機器學習算法（簡體書）

本書採用理論與實踐相結合的方式，在簡明扼要地闡明機器學習原理的基礎上，通過大量實例介紹了不同場景下機器學習算法在scikit-learn中的實現及應用。書中還有大量的代碼示例及圖例，便於讀者理解和學習並實際上手操作。另一方面，書中還有很多的延伸閱讀指導，方便讀者系統性地瞭解機器學習領域的現有技術及其發展狀態。

朱塞佩‧博納科爾索，主要研究興趣包括人工智能、機器學習、數據科學等。

目　錄
Machine Learning Algorithms

譯者序
前言
作者簡介
審校人員簡介
第1章　機器學習簡介1
　1.1　經典機器和自適應機器簡介1
　1.2　機器學習的分類2
1.2.1　監督學習3
1.2.2　無監督學習5
1.2.3　強化學習7
　1.3　超越機器學習――深度學習和仿生自適應系統8
　1.4　機器學習和大數據9
　延伸閱讀10
　本章小結10
第2章　機器學習的重要元素11
　2.1　數據格式11
　2.2　可學習性13
2.2.1　欠擬合和過擬合15
2.2.2　誤差度量16
2.2.3　PAC學習18
　2.3　統計學習方法19
2.3.1　最大後驗概率學習20
2.3.2　最大似然學習20
　2.4　信息論的要素24
　參考文獻26
　本章小結26
第3章　特徵選擇與特徵工程28
　3.1　scikit-learn練習數據集28
　3.2　創建訓練集和測試集29
　3.3　管理分類數據30
　3.4　管理缺失特徵33
　3.5　數據縮放和歸一化33
　3.6　特徵選擇和過濾35
　3.7　主成分分析37
3.7.1　非負矩陣分解42
3.7.2　稀疏PCA42
3.7.3　核PCA43
　3.8　原子提取和字典學習45
　參考文獻47
　本章小結47
第4章　線性回歸48
　4.1　線性模型48
　4.2　一個二維的例子48
　4.3　基於scikit-learn的線性回歸和更高維50
　4.4　Ridge、Lasso和ElasticNet53
　4.5　隨機採樣一致的魯棒回歸57
　4.6　多項式回歸58
　4.7　保序回歸60
　參考文獻62
　本章小結62
第5章　邏輯回歸64
　5.1　線性分類64
　5.2　邏輯回歸65
　5.3　實現和優化67
　5.4　隨機梯度下降算法69
　5.5　通過網格搜索找到最優超參數71
　5.6　評估分類的指標73
　5.7　ROC曲線77
　本章小結79
第6章　樸素貝葉斯81
　6.1　貝葉斯定理81
　6.2　樸素貝葉斯分類器82
　6.3　scikit-learn中的樸素貝葉斯83
6.3.1　伯努利樸素貝葉斯83
6.3.2　多項式樸素貝葉斯85
6.3.3　高斯樸素貝葉斯86
　參考文獻89
　本章小結89
第7章　支持向量機90
　7.1　線性支持向量機90
　7.2　scikit-learn實現93
7.2.1　線性分類94
7.2.2　基於內核的分類95
7.2.3　非線性例子97
　7.3　受控支持向量機101
　7.4　支持向量回歸103
　參考文獻104
　本章小結104
第8章　決策樹和集成學習105
8.1　二元決策樹105
8.1.1　二元決策106
8.1.2　不純度的衡量107
8.1.3　特徵重要度109
　8.2　基於scikit-learn的決策樹分類109
　8.3　集成學習113
8.3.1　隨機森林114
8.3.2　AdaBoost116
8.3.3　梯度樹提升118
8.3.4　投票分類器120
　參考文獻122
　本章小結122
第9章　聚類基礎124
　9.1　聚類簡介124
9.1.1　k均值聚類125
9.1.2　DBSCAN136
9.1.3　光譜聚類138
　9.2　基於實證的評價方法139
9.2.1　同質性140
9.2.2　完整性140
9.2.3　修正蘭德指數141
　參考文獻142
　本章小結142
第10章　層次聚類143
　10.1　分層策略143
　10.2　凝聚聚類143
10.2.1　樹形圖145
10.2.2　scikit-learn中的凝聚聚類147
10.2.3　連接限制149
　參考文獻151
　本章小結152
第11章　推薦系統簡介153
　11.1　樸素的基於用戶的系統153
　11.2　基於內容的系統156
　11.3　無模式（或基於內存的）協同過濾158
　11.4　基於模型的協同過濾160
11.4.1　奇異值分解策略161
11.4.2　交替最小二乘法策略163
11.4.3　用Apache Spark MLlib實現交替最小二乘法策略164
　參考文獻167
　本章小結167
第12章　自然語言處理簡介169
　12.1　NLTK和內置語料庫169
　12.2　詞袋策略171
12.2.1　標記172
12.2.2　停止詞的刪除174
12.2.3　詞幹提取175
12.2.4　向量化176
　12.3　基於路透社語料庫的文本分類器例子180
　參考文獻182
　本章小結182
第13章　自然語言處理中的主題建模與情感分析183
　13.1　主題建模183
13.1.1　潛在語義分析183
13.1.2　概率潛在語義分析188
13.1.3　潛在狄利克雷分配193
　13.2　情感分析198
　參考文獻202
　本章小結202
第14章　深度學習和TensorFlow簡介203
　14.1　深度學習簡介203
14.1.1　人工神經網絡203
14.1.2　深層結構206
　14.2　TensorFlow簡介208
14.2.1　計算梯度210
14.2.2　邏輯回歸212
14.2.3　用多層感知器進行分類215
14.2.4　圖像卷積218
　14.3　Keras內部速覽220
　參考文獻225
　本章小結225
第15章　構建機器學習框架226
　15.1　機器學習框架226
15.1.1　數據收集227
15.1.2　歸一化227
15.1.3　降維227
15.1.4　數據擴充228
15.1.5　數據轉換228
15.1.6　建模、網格搜索和交叉驗證229
15.1.7　可視化229
　15.2　用於機器學習框架的scikit-learn工具229
15.2.1　管道229
15.2.2　特徵聯合232
　參考文獻233
　本章小結233