机器学习实践指南：案例应用解析

给大家带来的一篇关于机器学习相关的电子书资源，介绍了关于机器学习、实践指南方面的内容，本书是由机械工业出版社出版，格式为PDF，资源大小82.2 MB，麦好编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：8.2分

Tags：

内容介绍

《机器学习实践指南》第2版比第1版增加了更多的案例和算法解析，全书详细介绍了机器学习发展及应用前景、科学计算平台、Python计算平台应用、R语言计算平台应用、生产环境基础、统计分析基础、描述性分析案例、假设检验与回归模型案例、神经网络、统计算法、欧氏距离与余弦相似度、SVM、回归算法、PCA降维、关联规则、聚类与分类算法、数据拟合案例、图像算法案例、机器视觉案例、文本分类案例等机器学习实践与应用。

目录

• 推荐序
• 前言
• 第一部分　准备篇
• 第1章 机器学习发展及应用前景 2
• 1.1 机器学习概述 2
• 1.1.1 什么是机器学习 3
• 1.1.2 机器学习的发展 3
• 1.1.3 机器学习的未来 4
• 1.2 机器学习应用前景 5
• 1.2.1 数据分析与挖掘 5
• 1.2.2 模式识别 6
• 1.2.3 更广阔的领域 6
• 1.3 小结 7
• 第2章 科学计算平台 8
• 2.1 科学计算软件平台概述 9
• 2.1.1 常用的科学计算软件 9
• 2.1.2 本书使用的工程计算平台 10
• 2.2 计算平台的配置 11
• 2.2.1 Numpy等Python科学计算包的安装与配置 11
• 2.2.2 OpenCV 安装与配置 14
• 2.2.3 mlpy 安装与配置 14
• 2.2.4 BeautifulSoup安装与配置 15
• 2.2.5 Neurolab安装与配置 15
• 2.2.6 R安装与配置 16
• 2.3 小结 16
• 第二部分　基础篇
• 第3章 计算平台应用实例 18
• 3.1 Python计算平台简介及应用实例 18
• 3.1.1 Python语言基础 18
• 3.1.2 Numpy库 29
• 3.1.3 pylab、matplotlib绘图 36
• 3.1.4 图像基础 38
• 3.1.5 图像融合与图像镜像 46
• 3.1.6 图像灰度化与图像加噪 48
• 3.1.7 声音基础 51
• 3.1.8 声音音量调节 53
• 3.1.9 图像信息隐藏 58
• 3.1.10 声音信息隐藏 62
• 3.2 R语言基础 68
• 3.2.1 基本操作 69
• 3.2.2 向量 71
• 3.2.3 对象集属性 77
• 3.2.4 因子和有序因子 78
• 3.2.5 循环语句 79
• 3.2.6 条件语句 79
• 3.3 R语言科学计算 80
• 3.3.1 分类（组）统计 80
• 3.3.2 数组与矩阵基础 81
• 3.3.3 数组运算 84
• 3.3.4 矩阵运算 85
• 3.4 R语言计算实例 93
• 3.4.1 学生数据集读写 93
• 3.4.2 最小二乘法拟合 94
• 3.4.3 交叉因子频率分析 96
• 3.4.4 向量模长计算 97
• 3.4.5 欧氏距离计算 98
• 3.5 小结 99
• 思考题 99
• 第4章 生产环境基础 100
• 4.1 Windows Server 2008基础 100
• 4.1.1 Windows Server 2008 R2概述 101
• 4.1.2 Windows PowerShell 102
• 4.2 Linux基础 103
• 4.2.1 Linux命令 104
• 4.2.2 Shell基础 114
• 4.3 Vim编辑器 122
• 4.3.1 Vim编辑器概述 122
• 4.3.2 Vim常用命令 123
• 4.4 虚拟化平台 124
• 4.4.1 Citrix Xenserver概述 125
• 4.4.2 Citrix Xenserver部署 126
• 4.4.3 基于XenCenter的虚拟服务器管理 126
• 4.5 Linux环境下的NumPy安装 135
• 4.6 Linux环境下的R运行环境 136
• 4.7 PyPy编译器 136
• 4.7.1 PyPy概述 136
• 4.7.2 PyPy安装与配置 137
• 4.7.3 PyPy性能 137
