机器学习算法原理与编程实践 下载 mobi epub pdf 电子书 2024

编辑推荐

　　《机器学习算法原理与编程实践》围绕神经网络、智能推理、矩阵计算三大主线，提供近25个经典的算法讲解。解剖有代表性的算法库：Scikit-Learn算法库、OpenCV机器视觉、Theano深度学习库。作为本土原创图书，本书更符合国内人的阅读习惯，适合作为机器学习算法设计的入门读物。

内容简介

　　《机器学习算法原理与编程实践》是机器学习原理和算法编码实现的基础性读物，内容分为两大主线：单个算法的原理讲解和机器学习理论的发展变迁。算法除包含传统的分类、聚类、预测等常用算法之外，还新增了深度学习、贝叶斯网、隐马尔科夫模型等内容。对于每个算法，均包括提出问题、解决策略、数学推导、编码实现、结果评估几部分。数学推导力图做到由浅入深，深入浅出。结构上数学原理与程序代码一一对照，有助于降低学习门槛，加深公式的理解，起到推广和扩大机器学习的作用。

作者简介

　　郑捷，www.threedweb.cn网站负责人，研究方向是机器学习与自然语言处理。当前负责的核心产品是高精度自然语言认知系统的设计与研发，研发目标是高精度（识别率在85%~95%）的统一架构的NLP认知系统。

