机器学习实践指南：案例应用解析（第二版）PDF高清完整版免费下载|百度云盘|Python基础教程免费电子书

点击获取提取码：ti7d
机器学习实践指南:案例应用解析(第2版)是一本机器学习实践指南，由麦好编著。全书分为准备篇、基础篇、 统计分析实战篇和机器学习实战篇。机器学习算法建立在复杂的计算理论基础之上，并涉及多门数学学科。作者在全收介绍机器学习的发展及应用前景，使读者产生浓厚的兴趣，同时也将介绍目前常用的科学计算平台和本书将用到的工程计算平台，使读者消除对机器学习的畏难情绪，这些平台的使用也降低了机器学习软件实现的难度，非常适合机器学习的初、中级读者和架构师们阅读。

image.png

内容介绍

《机器学习实践指南》分为准备篇、基础篇、统计分析实战和机器学习实战篇。由于目前出版的机器学习大多偏重理论，这对机器学习类书籍的读者带来了极大的挑战，抽象的理论加上成堆的数学公式将大量渴求学习的人们挡在了门外。针对这种情况，本书力求理论联系实际，对理论基础进行一定的介绍，注重机器学习算法的实际运用，让读者明白其中原理，而对机器学习算法涉及的深层数学知识及其复杂的数学推导在本书中涉及较少。
准备篇中首先将介绍机器学习的发展及应用前景，使读者产生浓厚的兴趣，同时也将介绍目前常用的科学计算平台和本书将用到的工程计算平台，使读者消除对机器学习的畏难情绪，这些平台的使用也降低了机器学习软件实现的难度。基础篇将介绍数学知识基础和计算平台应用实例，介绍计算平台的开发基本知识，并应用这些平台实现计算应用。最后，本书将针对统计分析实战和机器学习实战两个部分帮助读者建立机器学习实战指南，应用计算平台对统计分析及机器学习算法进行实现和应用，同时还会附上效果图，让读者对机器学习的基本应用和理论基础有一个形象的理解。

