機器學(xué)習(xí)開發(fā)者指南

目錄
第 1章　機器學(xué)習(xí)和統(tǒng)計科學(xué)　1
1．1　機器學(xué)習(xí)的發(fā)展　2
1．2　編程語言與庫　6
1．3　基本數(shù)學(xué)概念　11
1．3．1　統(tǒng)計學(xué)——不確定性建模的基本支柱　11
1．3．2　概率與隨機變量　14
1．3．3　概率函數(shù)的統(tǒng)計度量　21
1．3．4　微分基礎(chǔ)　22
1．3．5　預(yù)備知識　22
1．4　小結(jié)　27
第 2章　學(xué)習(xí)過程　28
2．1　理解問題　28
2．2　數(shù)據(jù)集定義與檢索　30
2．2．1　ETL過程　30
2．2．2　加載數(shù)據(jù)與使用Scipy和Pandas進行探索分析　31
2．2．3　與IPython交互　32
2．2．4　二維數(shù)據(jù)處理　34
2．3　特征工程　37
2．3．1　缺失數(shù)據(jù)估算　37
2．3．2　獨熱編碼　38
2．4　數(shù)據(jù)預(yù)處理　39
規(guī)范化和特征縮放　39
2．5　模型定義　41
提出正確的問題　41
2．6　損失函數(shù)定義　42
2．7　模型擬合和評價　43
數(shù)據(jù)集劃分　43
2．8　模型應(yīng)用與結(jié)果分析　44
2．8．1　回歸指標(biāo)　45
2．8．2　分類指標(biāo)　46
2．8．3　聚類質(zhì)量評估　48
2．9　小結(jié)　50
第3章　聚類　51
3．1　分組—— 一種人類行為　51
3．2　自動化聚類過程　52
3．3　尋找一個共同的中心—— K-means　53
3．3．1　K-means的優(yōu)缺點　56
3．3．2　K-means算法分解　56
3．3．3　K-means算法實現(xiàn)　58
3．4　最近鄰（Nearest Neighbors）　62
3．5　K-NN算法實現(xiàn)示例　64
3．6　算法擴展　67
3．7　小結(jié)　68
第4章　線性回歸和邏輯回歸　69
4．1　回歸分析　69
回歸的應(yīng)用　70
4．2　線性回歸　71
4．2．1　代價函數(shù)的確定　72
4．2．2　分析方法　74
4．2．3　協(xié)方差和相關(guān)性　75
4．2．4　尋找協(xié)方差和相關(guān)性的斜率和截距　77
4．2．5　梯度下降法　79
4．2．6　遞歸過程表示　83
4．3　實踐中的數(shù)據(jù)研究和線性回歸　86
4．3．1　鳶尾花數(shù)據(jù)集　87
4．3．2　線性回歸與梯度下降　93
4．4　邏輯回歸　103
4．4．1　線性回歸和邏輯回歸　103
4．4．2　logit函數(shù)　105
4．4．3　應(yīng)用邏輯回歸建立心臟疾病模型的實例　109
4．5　小結(jié)　112
第5章　神經(jīng)網(wǎng)絡(luò)　113
5．1　神經(jīng)模型的歷史　114
5．1．1　感知器模型　115
5．1．2　改進預(yù)測結(jié)果——ADALINE算法　116
5．1．3　感知器和ADALINE之間的異同　118
5．1．4　單層和多層感知器　120
5．2　使用單層感知器實現(xiàn)簡單的功能　124
5．2．1　定義并繪制傳遞函數(shù)類型　124
5．2．2　表示和理解傳遞函數(shù)　125
5．2．3　Sigmoid函數(shù)或邏輯函數(shù)　126
5．2．4　使用Sigmoid函數(shù)　126
5．2．5　修正線性單元　128
5．2．6　線性傳遞函數(shù)　129
5．2．7　定義損失函數(shù)　130
5．3　小結(jié)　136
第6章　卷積神經(jīng)網(wǎng)絡(luò)　137
6．1　卷積神經(jīng)網(wǎng)絡(luò)的起源　137
6．1．1　從卷積開始　138
6．1．2　卷積核和卷積　140
6．1．3　在實例中實現(xiàn)二維離散卷積　143
6．1．4　下采樣（池化）　146
6．1．5　通過Dropout操作提高效率　148
6．2　深度神經(jīng)網(wǎng)絡(luò)　149
6．2．1　深度卷積網(wǎng)絡(luò)框架的發(fā)展　149
6．2．2　深度卷積神經(jīng)網(wǎng)絡(luò)解決的問題類型　154
6．3　使用Keras部署一個深度神經(jīng)網(wǎng)絡(luò)　156
6．4　用Quiver開發(fā)卷積模型　158
6．4．1　用Quiver開發(fā)卷積網(wǎng)絡(luò)　158
6．4．2　遷移學(xué)習(xí)的實現(xiàn)　162
6．5　小結(jié)　167
第7章　循環(huán)神經(jīng)網(wǎng)絡(luò)　168
7．1　按順序解決問題—— RNN　168
7．1．1　RNN的定義　169
7．1．2　RNN的發(fā)展　169
7．2　LSTM　172
7．2．1　門和乘法運算　172
7．2．2　設(shè)置遺忘參數(shù)（輸入門）　174
7．2．3　設(shè)置保持參數(shù)　174
7．2．4　修改單元　175
7．2．5　輸出過濾后的單元狀態(tài)　175
7．3　采用電能消耗數(shù)據(jù)預(yù)測單變量時間序列　176
數(shù)據(jù)集的描述和加載　176
7．4　小結(jié)　182
第8章　近期的新模型及其發(fā)展　183
8．1　GAN　183
GAN的應(yīng)用類別　184
8．2　強化學(xué)習(xí)　188
8．2．1　馬爾可夫決策過程　189
8．2．2　優(yōu)化馬爾可夫過程　190
8．3　基本強化學(xué)習(xí)技術(shù)：Q學(xué)習(xí)　191
8．4　小結(jié)　193
第9章　軟件安裝與配置　194
9．1　Linux系統(tǒng)環(huán)境安裝　194
9．1．1　初始配置要求　195
9．1．2　Anaconda安裝　195
9．1．3　pip安裝　200
9．2　macOS X系統(tǒng)環(huán)境安裝　201
9．2．1　Anaconda安裝　201
9．2．2　pip安裝　204
9．3　Windows系統(tǒng)環(huán)境安裝　205
Anaconda安裝　205
9．4　小結(jié)　208
參考資料　209