目录

第1章 机器学习的基础 1
1．1 编程语言与开发环境 2
1．1．1 搭建Python开发环境 2
1．1．2 安装Python算法库 4
1．1．3 IDE配置及其安装测试 5
1．2 对象、矩阵与矢量化编程 8
1．2．1 对象与维度 8
1．2．2 初识矩阵 10
1．2．3 矢量化编程与GPU运算 13
1．2．4 理解数学公式与NumPy矩阵运算 14
1．2．5 Linalg线性代数库 18
1．3 机器学习的数学基础 20
1．3．1 相似性的度量 21
1．3．2 各类距离的意义与Python实现 22
1．3．3 理解随机性 29
1．3．4 回顾概率论 30
1．3．5 多元统计基础 32
1．3．6 特征间的相关性 33
1．3．7 再谈矩阵――空间的变换 35
1．3．8 数据归一化 40
1．4 数据处理与可视化 42
1．4．1 数据的导入和内存管理 42
1．4．2 表与线性结构的可视化 45
1．4．3 树与分类结构的可视化 46
1．4．4 图与网络结构的可视化 47
1．5 Linux操作系统下部署Python机器学习开发环境 48
1．5．1 Linux发行版的选择 48
1．5．2 CentOS部署多版本Python实例 49
1．5．3 安装NumPy、SciPy、Matplotlib开发包 52
1．5．4 安装Scikit-Learn开发包 54
1．6 结语 55
第2章 中文文本分类 56
2．1 文本挖掘与文本分类的概念 56
2．2 文本分类项目 58
2．2．1 文本预处理 58
2．2．2 中文分词介绍 61
2．2．3 Scikit-Learn库简介 66
2．2．4 向量空间模型 70
2．2．5 权重策略：TF-IDF方法 71
2．2．6 使用朴素贝叶斯分类模块 74
2．2．7 分类结果评估 76
2．3 分类算法：朴素贝叶斯 78
2．3．1 贝叶斯公式推导 78
2．3．2 朴素贝叶斯算法实现 79
2．3．3 算法的改进 82
2．3．4 评估分类结果 82
2．4 分类算法：kNN 83
2．4．1 kNN算法原理 83
2．4．2 kNN算法的Python实现 86
2．4．3 评估分类结果 88
2．5 结语 88
第3章 决策树的发展 89
3．1 决策树的基本思想 89
3．1．1 从一个实例开始 90
3．1．2 决策树的算法框架 95
3．1．3 信息熵测度 96
3．2 ID3决策树 98
3．2．1 ID3算法 98
3．2．2 ID3的实现 101
3．2．3 决策树主方法 101
3．2．4 训练决策树 103
3．2．5 持久化决策树 104
3．2．6 决策树分类 105
3．2．7 算法评估 106
3．3 C4．5算法 106
3．3．1 信息增益率 106
3．3．2 C4．5的实现 108
3．3．3 训练决策树 108
3．3．4 分类数据 109
3．4 Scikit-Learn与回归树 110
3．4．1 回归算法原理 110
3．4．2 最小剩余方差法 111
3．4．3 模型树 113
3．4．4 剪枝策略 113
3．4．5 Scikit-Learn实现 115
3．5 结语 117
第4章 推荐系统原理 118
4．1 推荐系统概述 119
4．1．1 从亚马逊网站认识推荐系统 119
4．1．2 推荐系统的架构 122
4．1．3 开源推荐系统 125
4．2 协同过滤及其算法 126
4．2．1 协同过滤 126
4．2．2 数据预处理 127
4．2．3 使用Scikit-Learn的KMeans聚类 127
4．2．4 User CF原理 129
4．2．5 Item CF原理 131
4．2．6 SVD原理与计算 132
4．3 KMeans算法详解 135
4．3．1 KMeans算法流程 135
4．3．2 辅助函数 136
4．3．3 聚类主函数 137
4．3．4 评估分类结果 139
4．4 聚类的改进：二分KMeans算法 141
4．4．1 二分聚类主函数 141
4．4．2 评估分类结果 142
4．5 SVD算法详解 143
4．5．1 SVD算法回顾 143
4．5．2 常用距离函数 146
4．5．3 SVD数据集 146
4．5．4 SVD算法主函数 147
4．5．5 评估结果 147
4．6 结语 148
第5章 梯度寻优 149
5．1 最优化与计算复杂性 149
5．1．1 最优化理论 149
5．1．2 最优化的数学描述 150
5．1．3 凸集与分离定理 151
5．1．4 凸函数及其性质 153
5．1．5 局部最优与全局最优 155
5．1．6 计算复杂性与NP问题 156
5．1．7 逐次逼近法 159
5．2 Logistic梯度下降法 163
5．2．1 梯度下降法 164
5．2．2 线性分类器 166
5．2．3 Logistic函数――世界不是非黑即白 169
5．2．4 算法流程 171
5．2．5 对测试集进行分类 175
5．3 算法分析 175
5．3．1 超平面的变化趋势 176
5．3．2 超平面的收敛评估 177
5．3．3 权重向量的收敛评估 179
5．3．4 算法总体评价 180
5．4 随机梯度下降法：算法改进与评估 180
5．4．1 主函数 181
5．4．2 程序输出 182
5．4．3 步长变化率 183
5．4．4 权重收敛评估 184
5．4．5 权重分量的变化趋势 185
5．4．6 算法总体评价 187
5．5 结语 187
第6章 神经网络初步 189
6．1 神经网络简史 189
6．1．1 起源与早期发展 189
6．1．2 中期发展 190
6．1．3 当前的发展与反思 192
6．2 BP神经网络理论 192
6．2．1 线性不可分问题 192
6．2．2 BP网络构成 193
6．2．3 BP网络的训练过程 196
6．3 BP网络的实现和评估 199
6．3．1 BP网络类与主要方法 199
6．3．2 设计BP网络 199
6．3．3 辅助函数 202
6．3．4 主函数 203
6．3．5 分类器 204
6．3．6 执行分类并输出结果 205
6．3．7 BP网络评估 207
6．4 自组织特征映射神经网络 208
6．4．1 SOM网络框架 208
6．4．2 SOM类 211
6．4．3 功能函数 212
6．4．4 SOM网络的实现 212
6．4．5 聚类结果 213
6．5 Boltzmann机算法 215
6．5．1 问题的提出 215
