9．1 描绘我们的旅程　261
• 9．2 科学!　262
• 9．3 F#：函数式风格更有效率　263
• 9．4 下一步是什么？　264