• 4.7.4 PyPy实践之Lempel-Ziv压缩 138
• 4.8 小结 145
• 思考题 146
• 第三部分　统计分析实战篇
• 第5章 统计分析基础 148
• 5.1 数据分析概述 148
• 5.2 数学基础 149
• 5.3 回归分析 154
• 5.3.1 单变量线性回归 154
• 5.3.2 多元线性回归 156
• 5.3.3 非线性回归 157
• 5.4 数据分析基础 159
• 5.4.1 区间频率分布 159
• 5.4.2 数据直方图 161
• 5.4.3 数据散点图 162
• 5.4.4 五分位数 164
• 5.4.5 累积分布函数 165
• 5.4.6 核密度估计 166
• 5.5 数据分布分析 167
• 5.6 小结 169
• 思考题 170
• 第6章 描述性分析案例 171
• 6.1 数据图形化案例解析 171
• 6.1.1 点图 171
• 6.1.2 饼图和条形图 172
• 6.1.3 茎叶图和箱线图 173
• 6.2 数据分布趋势案例解析 175
• 6.2.1 平均值 175
• 6.2.2 加权平均值 175
• 6.2.3 数据排序 176
• 6.2.4 中位数 177
• 6.2.5 极差、半极差 177
• 6.2.6 方差 178
• 6.2.7 标准差 178
• 6.2.8 变异系数、样本平方和 178
• 6.2.9 偏度系数、峰度系数 179
• 6.3 正态分布案例解析 180
• 6.3.1 正态分布函数 180
• 6.3.2 峰度系数分析 181
• 6.3.3 累积分布概率 181
• 6.3.4 概率密度函数 182
• 6.3.5 分位点 183
• 6.3.6 频率直方图 185
• 6.3.7 核概率密度与正态概率分布图 185
• 6.3.8 正态检验与分布拟合 186
• 6.3.9 其他分布及其拟合 188
• 6.4 多变量分析 189
• 6.4.1 多变量数据分析 189
• 6.4.2 多元数据相关性分析 197
• 6.5 小结 201
• 思考题 201
• 第7章 假设检验与回归模型案例 202
• 7.1 假设检验 202
• 7.1.1 二项分布假设检验 202
• 7.1.2 数据分布检验 204
• 7.1.3 正态总体均值检验 205
• 7.1.4 列联表 206
• 7.1.5 符号检测 207
• 7.1.6 秩相关检验 210
• 7.1.7 Kendall相关检验 213
• 7.2 回归模型 214
• 7.2.1 回归预测与显著性检验 214
• 7.2.2 回归诊断 216
• 7.2.3 回归优化 217
• 7.2.4 主成分回归 219
• 7.2.5 广义线性模型 221
• 7.3 小结 226
• 思考题 226
• 第四部分　机器学习实战篇
• 第8章 机器学习算法 230
• 8.1 神经网络 230
• 8.1.1 Rosenblatt感知器 232
• 8.1.2 梯度下降 245
• 8.1.3 反向传播与多层感知器 251
• 8.1.4 Python神经网络库 270
• 8.2 统计算法 272
• 8.2.1 平均值 272
• 8.2.2 方差与标准差 274
• 8.2.3 贝叶斯算法 276
• 8.3 欧氏距离 279
• 8.4 余弦相似度 280
• 8.5 SVM 281
• 8.5.1 数学原理 281
• 8.5.2 SMO算法 283
• 8.5.3 算法应用 283
• 8.6 回归算法 287
• 8.6.1 线性代数基础 288
• 8.6.2 最小二乘法原理 289
• 8.6.3 线性回归 290
• 8.6.4 多元非线性回归 292
• 8.6.5 岭回归方法 294
• 8.6.6 伪逆方法 295
• 8.7 PCA降维 296
• 8.8 关联规则 297
• 8.8.1 关联规则概述 297
• 8.8.2 频繁项集算法 298
• 8.8.3 关联规则生成 301
• 8.8.4 实例分析 302
• 8.9 自动分类 306
• 8.9.1 聚类算法 306
• 8.9.2 决策树 313
• 8.9.3 AdaBoost 316
• 8.9.4 竞争型神经网络 317
• 8.9.5 Hamming神经网络 323
• 8.10 小结 325
