发帖
雷达卡
版次： 第2版
国际标准书号： 978-1789347999
发表于： 2018年10月1日
页数： 522页
作者Giuseppe Bonaccorso
主要特征：
探索数据密集型应用程序的统计数据和复杂数学
发现EM算法，PCA和贝叶斯回归的新发展
研究模式并对各种数据集进行预测
图书说明：
机器学习因其大型数据集的强大而快速的预测而获得了极大的普及。然而，其强大输出背后的真正力量是复杂的算法，涉及大量的统计分析，可以搅拌大型数据集并产生实质性的洞察力。
第二版机器学习算法将向您介绍与机器学习算法相关的突出发展成果，这些成果对机器学习过程起主要作用，并帮助您加强和掌握有监督，半监督领域的统计解释和强化学习。一旦涵盖了算法的核心概念，您将探索基于最扩散的库的实际示例，例如scikit-learn，NLTK，TensorFlow和Keras。您将发现新主题，如主成分分析（PCA），独立成分分析（ICA），贝叶斯回归，判别分析，高级聚类和高斯混合。
在本书的最后，您将学习机器学习算法并将其投入生产，以使您的机器学习应用程序更具创新性。
你将学到什么：
研究特征选择和特征工程过程
评估线性回归的性能和误差权衡
通过使用不同类型的算法构建数据模型并了解其工作原理
学习调整支持向量机（SVM）的参数
探索自然语言处理（NLP）和推荐系统的概念
从头开始创建机器学习架构
这本书的用途是谁
如果您是想要在预测分析和机器学习领域取得进步的机器学习工程师，数据工程师或初级数据科学家，机器学习算法适合您。熟悉R和Python将是从本书中获得最佳效果的附加优势。
目录
封面
版权和学分
前言
下载示例代码文件
下载彩色图像
使用的约定
评测
1.机器学习的温和介绍
简介经典和自适应机
描述性分析
预测分析
只有学习事项
监督学习
无监督学习
半监督学习
强化学习
计算神经科学
除了机器学习深度学习和仿生自适应SYS
TEMS
机器学习和大数据
概要
2.机器学习中的重要元素
数据格式
多类策略
一VS-所有
一VS一
学习能力
欠拟合与过拟合
错误的措施和成本functionsPAC学习
引言统计学习概念
MAP学习
最大似然学习
类平衡
与更换重新取样
SMOTE采样
信息论基础
熵
交叉熵和互信息
两个概率分布之间Divergencemeasures
概要
3.特征选择和特征工程
scikit学习玩具的数据集
创建训练和测试组
管理分类数据
管理缺失的功能
数据缩放和规范化
美白
特征选择和过滤
主成分分析
非负矩阵分解
稀疏PCA
核PCA
独立成分分析
原子提取和字典学习
可视化用t-SNE高维数据集
概要
4.回归算法
线性模型回归
一个二维例子
线性回归与scikit学习和更高的维度
R2得分
解释变异
回归分析式
岭，套索，和ElasticNet
岭
套索
ElasticNet
稳健回归
RANSAC
胡贝尔回归
贝叶斯回归
多项式回归
等渗回归
概要
5.线性分类算法
线性分类
Logistic回归
实现和优化
随机梯度下降算法
被动攻击算法
被动攻击回归
通过网格搜索寻找最优超参数
分类指标
混淆矩阵
精确
召回
F-Beta版
Cohen的κ
全球分类报告
学习曲线
ROC曲线
概要
6.朴素贝叶斯和判别分析
贝叶斯定理
朴素贝叶斯分类器
朴素贝叶斯在scikit学习
伯努利朴素贝叶斯
多项朴素贝叶斯
文本分类多项朴素贝叶斯的例子
高斯朴素贝叶斯
判别分析
概要
7.支持向量机
线性SVM
与支持向量机scikit学习
线性分类
基于内核的分类
径向基函数
多项式核
乙状结肠内核
自定义内核
非线性例子
- 支持向量机
支持向量回归
与翼型自噪声数据集SVR的例子
引入半监督支持向量机（S3VM）
概要
8.决策树和集合学习
二元决策树
二元决策
杂质措施
基尼指数杂质
交叉熵杂质指数
误分类指数杂质
功能重要性
用决策树分类scikit学习
决策树回归
与混凝土抗压STRE决策树回归的例子
NGTH数据集
简介集成学习
随机森林
在随机森林的特征重要性
AdaBoost的
梯度推进树
分类表决
概要
9.聚类基础知识
集群基础
K-NN
高斯混合
找到组件的最佳数量
K-手段
寻找最佳聚类数
优化惯性
比分剪影
Calinski-Harabasz指数
集群不稳定
根据地面真相评价方法
同质性
完整性
调整RandIndex
概要
10.高级群集
DBSCAN
谱聚类
在线聚类
小批量K-手段
桦木
双聚类
概要
11.分层聚类
分层策略
合并聚类
树形图
在合并聚类scikit学习
连接限制
概要
12.介绍推荐系统
天真的用户为基础的系统
实现了基于用户的系统scikit学习
基于内容的系统
（或基于存储器的）无模型协同过滤
基于模型的协同过滤
奇异值分解策略
交替最小二乘策略
ALS与Apache星火MLlib
概要
13.介绍自然语言处理
NLTK和内置语料库
语料库的例子
一袋词策略
符号化
句子符号化
字标记化
停止词去除
语言检测
词干
矢量化
计数矢量化
N元
TF-IDF矢量化
部分的语音
命名实体识别
根据路透社语料样本文本分类
概要
14. NLP中的主题建模和情感分析
主题建模
潜在语义分析
概率潜在语义分析
隐含狄利克雷分布
与Gensim介绍Word2vec
情感分析
与NLTK VADER情感分析
概要
15.介绍神经网络
深度学习一目了然
人工神经网络
与Keras总纲发展蓝图
接口Keras到scikit学习
概要
16.高级深度学习模型
深模型层
完全连接层
卷积层
降层
批标准化层
回归神经网络
与Keras深卷积网络的例子
一个LSTM网络Keras的一个例子
简要介绍了TensorFlow
计算梯度
Logistic回归
与多层感知分类
图片卷积
概要
17.创建机器学习架构
机器学习架构
数据采集
规范化和正规化
降维
数据增强
数据转换
建模/网格搜索/交叉验证
可视化
GPU支持
简要介绍了分布式架构
Scikit学习机器学习架构工具
管道
功能工会
概要
其他书籍你可能喜欢
留下您的评论 - 让其他读者知道你在想什么
machine-learning-algorithms-2nd-2018.pdf
(87.94 MB, 需要: 2 个论坛币)
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
