正文

机器学习实战[machinelearninginaction]

turingemmy  turingemmy  2023-04-11  529

关键词：

内容简介

　　机器学习是人工智能研究领域中一个极其重要的研究方向，在现今的大数据时代背景下，捕获数据并从中萃取有价值的信息或模式，成为各行业求生存、谋发展的决定性手段，这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。
　　《机器学习实战》主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。
　　《机器学习实战》通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。

作者简介

　　Peter Harrington，拥有电气工程学士和硕士学位，他曾经在美国加州和中国的英特尔公司工作7年。Peter拥有5项美国专利，在三种学术期刊上发表过文章。他现在是Zillabyte公司的首席科学家，在加入该公司之前，他曾担任2年的机器学习软件顾问。Peter在业余时间还参加编程竞赛和建造3D打印机。

精彩书评

　　“易学易懂，用处很大。”
　　——Alexandre Alves，Oracle CEP的架构师

　　“精心织构的代码完美地诠释出机器学习的核心要义。”
　　——Patrick Toohey，Mettler-Toledo Hi-Speed软件工程师

　　“实例很棒！可用于任何领域！”
　　——John Griffin，Hibernate Search in Action一书的合作者

　　“叙述循序渐进，巧妙地阐述了算法之间的差异。”
　　——Stephen McKamey，Isomer Innovations技术实践总监

第1章　机器学习基础　　

1.1 　何谓机器学习　　

1.1.1 　传感器和海量数据　　
1.1.2 　机器学习非常重要　　

1.2 　关键术语

1.3 　机器学习的主要任务

1.4 　如何选择合适的算法　　

1.5 　开发机器学习应用程序的步骤

1.6 　Python语言的优势　　

1.6.1 　可执行伪代码　　
1.6.2 　Python比较流行　　
1.6.3 　Python语言的特色　　
1.6.4 　Python语言的缺点　　

1.7 　NumPy函数库基础　　

1.8 　本章小结　　

第2章　k-近邻算法　　

2.1 　k-近邻算法概述　　

2.1.1 　准备：使用Python导入数据　　
2.1.2 　从文本文件中解析数据　　
2.1.3 　如何测试分类器　　

2.2 　示例：使用k-近邻算法改进约会网站的配对效果　　

2.2.1 　准备数据：从文本文件中解析数据　　
2.2.2 　分析数据：使用Matplotlib创建散点图　　
2.2.3 　准备数据：归一化数值　　
2.2.4 　测试算法：作为完整程序验证分类器　　
2.2.5 　使用算法：构建完整可用系统　　

2.3 　示例：手写识别系统　　

2.3.1 　准备数据：将图像转换为测试向量　　
2.3.2 　测试算法：使用k-近邻算法识别手写数字　　

2.4 　本章小结　　

第3章　决策树

3.1 　决策树的构造　　

3.1.1 　信息增益　　
3.1.2 　划分数据集　　
3.1.3 　递归构建决策树　　

3.2 　在Python中使用Matplotlib注解绘制树形图　　

3.2.1 　Matplotlib注解　　
3.2.2 　构造注解树　　

3.3 　测试和存储分类器　　

3.3.1 　测试算法：使用决策树执行分类　　
3.3.2 　使用算法：决策树的存储　　

3.4 　示例：使用决策树预测隐形眼镜类型　　

3.5 　本章小结　　

第4章　基于概率论的分类方法：朴素贝叶斯　　

4.1 　基于贝叶斯决策理论的分类方法　　

4.2 　条件概率　　

4.3 　使用条件概率来分类　　
4.4 　使用朴素贝叶斯进行文档分类　　
4.5 　使用Python进行文本分类　　
4.5.1 　准备数据：从文本中构建词向量　　
4.5.2 　训练算法：从词向量计算概率　　
4.5.3 　测试算法：根据现实情况修改分类器　　
4.5.4 　准备数据：文档词袋模型　　
4.6 　示例：使用朴素贝叶斯过滤垃圾邮件　　
4.6.1 　准备数据：切分文本　　
4.6.2 　测试算法：使用朴素贝叶斯进行交叉验证　　