image.png

章节目录

推荐序
前言
第一部分　准备篇
第1章 机器学习发展及应用前景 2
1.1 机器学习概述 2
1.1.1 什么是机器学习 3
1.1.2 机器学习的发展 3
1.1.3 机器学习的未来 4
1.2 机器学习应用前景 5
1.2.1 数据分析与挖掘 5
1.2.2 模式识别 6
1.2.3 更广阔的领域 6
1.3 小结 7
第2章 科学计算平台 8
2.1 科学计算软件平台概述 9
2.1.1 常用的科学计算软件 9
2.1.2 本书使用的工程计算平台 10
2.2 计算平台的配置 11
2.2.1 Numpy等Python科学计算包的安装与配置 11
2.2.2 OpenCV 安装与配置 14
2.2.3 mlpy 安装与配置 14
2.2.4 BeautifulSoup安装与配置 15
2.2.5 Neurolab安装与配置 15
2.2.6 R安装与配置 16
2.3 小结 16
第二部分　基础篇
第3章 计算平台应用实例 18
3.1 Python计算平台简介及应用实例 18
3.1.1 Python语言基础 18
3.1.2 Numpy库 29
3.1.3 pylab、matplotlib绘图 36
3.1.4 图像基础 38
3.1.5 图像融合与图像镜像 46
3.1.6 图像灰度化与图像加噪 48
3.1.7 声音基础 51
3.1.8 声音音量调节 53
3.1.9 图像信息隐藏 58
3.1.10 声音信息隐藏 62
3.2 R语言基础 68
3.2.1 基本操作 69
3.2.2 向量 71
3.2.3 对象集属性 77
3.2.4 因子和有序因子 78
3.2.5 循环语句 79
3.2.6 条件语句 79
3.3 R语言科学计算 80
3.3.1 分类（组）统计 80
3.3.2 数组与矩阵基础 81
3.3.3 数组运算 84
3.3.4 矩阵运算 85
3.4 R语言计算实例 93
3.4.1 学生数据集读写 93
3.4.2 最小二乘法拟合 94
3.4.3 交叉因子频率分析 96
3.4.4 向量模长计算 97
3.4.5 欧氏距离计算 98
3.5 小结 99
思考题 99
第4章 生产环境基础 100
4.1 Windows Server 2008基础 100
4.1.1 Windows Server 2008 R2概述 101
4.1.2 Windows PowerShell 102
4.2 Linux基础 103
4.2.1 Linux命令 104
4.2.2 Shell基础 114
4.3 Vim编辑器 122
4.3.1 Vim编辑器概述 122
4.3.2 Vim常用命令 123
4.4 虚拟化平台 124
4.4.1 Citrix Xenserver概述 125
4.4.2 Citrix Xenserver部署 126
4.4.3 基于XenCenter的虚拟服务器管理 126
4.5 Linux环境下的NumPy安装 135
4.6 Linux环境下的R运行环境 136
4.7 PyPy编译器 136
4.7.1 PyPy概述 136
4.7.2 PyPy安装与配置 137
4.7.3 PyPy性能 137
4.7.4 PyPy实践之Lempel-Ziv压缩 138
4.8 小结 145
思考题 146
第三部分　统计分析实战篇
第5章 统计分析基础 148
5.1 数据分析概述 148
5.2 数学基础 149
5.3 回归分析 154
5.3.1 单变量线性回归 154
5.3.2 多元线性回归 156
5.3.3 非线性回归 157
5.4 数据分析基础 159
5.4.1 区间频率分布 159
5.4.2 数据直方图 161
5.4.3 数据散点图 162
5.4.4 五分位数 164
5.4.5 累积分布函数 165
5.4.6 核密度估计 166
5.5 数据分布分析 167
5.6 小结 169
思考题 170
第6章 描述性分析案例 171
6.1 数据图形化案例解析 171
6.1.1 点图 171
6.1.2 饼图和条形图 172
6.1.3 茎叶图和箱线图 173
6.2 数据分布趋势案例解析 175
6.2.1 平均值 175
6.2.2 加权平均值 175
6.2.3 数据排序 176
6.2.4 中位数 177
6.2.5 极差、半极差 177
6.2.6 方差 178
6.2.7 标准差 178
6.2.8 变异系数、样本平方和 178
6.2.9 偏度系数、峰度系数 179
6.3 正态分布案例解析 180
6.3.1 正态分布函数 180
6.3.2 峰度系数分析 181
6.3.3 累积分布概率 181
6.3.4 概率密度函数 182
6.3.5 分位点 183
6.3.6 频率直方图 185
6.3.7 核概率密度与正态概率分布图 185
6.3.8 正态检验与分布拟合 186
6.3.9 其他分布及其拟合 188
6.4 多变量分析 189
6.4.1 多变量数据分析 189
6.4.2 多元数据相关性分析 197
6.5 小结 201
思考题 201
第7章 假设检验与回归模型案例 202
7.1 假设检验 202
7.1.1 二项分布假设检验 202
7.1.2 数据分布检验 204
7.1.3 正态总体均值检验 205
7.1.4 列联表 206
7.1.5 符号检测 207
7.1.6 秩相关检验 210
