《机器学习实践指南 案例应用解析》PDF下载

  • 购买积分:12 如何计算积分?
  • 作  者:麦好著
  • 出 版 社:北京:机械工业出版社
  • 出版年份:2014
  • ISBN:9787111462071
  • 页数:324 页
图书介绍:本书分为准备篇、基础篇、统计分析实战篇和机器学习实战篇。由于目前出版的机器学习大多偏重理论,这对机器学习类书籍的读者带来了极大的挑战,抽象的理论加上成堆的数学公式将大量渴求学习的人们挡在了门外。针对这种情况,本书力求理论联系实际,对理论基础进行一定的介绍,注重机器学习算法的实际运用,让读者明白其中原理,而对机器学习算法涉及的深层数学知识及其复杂的数学推导在本书中涉及较少。准备篇中首先将介绍机器学习发展及应用前景,使读者对机器学习的应用前景产生深厚的兴趣,同时介绍目前常用的科学计算平台和本书将用到的工程计算平台,使读者消除对机器学习的学习难度的畏惧。这些平台的使用,也降低了机器学习软件实现的门槛。基础篇将对数学知识基础、计算平台应用实例进行介绍,推荐配置学习的数学教科文档,介绍计算平台的开发基本知识,应用这些平台实现计算应用。最后,本书将针对统计分析实战和机器学习实战2个部分帮助读者建立机器学习实战指南,在这部分,将大量应用计算平台对统计分析以及机器学习算法进行软件实现和应用,同时附有大量效果图,让读者对机器学习的应用和理论基础有一个形象理解。

第一部分准备篇 2

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 5

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 8

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 13

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 15

2.3小结 16

第二部分 基础篇 18

第3章 机器学习数学基础 18

3.1数学对我们有用吗 18

3.2机器学习需要哪些数学知识 20

3.3小结 25

第4章 计算平台应用实例 26

4.1 Python计算平台简介及应用实例 26

4.1.1 Python语言基础 26

4.1.2 Numpy库 37

4.1.3 pylab、 matplotlib绘图 44

4.1.4图像基础 46

4.1.5图像融合与图像镜像 55

4.1.6图像灰度化与图像加噪 57

4.1.7声音基础 60

4.1.8声音音量调节 63

4.1.9图像信息隐藏 68

4.1.10声音信息隐藏 72

4.2 R语言基础 78

4.2.1基本操作 78

4.2.2向量 81

4.2.3对象集属性 87

4.2.4因子和有序因子 88

4.2.5循环语句 89

4.2.6条件语句 89

4.3 R语言科学计算 90

4.3.1分类(组)统计 90

4.3.2数组与矩阵基础 91

4.3.3数组运算 94

4.3.4矩阵运算 95

4.4 R语言计算实例 103

4.4.1学生数据集读写 103

4.4.2最小二乘法拟合 105

4.4.3交叉因子频率分析 106

4.4.4向量模长计算 107

4.4.5欧氏距离计算 108

4.5小结 109

思考题 109

第三部分统计分析实战篇 112

第5章 统计分析基础 112

5.1数据分析概述 112

5.2数学基础 113

5.3回归分析 118

5.3.1单变量线性回归 118

5.3.2多元线性回归 121

5.3.3非线性回归 121

5.4数据分析基础 124

5.4.1区间频率分布 124

5.4.2数据直方图 126

5.4.3数据散点图 127

5.4.4五分位数 129

5.4.5累积分布函数 130

5.4.6核密度估计 130

5.5数据分布分析 132

5.6小结 134

思考题 135

第6章 统计分析案例 136

6.1数据图形化案例解析 136

6.1.1点图 136

6.1.2饼图和条形图 137

6.1.3茎叶图和箱线图 138

6.2数据分布趋势案例解析 140

6.2.1平均值 140

6.2.2加权平均值 140

6.2.3数据排序 141

6.2.4中位数 142

6.2.5极差、半极差 142

6.2.6方差 143

6.2.7标准差 143

6.2.8变异系数、样本平方和 143

6.2.9偏度系数、峰度系数 144

6.3正态分布案例解析 145

6.3.1正态分布函数 145

6.3.2峰度系数分析 146

6.3.3累积分布概率 146

6.3.4概率密度函数 147

6.3.5分位点 148

6.3.6频率直方图 151

6.3.7核概率密度与正态概率分布图 151

6.3.8正太检验与分布拟合 152

6.3.9其他分布及其拟合 154

6.4小结 155

思考题 155

第四部分 机器学习实战篇 158

第7章 机器学习算法 158

7.1神经网络 158

7.1.1 Rosenblatt感知器 159

7.1.2梯度下降 173

7.1.3反向传播与多层感知器 180

7.1.4 Python神经网络库 199

7.2统计算法 201

7.2.1平均值 201

7.2.2方差与标准差 203

7.2.3贝叶斯算法 205

7.3欧氏距离 208

7.4余弦相似度 209

7.5 SVM 210

7.5.1数学原理 210

7.5.2 SMO算法 212

7.5.3算法应用 212

7.6回归算法 217

7.6.1线性代数基础 217

7.6.2最小二乘法原理 218

7.6.3线性回归 219

7.6.4多元非线性回归 221

7.6.5岭回归方法 223

7.6.6伪逆方法 224

7.7 PCA降维 225

7.8小结 227

思考题 227

第8章 数据拟合案例 228

8.1数据拟合 228

8.1.1图像分析法 228

8.1.2神经网络拟合法 240

8.2线性滤波 256

8.2.1 WAV声音文件 256

8.2.2线性滤波算法过程 256

8.2.3滤波Python实现 257

8.3小结 262

思考题 262

第9章 图像识别案例 264

9.1图像边缘算法 264

9.1.1数字图像基础 264

9.1.2算法描述 265

9.2图像匹配 266

9.2.1差分矩阵求和 267

9.2.2差分矩阵均值 269

9.2.3欧氏距离匹配 271

9.3图像分类 277

9.3.1余弦相似度 277

9.3.2 PCA图像特征提取算法 283

9.3.3基于神经网络的图像分类 284

9.3.4基于SVM的图像分类 289

9.4人脸辨识 291

9.4.1人脸定位 291

9.4.2人脸辨识 293

9.5手写数字识别 300

9.5.1手写数字识别算法 300

9.5.2算法的Python实现 301

9.6小结 303

思考题 304

第10章 文本分类案例 305

10.1文本分类概述 305

10.2余弦相似度分类 306

10.2.1中文分词 306

10.2.2停用词清理 308

10.2.3算法实战 310

10.3朴素贝叶斯分类 315

10.3.1算法描述 316

10.3.2先验概率计算 316

10.3.3最大后验概率 316

10.3.4算法实现 317

10.4小结 323

思考题 323