4.7 　示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向　　

4.7.1 　收集数据：导入RSS源　　
4.7.2 　分析数据：显示地域相关的用词　　

4.8 　本章小结　　

第5章　Logistic回归　　

5.1 　基于Logistic回归和Sigmoid函数的分类　　

5.2 　基于最优化方法的最佳回归系数确定　　

5.2.1 　梯度上升法　　
5.2.2 　训练算法：使用梯度上升找到最佳参数　　
5.2.3 　分析数据：画出决策边界　　
5.2.4 　训练算法：随机梯度上升　　

5.3 　示例：从疝气病症预测病马的死亡率　　

5.3.1 　准备数据：处理数据中的缺失值　　
5.3.2 　测试算法：用Logistic回归进行分类　　

5.4 　本章小结　　

第6章　支持向量机　　

6.1 　基于最大间隔分隔数据　　

6.2 　寻找最大间隔　　

6.2.1 　分类器求解的优化问题　　
6.2.2 　SVM应用的一般框架　　

6.3 　SMO高效优化算法　　

6.3.1 　Platt的SMO算法　　
6.3.2 　应用简化版SMO算法处理小规模数据集　　

6.4 　利用完整Platt SMO算法加速优化

6.5 　在复杂数据上应用核函数　　

6.5.1 　利用核函数将数据映射到高维空间　　
6.5.2 　径向基核函数　　
6.5.3 　在测试中使用核函数　　

6.6 　示例：手写识别问题回顾

6.7 　本章小结　　

第7章　利用AdaBoost元算法提高分类性能　　

7.1 　基于数据集多重抽样的分类器　　

7.1.1 　bagging：基于数据随机重抽样的分类器构建方法　　
7.1.2 　boosting　　

7.2 　训练算法：基于错误提升分类器的性能　　

7.3 　基于单层决策树构建弱分类器　　

7.4 　完整AdaBoost算法的实现　　

7.5 　测试算法：基于AdaBoost的分类　　

7.6 　示例：在一个难数据集上应用AdaBoost　　

7.7 　非均衡分类问题　　

7.7.1 　其他分类性能度量指标：正确率、召回率及ROC曲线　　
7.7.2 　基于代价函数的分类器决策控制　　
7.7.3 　处理非均衡问题的数据抽样方法　　

7.8 　本章小结　　

第二部分　利用回归预测数值型数据

第8章　预测数值型数据：回归　　

8.1 　用线性回归找到最佳拟合直线　　

8.2 　局部加权线性回归　　

8.3 　示例：预测鲍鱼的年龄　　

8.4 　缩减系数来“理解”数据　　

8.4.1 　岭回归　　
8.4.2 　lasso　　
8.4.3 　前向逐步回归　　

8.5 　权衡偏差与方差　　

8.6 　示例：预测乐高玩具套装的价格　　

8.6.1 　收集数据：使用Google购物的API　　
8.6.2 　训练算法：建立模型　　

8.7 　本章小结　　

第9章　树回归　　

9.1 　复杂数据的局部性建模　　

9.2 　连续和离散型特征的树的构建　　

9.3 　将CART算法用于回归　　

9.3.1 　构建树　　
9.3.2 　运行代码　　

9.4 　树剪枝　　

9.4.1 　预剪枝　　
9.4.2 　后剪枝　　

9.5 　模型树　　

9.6 　示例：树回归与标准回归的比较　　

9.7 　使用Python的Tkinter库创建GUI　　

9.7.1 　用Tkinter创建GUI　　
9.7.2 　集成Matplotlib和Tkinter　　

9.8 　本章小结　　

第三部分　无监督学习

第10章　利用K-均值聚类算法对未标注数据分组　　

10.1 　K-均值聚类算法　　

10.2 　使用后处理来提高聚类性能　　

10.3 　二分K-均值算法　　

10.4 　示例：对地图上的点进行聚类　　

10.4.1 　Yahoo！ PlaceFinder API　　
10.4.2 　对地理坐标进行聚类　　

10.5 　本章小结　　

第11章　使用Apriori算法进行关联分析　　

11.1 　关联分析　　

11.2 　Apriori原理　　

