CONTENTS
目錄
譯者序
前言
第1章　機器學習的思維1
1.1　人機界麵1
1.2　設計原理4
1.2.1　問題的類型6
1.2.2　問題是否正確7
1.2.3　任務8
1.2.4　統一建模語言27
1.3　總結31
第2章　工具和技術32
2.1　Python與機器學習33
2.2　IPython控製颱33
2.3　安裝SciPy棧34
2.4　NumPy35
2.4.1　構造和變換數組38
2.4.2　數學運算39
2.5　Matplotlib41
2.6　Pandas45
2.7　SciPy47
2.8　Scikit-learn50
2.9　總結57
第3章　將數據變為信息58
3.1　什麼是數據58
3.2　大數據59
3.2.1　大數據的挑戰60
3.2.2　數據模型62
3.2.3　數據分布63
3.2.4　來自數據庫的數據67
3.2.5　來自互聯網的數據68
3.2.6　來自自然語言的數據70
3.2.7　來自圖像的數據72
3.2.8　來自應用編程接口的數據72
3.3　信號74
3.4　數據清洗76
3.5　數據可視化78
3.6　總結80
第4章　模型—從信息中學習81
4.1　邏輯模型81
4.1.1　一般性排序83
4.1.2　解釋空間84
4.1.3　覆蓋空間86
4.1.4　PAC學習和計算復雜性87
4.2　樹狀模型88
4.3　規則模型92
4.3.1　有序列錶方法94
4.3.2　基於集閤的規則模型95
4.4　總結98
第5章　綫性模型100
5.1　最小二乘法101
5.1.1　梯度下降102
5.1.2　正規方程法107
5.2　logistic迴歸109
5.3　多分類113
5.4　正則化115
5.5　總結117
第6章　神經網絡119
6.1　神經網絡入門119
6.2　logistic單元121
6.3　代價函數126
6.4　神經網絡的實現128
6.5　梯度檢驗133
6.6　其他神經網絡架構134
6.7　總結135
第7章　特徵—算法眼中的世界136
7.1　特徵的類型137
7.1.1　定量特徵137
7.1.2　有序特徵138
7.1.3　分類特徵138
7.2　運算和統計139
7.3　結構化特徵141
7.4　特徵變換141
7.4.1　離散化143
7.4.2　歸一化144
7.4.3　校準145
7.5　主成分分析149
7.6　總結151
第8章　集成學習152
8.1　集成學習的類型152
8.2　Bagging方法153
8.2.1　隨機森林154
8.2.2　極端隨機樹155
8.3　Boosting方法159
8.3.1　AdaBoost161
8.3.2　梯度Boosting163
8.4　集成學習的策略165
8.5　總結168
第9章　設計策略和案例研究169
9.1　評價模型的錶現169
9.2　模型的選擇174
9.3　學習麯綫176
9.4　現實世界中的案例研究178
9.4.1　建立一個推薦係統178
9.4.2　溫室蟲害探測185
9.5　機器學習一瞥188
9.6　總結190
· · · · · · (收起)