机器学习系统设计-Python语言实现

本书特色

[

机器学习模型不能给出准确结果的原因有很多。从设计的角度来审视这些系统，我们能够深入理解其底层算法和可用的优化方法。本书为我们提供了机器学习设计过程的坚实基础，能够使我们为特定问题建立起定制的机器学习模型。我们可能已经了解或使用过一些为解决常见问题的商用机器学习模型，例如垃圾邮件检测或电影分级，但是要着手于解决更为复杂的问题，则其重点是让这些模型适用于我们自己特定的需求。

]

目录

CONTENTS目录译者序前言第1章　机器学习的思维11.1　人机界面11.2　设计原理41.2.1　问题的类型61.2.2　问题是否正确71.2.3　任务81.2.4　统一建模语言271.3　总结31第2章　工具和技术322.1　Python与机器学习332.2　IPython控制台332.3　安装SciPy栈342.4　NumPy352.4.1　构造和变换数组382.4.2　数学运算392.5　Matplotlib412.6　Pandas452.7　SciPy472.8　Scikit-learn502.9　总结57第3章　将数据变为信息583.1　什么是数据583.2　大数据593.2.1　大数据的挑战603.2.2　数据模型623.2.3　数据分布633.2.4　来自数据库的数据673.2.5　来自互联网的数据683.2.6　来自自然语言的数据703.2.7　来自图像的数据723.2.8　来自应用编程接口的数据723.3　信号743.4　数据清洗763.5　数据可视化783.6　总结80第4章　模型—从信息中学习814.1　逻辑模型814.1.1　一般性排序834.1.2　解释空间844.1.3　覆盖空间864.1.4　PAC学习和计算复杂性874.2　树状模型884.3　规则模型924.3.1　有序列表方法944.3.2　基于集合的规则模型954.4　总结98第5章　线性模型1005.1　*小二乘法1015.1.1　梯度下降1025.1.2　正规方程法1075.2　logistic回归1095.3　多分类1135.4　正则化1155.5　总结117第6章　神经网络1196.1　神经网络入门1196.2　logistic单元1216.3　代价函数1266.4　神经网络的实现1286.5　梯度检验1336.6　其他神经网络架构1346.7　总结135第7章　特征—算法眼中的世界1367.1　特征的类型1377.1.1　定量特征1377.1.2　有序特征1387.1.3　分类特征1387.2　运算和统计1397.3　结构化特征1417.4　特征变换1417.4.1　离散化1437.4.2　归一化1447.4.3　校准1457.5　主成分分析1497.6　总结151第8章　集成学习1528.1　集成学习的类型1528.2　Bagging方法1538.2.1　随机森林1548.2.2　极端随机树1558.3　Boosting方法1598.3.1　AdaBoost1618.3.2　梯度Boosting1638.4　集成学习的策略1658.5　总结168第9章　设计策略和案例研究1699.1　评价模型的表现1699.2　模型的选择1749.3　学习曲线1769.4　现实世界中的案例研究1789.4.1　建立一个推荐系统1789.4.2　温室虫害探测1859.5　机器学习一瞥1889.6　总结190

封面

书名:机器学习系统设计-Python语言实现

作者:戴维.朱利安

页数:190

定价:¥59.0

出版社:机械工业出版社

出版日期:2017-06-01

ISBN:9787111569459

PDF电子书大小:124MB 高清扫描完整版