资料分享:送你一本《机器学习实战》电子书!

这两天,各985高校发布了考研初试分数线。从中发现这两年大数据相关专业的分数线暴涨啊。没有400分估计心里都没底啊。可见大数据这个领域有多火爆!而机器学习是我们团队的一个主要方向,新加入的同学通常都是从《机器学习实战》这本书开始入门的。

所以,我把这本书的电子版分享给大家,可以作为入门教材,希望能够对大数据、机器学习感兴的同学有益。当然,这本书在网上有开源的电子版,其特点是简化了案例背景的介绍,而在每个算法后面加入了作者的理解,大家可以对照着来学习。其网址如下:

https://ailearning.apachecn.org/#/

资料分享:送你一本《机器学习实战》电子书!_第1张图片


目录

第一部分 分类

第1章 机器学习基础

  • 1.1 何谓机器学习
  • 传感器和海量数据
  • 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
  • 可执行伪代码
  • Python比较流行
  • Python语言的特色
  • 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
  • 准备:使用Python导入数据
  • 从文本文件中解析数据
  • 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
  • 准备数据:从文本文件中解析数据
  • 分析数据:使用Matplotlib创建散点图
  • 准备数据:归一化数值
  • 测试算法:作为完整程序验证分类器
  • 使用算法:构建完整可用系统
  • 2.3 示例:手写识别系统
  • 准备数据:将图像转换为测试向量
  • 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
  • 信息增益
  • 划分数据集
  • 递归构建决策树
  • 3.2 在Python中使用Matplotlib注解绘制树形图
  • Matplotlib注解
  • 构造注解树
  • 3.3 测试和存储分类器
  • 测试算法:使用决策树执行分类
  • 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
  • 准备数据:从文本中构建词向量
  • 训练算法:从词向量计算概率
  • 测试算法:根据现实情况修改分类器
  • 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
  • 准备数据:切分文本
  • 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
  • 收集数据:导入RSS源
  • 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
  • 梯度上升法
  • 训练算法:使用梯度上升找到最佳参数
  • 分析数据:画出决策边界
  • 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
  • 准备数据:处理数据中的缺失值
  • 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
  • 分类器求解的优化问题
  • SVM应用的一般框架
  • 6.3 SMO高效优化算法
  • Platt的SMO算法
  • 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
  • 利用核函数将数据映射到高维空间
  • 径向基核函数
  • 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
  • bagging:基于数据随机重抽样的分类器构建方法
  • 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
  • 其他分类性能度量指标:正确率、召回率及ROC曲线
  • 基于代价函数的分类器决策控制
  • 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
  • 岭回归
  • lasso
  • 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
  • 收集数据:使用Google购物的API
  • 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
  • 构建树
  • 运行代码
  • 9.4 树剪枝
  • 预剪枝
  • 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
  • 用Tkinter创建GUI
  • 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
  • Yahoo! PlaceFinder API
  • 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
  • 生成候选项集
  • 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
  • 收集数据:构建美国国会投票记录的事务数据集
  • 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
  • 创建FP树的数据结构
  • 构建FP树
  • 12.3 从一棵FP树中挖掘频繁项集
  • 抽取条件模式基
  • 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
  • 移动坐标轴
  • 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
  • 隐性语义索引
  • 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
  • 相似度计算
  • 基于物品的相似度还是基于用户的相似度?
  • 推荐引擎的评价
  • 14.5 示例:餐馆菜肴推荐引擎
  • 推荐未尝过的菜肴
  • 利用SVD提高推荐的效果
  • 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
  • 分布式计算均值和方差的mapper
  • 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
  • AWS上的可用服务
  • 开启Amazon网络服务之旅
  • 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
  • mrjob与EMR的无缝集成
  • mrjob的一个MapReduce脚本剖析
  • 15.6 示例:分布式SVM的Pegasos算法
  • Pegasos算法
  • 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

附录A Python入门

附录B 线性代数

附录C 概率论复习

附录D 资源

索引

版权声明


推荐阅读

  • 如何利用 C# 实现 K 最邻近算法?
  • 如何利用 C# 实现 K-D Tree 结构?

下载《机器学习实战》

关注公众号,后台回复

20190313

你可能感兴趣的:(读书与生活)