11.3 　使用Apriori算法来发现频繁集　　
11.3.1 　生成候选项集　　
11.3.2 　组织完整的Apriori算法　　

11.4 　从频繁项集中挖掘关联规则　　

11.5 　示例：发现国会投票中的模式　　

11.5.1 　收集数据：构建美国国会投票记录的事务数据集　　
11.5.2 　测试算法：基于美国国会投票记录挖掘关联规则　　

11.6 　示例：发现毒蘑菇的相似特征　　

11.7 　本章小结　　

第12章　使用FP-growth算法来高效发现频繁项集　　

12.1 　FP树：用于编码数据集的有效方式　　

12.2 　构建FP树　　

12.2.1 　创建FP树的数据结构　　
12.2.2 　构建FP树　　

12.3 　从一棵FP树中挖掘频繁项集　　

12.3.1 　抽取条件模式基　　
12.3.2 　创建条件FP树　　

12.4 　示例：在Twitter源中发现一些共现词　　

12.5 　示例：从新闻网站点击流中挖掘　　

12.6 　本章小结　　

第四部分　其他工具

第13章　利用PCA来简化数据　　

13.1 　降维技术　　

13.2 　PCA　　

13.2.1 　移动坐标轴　　
13.2.2 　在NumPy中实现PCA　　

13.3 　示例：利用PCA对半导体制造数据降维　　

13.4 　本章小结　　

第14章　利用SVD简化数据　　

14.1 　SVD的应用　　

14.1.1 　隐性语义索引　　
14.1.2 　推荐系统　　

14.2 　矩阵分解　　

14.3 　利用Python实现SVD　　

14.4 　基于协同过滤的推荐引擎　　

14.4.1 　相似度计算　　
14.4.2 　基于物品的相似度还是基于用户的相似度？　　
14.4.3 　推荐引擎的评价　　

14.5 　示例：餐馆菜肴推荐引擎　　

14.5.1 　推荐未尝过的菜肴　　
14.5.2 　利用SVD提高推荐的效果　　
14.5.3 　构建推荐引擎面临的挑战　　

14.6 　基于SVD的图像压缩　　

14.7 　本章小结　　

第15章　大数据与MapReduce　　

15.1 　MapReduce：分布式计算的框架　　

15.2 　Hadoop流　　

15.2.1 　分布式计算均值和方差的mapper　　
15.2.2 　分布式计算均值和方差的reducer　　

15.3 　在Amazon网络服务上运行Hadoop程序　　

15.3.1 　AWS上的可用服务　　
15.3.2 　开启Amazon网络服务之旅　　
15.3.3 　在EMR上运行Hadoop作业　　
15.4 　MapReduce上的机器学习　　

15.5 　在Python中使用mrjob来自动化MapReduce　　

15.5.1 　mrjob与EMR的无缝集成　　
15.5.2 　mrjob的一个MapReduce脚本剖析　　

15.6 　示例：分布式SVM的Pegasos算法　　

15.6.1 　Pegasos算法　　
15.6.2 　训练算法：用mrjob实现MapReduce版本的SVM　　

15.7 　你真的需要MapReduce吗？　　

15.8 　本章小结　　

《机器学习实战》logistic回归算法

=====================================================================《机器学习实战》系列博客是博主阅读《机器学习实战》这本书的笔记也包含一些其他python实现的机器学习算法查看详情

机器学习实战~~机器学习算法

以下内容都是通过看寄《机器学习实战》这本书后进行的总结。有疏漏的地方请指正。一般在实际问题中选择相应的算法需考虑两个问题：第一：使用算法的目标，想要算法完成何种任务。比如预测明天下雨的概率还是... 查看详情

361机器学习常见算法

K-近邻算法（KNearestNeighbors）参考：机器学习实战教程（一）：K-近邻算法（史诗级干货长文）决策树算法（DecisionTree）参考：机器学习实战教程（二）：决策树基础篇之让我们从相亲说起参考：机器学习实战教程（三）：决策树... 查看详情