7.1.7 Kendall相关检验 213
7.2 回归模型 214
7.2.1 回归预测与显著性检验 214
7.2.2 回归诊断 216
7.2.3 回归优化 217
7.2.4 主成分回归 219
7.2.5 广义线性模型 221
7.3 小结 226
思考题 226
第四部分　机器学习实战篇
第8章 机器学习算法 230
8.1 神经网络 230
8.1.1 Rosenblatt感知器 232
8.1.2 梯度下降 245
8.1.3 反向传播与多层感知器 251
8.1.4 Python神经网络库 270
8.2 统计算法 272
8.2.1 平均值 272
8.2.2 方差与标准差 274
8.2.3 贝叶斯算法 276
8.3 欧氏距离 279
8.4 余弦相似度 280
8.5 SVM 281
8.5.1 数学原理 281
8.5.2 SMO算法 283
8.5.3 算法应用 283
8.6 回归算法 287
8.6.1 线性代数基础 288
8.6.2 最小二乘法原理 289
8.6.3 线性回归 290
8.6.4 多元非线性回归 292
8.6.5 岭回归方法 294
8.6.6 伪逆方法 295
8.7 PCA降维 296
8.8 关联规则 297
8.8.1 关联规则概述 297
8.8.2 频繁项集算法 298
8.8.3 关联规则生成 301
8.8.4 实例分析 302
8.9 自动分类 306
8.9.1 聚类算法 306
8.9.2 决策树 313
8.9.3 AdaBoost 316
8.9.4 竞争型神经网络 317
8.9.5 Hamming神经网络 323
8.10 小结 325
思考题 325
第9章 数据拟合案例 327
9.1 数据拟合 327
9.1.1 图像分析法 327
9.1.2 神经网络拟合法 338
9.2 线性滤波 352
9.2.1 WAV声音文件 352
9.2.2 线性滤波算法过程 352
9.2.3 滤波Python实现 353
9.3 数据或曲线平滑 358
9.3.1 平滑概述 358
9.3.2 移动平均 359
9.3.3 递归线性过滤 362
9.3.4 指数平滑 364
9.4 小结 368
思考题 368
第10章 图像算法案例 370
10.1 图像边缘算法 370
10.1.1 数字图像基础 370
10.1.2 算法描述 371
10.2 图像匹配 372
10.2.1 差分矩阵求和 373
10.2.2 差分矩阵均值 375
10.2.3 欧氏距离匹配 376
10.3 图像分类 382
10.3.1 余弦相似度 382
10.3.2 PCA图像特征提取算法 388
10.3.3 基于神经网络的图像分类 389
10.3.4 基于SVM的图像分类 394
10.4 高斯噪声生成 397
10.5 二值化 401
10.5.1 threshold 401
10.5.2 adaptiveThreshold 402
10.6 插值与缩放 404
10.7 仿射 405
10.7.1 仿射原理 405
10.7.2 仿射变换实例 405
10.8 透视投影与透视变换 406
10.8.1 透视投影原理 406
10.8.2 透视投影实例 407
10.9 灰度变换与图像增强 409
10.9.1 灰度变换概述 409
10.9.2 对数变换 409
10.9.3 分段线性变换 410
10.9.4 指数变换 411
10.9.5 直方图均衡化 412
10.10　图像滤波与除噪 415
10.10.1　均一化块滤波 415
10.10.2　邻域平均法 420
10.10.3　中值滤波 423
10.10.4　高斯滤波 427
10.10.5　双边滤波 429
10.10.6　卷积滤波 431
10.10.7　边缘检测 433
10.11　小结 435
思考题 435
第11章 机器视觉案例 437
11.1 人脸辨识 437
11.1.1 人脸定位 437
11.1.2 人脸辨识 439
11.2 手写数字识别 446
11.2.1 手写数字识别算法 446
11.2.2 算法的Python实现 447
11.3 运动侦测 449
11.3.1 视频采集 450
11.3.2 差分算法 452
11.3.3 光流法 456
11.4 形状检测 458
11.4.1 KNN算法概述 458
11.4.2 形状特征提取 459
11.4.3 形状分类 459
11.5 小结 462
思考题 462
第12章 文本分类案例 463
12.1 文本分类概述 463
12.2 余弦相似度分类 464
12.2.1 中文分词 465
12.2.2 停用词清理 467
12.2.3 算法实战 468
12.3 朴素贝叶斯分类 473
12.3.1 算法描述 473
12.3.2 先验概率计算 474
12.3.3 最大后验概率 474
12.3.4 算法实现 474
12.4 自然语言处理 480
12.4.1 NLTK简介 480
12.4.2 NLTK与jieba的配置 481
12.4.3 中文分词并标注词性 483
12.4.4 词特征指标分析 484
12.4.5 Web文档分析 499
12.4.6 Web文档的朴素贝叶斯分类 503
12.4.7 语法结构分析 515
12.4.8 Web文档聚类 518
12.5 小结 526
思考题 526