Python高级机器学习PDF电子书下载

第1章 无监督机器学习 1

1.1主成分分析 1

1.1.1主成分分析入门 2

1.1.2应用主成分分析 3

1.2 k均值聚类 5

1.2.1聚类入门 5

1.2.2开始聚类分析 6

1.2.3调整聚类参数 10

1.3自组织映射 13

1.3.1自组织映射入门 13

1.3.2部署自组织映射 14

1.4扩展阅读 17

1.5小结 18

第2章 深度信念网络 19

2.1神经网络入门 19

2.1.1神经网络的组成 20

2.1.2网络拓扑结构 20

2.2受限玻尔兹曼机 23

2.2.1受限玻尔兹曼机简介 23

2.2.2受限玻尔兹曼机的应用 26

2.2.3受限玻尔兹曼机的扩展应用 35

2.3深度信念网络 35

2.3.1训练深度信念网络 36

2.3.2应用深度信念网络 36

2.3.3验证深度信念网络 39

2.4扩展阅读 40

2.5小结 40

第3章 堆叠式降噪自编码机 41

3.1自编码机 41

3.1.1自编码机简介 41

3.1.2降噪自编码机 43

3.1.3应用降噪自编码机 44

3.2堆叠式降噪自编码机 47

3.2.1应用堆叠式降噪自编码机 48

3.2.2评估堆叠式降噪自编码机的性能 53

3.3扩展阅读 54

3.4小结 54

第4章 卷积神经网络 55

4.1 CNN介绍 55

4.1.1 CNN拓扑结构 56

4.1.2应用CNN 66

4.2扩展阅读 71

4.3小结 71

第5章 半监督学习 72

5.1简介 72

5.2何为半监督学习 72

5.3半监督算法实战 73

5.3.1自训练 73

5.3.2对比悲观似然估计 81

5.4扩展阅读 89

5.5小结 90

第6章 文本特征工程 91

6.1介绍 91

6.2文本特征工程 92

6.2.1清洗文本数据 92

6.2.2根据文本数据构造特征 99

6.2.3测试准备好的数据 103

6.3扩展阅读 108

6.4小结 109

第7章 特征工程Ⅱ 110

7.1介绍 110

7.2创建特征集 110

7.2.1为机器学习应用构建特征 111

7.2.2运用特征选择技术 117

7.3特征工程实战 123

7.4扩展阅读 141

7.5小结 142

第8章 集成方法 143

8.1集成简介 143

8.1.1理解平均集成 144

8.1.2应用提升法 148

8.1.3使用堆叠集成 153

8.2在动态应用中使用模型 157

8.2.1理解模型稳健性 158

8.2.2控制模型稳健性的策略 163

8.3扩展阅读 166

8.4小结 166

第9章 其他Python机器学习工具 167

9.1可选的开发工具 167

9.1.1 Lasagne简介 167

9.1.2 TensorFlow简介 169

9.1.3何时使用这些库 173

9.2扩展阅读 174

9.3小结 175

附录 代码运行要求 176