机器学习实战机器学习基础

1.1机器学习概念：机器学习能让我们从数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义。机器学习就是把无序的数据转换成有用的信息。1.2机器学习的主要任务：大多数人都见过回归的例子——数据... 查看详情

机器学习实战第1章机器学习基础

第1章机器学习基础机器学习概述机器学习就是把无序的数据转换成有用的信息。获取海量的数据从海量数据中获取有用的信息我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的意义。机器学习场景例如：识别动... 查看详情

《机器学习实战》知识点笔记目录

　　从今天起，开始学习《机器学习实战》，并记录学习到的知识点。　　　　　　　　　　　　--2017-12-311，第2章KNN算法笔记_函数classify0 查看详情

机器学习流程模板及多模型对比实战梳理

机器学习流程模板及多模型对比实战梳理目录机器学习流程模板及多模型对比实战梳理#数据加载查看详情

机器学习实战之第一章机器学习基础

机器学习实战一（knn）

机器学习实战一（kNN）跟着老师做一个项目，关于行车记录仪识别前方车辆，并判断车距，不太好做。本来是用OpenCV，做着做着，突然发现需要补习一下机器学习的内容。《机器学习实战（machinelearinginaction）》这本书买了很久... 查看详情

机器学习实战笔记-1基础

机器学习基础什么是机器学习机器学习能让我们从数据集中受到启示。换句话说。我们会利用计算机来彰显数据背后的真实含义。简单的说机器学习就是把无序数据转换成实用的信息。关键术语特征(属性)：对一类物体我们关心... 查看详情

机器学习实战|机器学习特征工程最全解读(代码片段)

本篇内容给大家详细讲解了特征工程的知识，包括数据清洗（数据对齐、缺失值处理、异常值处理），特征构建，特征变换，特征选择与实战特征工程经验等内容。作者：韩信子@ShowMeAI教程地址：http://www.showmeai.tech/tutorials/41本... 查看详情

机器学习实战教程汇总(十三篇)

机器学习实战教程(13篇)这些网址非常适合想学习机器学习，却苦于没有项目（尤其缺少数据）的人。无意中看到，给自己做一个记录。机器学习实战教程（一）：K-近邻算法（史诗级干货长文）... 查看详情

唐宇迪-机器学习/深度学习系列课程福利大发送！不单优惠还送机器学习必备实战书籍！

决胜AI就在今天Hi同学们，给大家推荐一本机器学习的入门佳品：机器学习实战。这本书可以说是我看过最通俗易懂的机器学习书籍了，并没有上来直接阐述一些看着就头疼的各种数学公式，而是以实际案例为出发点一步步带领... 查看详情

spark机器学习实战视频

深入浅出Spark机器学习实战（用户行为分析）课程观看地址：http://www.xuetuwuyou.com/course/144课程出自学途无忧网：http://www.xuetuwuyou.com一、课程目标熟练掌握SparkSQL的各种操作，深入了解Spark内部实现原理深入了解SparkML机器... 查看详情

机器学习实战——机器学习概览

机器学习的应用示例分析生产线上的产品图像来对产品进行自动分类图像分类问题，使用卷积神经网络CNN通过脑部扫描发现肿瘤语义分割，图像中的每个像素都需要被分类，也是用CNN自动分类新闻、恶意评论标记、长... 查看详情

spark机器学习实战-使用spark进行数据处理和数据转换

系列文章目录Spark机器学习实战-专栏介绍Spark机器学习实战-问题汇总[持续更新]Spark机器学习实战-Spark的安装及使用Spark机器学习实战-使用Spark进行数据处理和数据转换文章目录系列文章目录前言一、获取公开数据集二、数据探索... 查看详情

机器学习实战教程：决策树实战篇(代码片段)

一、前言上篇文章机器学习实战教程（二）：决策树基础篇_M_Q_T的博客-CSDN博客讲述了机器学习决策树的原理，以及如何选择最优特征作为分类特征。本篇文章将在此基础上进行介绍。主要包括：决策树构建决... 查看详情