图书介绍
机器学习入门之道PDF|Epub|txt|kindle电子书版本网盘下载
- （日）中井悦司著；姚待艳译 著
- 出版社： 北京：人民邮电出版社
- ISBN：9787115479341
- 出版时间：2018
- 标注页数：205页
- 文件大小：26MB
- 文件页数：224页
- 主题词：机器学习
PDF下载
下载说明
机器学习入门之道PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 数据科学和机器学习1
1.1 数据科学在商业领域中的作用2
1.2 机器学习算法的分类8
1.2.1 分类：产生类判定的算法8
1.2.2 回归分析：预测数值的算法9
1.2.3 聚类分析：对数据进行无监督群组化的算法10
1.2.4 其他算法12
1.3 本书使用的例题13
1.3.1 基于回归分析的观测值推断13
1.3.2 基于线性判别的新数据分类17
1.3.3 图像文件的褪色处理（提取代表色）18
1.3.4 识别手写文字19
1.4 分析工具的准备20
1.4.1 本书使用的数据分析工具21
1.4.2 运行环境设置步骤（以CentOS 6为例）22
1.4.3 运行环境设置步骤（以Mac OS X为例）25
1.4.4 运行环境设置步骤（以Windows 7/8.1 为例）27
1.4.5 IPython的使用方法30
第2章 最小二乘法：机器学习理论第一步35
2.1 基于近似多项式和最小二乘法的推断36
2.1.1 训练集的特征变量和目标变量36
2.1.2 近似多项式和误差函数的设置38
2.1.3 误差函数最小化条件39
2.1.4 示例代码的确认42
2.1.5 统计模型的最小二乘法46
2.2 过度拟合检出49
2.2.1 训练集和测试集49
2.2.2 测试集的验证结果50
2.2.3 基于交叉检查的泛化能力验证52
2.2.4 基于数据的过度拟合变化54
2.3 附录：Hessian矩阵的特性56
第3章 最优推断法：使用概率的推断理论59
3.1 概率模型的利用60
3.1.1 “数据的产生概率”设置60
3.1.2 基于似然函数的参数评价65
3.1.3 示例代码的确认69
3.2 使用简化示例的解释说明73
3.2.1 正态分布的参数模型74
3.2.2 示例代码的确认76
3.2.3 推断量的评价方法（一致性和无偏性）78
3.3 附录：样本均值及样本方差一致性和无偏性的证明80
3.3.1 样本均值及样本方差一致性和无偏性的证明81
3.3.2 示例代码的确认85
第4章 感知器：分类算法的基础89
4.1 概率梯度下降法的算法91
4.1.1 分割平面的直线方程91
4.1.2 基于误差函数的分类结果评价93
4.1.3 基于梯度的参数修正95
4.1.4 示例代码的确认99
4.2 感知器的几何学解释100
4.2.1 对角项的任意性和算法的收敛速度101
4.2.2 感知器的几何学解释103
4.2.3 对角项的几何学意义104
第5章 Logistic回归和ROC曲线：学习模型的评价方法107
5.1 对分类问题应用最优推断法108
5.1.1 数据发生概率的设置108
5.1.2 基于最优推断法的参数确定112
5.1.3 示例代码的确认114
5.2 基于ROC曲线的学习模型评价117
5.2.1 Logistic回归在实际问题中的应用118
5.2.2 基于ROC曲线的性能评价120
5.2.3 示例代码的确认123
5.3 附录：IRLS法的推导126
第6章 K均值算法：无监督学习模型的基础133
6.1 基于K均值算法的聚类分析和应用实例134
6.1.1 无监督学习模型类聚类分析134
6.1.2 基于K均值算法的聚类分析135
6.1.3 在图像数据方面的应用138
6.1.4 示例代码的确认141
6.1.5 K均值算法的数学依据143
6.2 “懒惰”学习模型K近邻法146
6.2.1 基于K近邻法的分类146
6.2.2 K近邻法的问题148
第7章 EM算法：基于最优推断法的监督学习151
7.1 使用伯努利分布的最优推断法152
7.1.1 手写文字的合成方法153
7.1.2 基于图像生成器的最优推断法应用154
7.2 使用混合分布的最优推断法157
7.2.1 基于混合分布的概率计算157
7.2.2 EM算法的过程158
7.2.3 示例代码的确认161
7.2.4 基于聚类分析的探索性数据解析165
7.3 附录：手写文字数据的采集方法167
第8章 贝叶斯推断：以数据为基础提高置信度的手法169
8.1 贝叶斯推断模型和贝叶斯定理170
8.1.1 贝叶斯推断的思路171
8.1.2 贝叶斯定理入门172
8.1.3 使用贝叶斯推断确定正态分布：推断参数178
8.1.4 使用贝叶斯推断确定正态分布：推断观测值分布185
8.1.5 示例代码的确认188
8.2 贝叶斯推断回归分析的应用190
8.2.1 参数后期分布的计算190
8.2.2 观测值分布的推断194
8.2.3 示例代码的确认195
8.3 附录：最优推断法和贝叶斯推断的关系198
后记201