• 思考题 325
• 第9章 数据拟合案例 327
• 9.1 数据拟合 327
• 9.1.1 图像分析法 327
• 9.1.2 神经网络拟合法 338
• 9.2 线性滤波 352
• 9.2.1 WAV声音文件 352
• 9.2.2 线性滤波算法过程 352
• 9.2.3 滤波Python实现 353
• 9.3 数据或曲线平滑 358
• 9.3.1 平滑概述 358
• 9.3.2 移动平均 359
• 9.3.3 递归线性过滤 362
• 9.3.4 指数平滑 364
• 9.4 小结 368
• 思考题 368
• 第10章 图像算法案例 370
• 10.1 图像边缘算法 370
• 10.1.1 数字图像基础 370
• 10.1.2 算法描述 371
• 10.2 图像匹配 372
• 10.2.1 差分矩阵求和 373
• 10.2.2 差分矩阵均值 375
• 10.2.3 欧氏距离匹配 376
• 10.3 图像分类 382
• 10.3.1 余弦相似度 382
• 10.3.2 PCA图像特征提取算法 388
• 10.3.3 基于神经网络的图像分类 389
• 10.3.4 基于SVM的图像分类 394
• 10.4 高斯噪声生成 397
• 10.5 二值化 401
• 10.5.1 threshold 401
• 10.5.2 adaptiveThreshold 402
• 10.6 插值与缩放 404
• 10.7 仿射 405
• 10.7.1 仿射原理 405
• 10.7.2 仿射变换实例 405
• 10.8 透视投影与透视变换 406
• 10.8.1 透视投影原理 406
• 10.8.2 透视投影实例 407
• 10.9 灰度变换与图像增强 409
• 10.9.1 灰度变换概述 409
• 10.9.2 对数变换 409
• 10.9.3 分段线性变换 410
• 10.9.4 指数变换 411
• 10.9.5 直方图均衡化 412
• 10.10　图像滤波与除噪 415
• 10.10.1　均一化块滤波 415
• 10.10.2　邻域平均法 420
• 10.10.3　中值滤波 423
• 10.10.4　高斯滤波 427
• 10.10.5　双边滤波 429
• 10.10.6　卷积滤波 431
• 10.10.7　边缘检测 433
• 10.11　小结 435
• 思考题 435
• 第11章 机器视觉案例 437
• 11.1 人脸辨识 437
• 11.1.1 人脸定位 437
• 11.1.2 人脸辨识 439
• 11.2 手写数字识别 446
• 11.2.1 手写数字识别算法 446
• 11.2.2 算法的Python实现 447
• 11.3 运动侦测 449
• 11.3.1 视频采集 450
• 11.3.2 差分算法 452
• 11.3.3 光流法 456
• 11.4 形状检测 458
• 11.4.1 KNN算法概述 458
• 11.4.2 形状特征提取 459
• 11.4.3 形状分类 459
• 11.5 小结 462
• 思考题 462
• 第12章 文本分类案例 463
• 12.1 文本分类概述 463
• 12.2 余弦相似度分类 464
• 12.2.1 中文分词 465
• 12.2.2 停用词清理 467
• 12.2.3 算法实战 468
• 12.3 朴素贝叶斯分类 473
• 12.3.1 算法描述 473
• 12.3.2 先验概率计算 474
• 12.3.3 最大后验概率 474
• 12.3.4 算法实现 474
• 12.4 自然语言处理 480
• 12.4.1 NLTK简介 480
• 12.4.2 NLTK与jieba的配置 481
• 12.4.3 中文分词并标注词性 483
• 12.4.4 词特征指标分析 484
• 12.4.5 Web文档分析 499
• 12.4.6 Web文档的朴素贝叶斯分类 503
• 12.4.7 语法结构分析 515
• 12.4.8 Web文档聚类 518
• 12.5 小结 526
• 思考题 526

以上就是本次介绍的机器学习电子书的全部相关内容，希望我们整理的资源能够帮助到大家，感谢大家对码农之家的支持。

上一篇：Qt Creator快速入门

下一篇：大数据管理：数据集成的技术、方法与最佳实践