6．5．2 模拟退火原理 216
6．5．3 Boltzmann分布与退火过程 217
6．5．4 Boltzmann机类与功能函数 219
6．5．5 最短路径的实现 222
6．5．6 执行算法 223
6．5．7 评估结果 224
6．6 结语 225
第7章 预测的技术与哲学 226
7．1 线性系统的预测 226
7．1．1 回归与现代预测学 226
7．1．2 最小二乘法 227
7．1．3 代码实现 229
7．1．4 正规方程组法 231
7．1．5 正规方程组的代码实现 232
7．1．6 算法评估 232
7．2 径向基网络 233
7．2．1 RBF网络 233
7．2．2 辅助函数 236
7．2．3 使用RBF预测 236
7．2．4 评估预测结果 238
7．3 岭回归 238
7．3．1 验证多重共线性 239
7．3．2 岭回归理论 240
7．3．3 岭际分析 240
7．3．4 k值的判定 242
7．3．5 辅助函数 243
7．3．6 岭回归的实现与k值计算 243
7．3．7 算法评估 244
7．4 预测的哲学 245
7．4．1 从《周易》谈起 246
7．4．2 两仪生四象 249
7．4．3 周期三与混沌 251
7．4．4 Logistic中的吸引子 254
7．4．5 三生万物 258
7．4．6 八卦图及其推演 261
7．5 结语 263
第8章 万能分类器――支持向量机 265
8．1 支持向量机的理论基础 266
8．1．1 经验风险最优 266
8．1．2 关键定理与VC维 267
8．1．3 结构风险最优 270
8．2 SVM的数学推导 272
8．2．1 最大间隔超平面 272
8．2．2 拉格朗日乘子法 275
8．2．3 KKT条件与对偶变换 276
8．2．4 分类器函数 277
8．2．5 映射到高维空间 278
8．2．6 核函数法 280
8．2．7 离群点的松弛变量 281
8．3 SMO算法 284
8．3．1 SMO求解SVM 284
8．3．2 构造SMO类 288
8．3．3 主函数 290
8．3．4 训练数据 291
8．3．5 分类并评估算法 293
8．4 SVM中文文本分类 293
8．4．1 回顾中文文本分类 294
8．4．2 Scikit-Learn SVM分类 294
8．4．3 评估结果 295
8．5 结语 296
第9章 人脸识别中的机器学习 297
9．1 模式识别概述 297
9．1．1 认知与模式 297
9．1．2 机器视觉与OpenCV 300
9．1．3 OpenCV的文件与基本操作 301
9．2 人脸检测 305
9．2．1 人脸识别的历史与架构 305
9．2．2 人脸识别系统 307
9．2．3 人脸检测原理与Haar级联检测 308
9．2．4 人脸检测特征文件 311
9．2．5 Haar cascade的实现 314
9．2．6 LBP cascade的实现 315
9．3 AdaBoost算法概述 316
9．3．1 算法原理与步骤 316
9．3．2 辅助函数 317
9．3．3 AdaBoost分类器 318
9．3．4 单层决策树分类子算法 319
9．3．5 训练数据集 321
9．3．6 执行分类 322
9．4 人脸识别 323
9．4．1 人脸数据库 324
9．4．2 PCA原理 325
9．4．3 特征脸识别类 327
9．4．4 生成特征脸 328
9．4．5 执行人脸识别 330
9．5 结语 330
第10章 认知计算与深度学习 332
10．1 认知计算 332
10．1．1 认知层次论 333
10．1．2 从具体到抽象 336
10．1．3 Theano库与基本操作 338
10．2 多层感知器 343
10．2．1 MNIST数据集 343
10．2．2 Softmax回归类 345
10．2．3 正则化方法 347
10．2．4 执行SoftMax学习 350
10．2．5 多层感知器 353
10．2．6 多层感知器的实现 355
10．2．7 MLP的训练过程 358
10．3 卷积神经网络 358
10．3．1 理论基础 358
10．3．2 卷积类 363
10．3．3 LeNet5函数 364
10．3．4 CNN的训练过程 369
10．4 Theano安装与GPU运算 370
10．4．1 Anaconda安装 370
10．4．2 实现CPU运算 372
10．4．3 安装VS2013 374
10．4．4 安装CUDA 375
10．4．5 实现支持GPU运算 378
10．5 结语 378
第11章 概率图模型与词性标注 380
11．1 马尔科夫过程 381
11．1．1 随机过程与状态图 381
11．1．2 马尔科夫链及其概念 382
11．1．3 马尔科夫链的实现 384
11．2 概率图模型和贝叶斯网 385
11．2．1 概述 385
11．2．2 条件独立性 386
11．2．3 贝叶斯网简介 390
11．2．4 贝叶斯网的构造 392
11．2．5 贝叶斯网的推理简介 394
11．3 隐马尔科夫模型 396
11．3．1 概述 396
11．3．2 HMM推理与前向算法 399
11．3．3 Vertibi算法原理 403
11．3．4 Vertibi算法实现 405
11．3．5 执行并输出结果 406
11．4 词性标注系统 406
11．4．1 语料库与词性资源 407
11．4．2 手工计算 409
11．4．3 结果验证 413
11．5 结语 414

前言/序言

　　动机

　　2011年1月14日，史上最强的人机对抗在美国纽约约克镇高地拉开序幕。Jeopardy!是美国具有25年历史的众所皆知的电视问答节目秀。每次三名参赛者相互角逐，在竞赛中需要迅速理解屏幕上提出的各类智力问题，并作出回答。问题涉及的领域十分广泛，就像一套世界知识的百科全书，超过个人所能掌握的知识容量的极限。而这次，一名特殊的参赛者名列其中，它就是IBM公司的计算机参赛者Watson，挑战两位人类选手Ken和Brad。经过激烈的角逐，Watson同时击败了两位人类选手，赢得100万美元奖金而一举成名。这一具有历史意义的比赛被Jeopardy!的哥伦比亚广播公司连续在2011年2月14～16日三天晚上进行了重播，也成为计算机发展史上一个重要的时刻。IBM评论为：

　　“在Jeopardy!比赛中，计算机打败人类选手是开放领域问答系统的一个里程碑！”

　　事实上，这次比赛有力地证明了，在广泛的知识和智能领域，机器有能力全面超越人类。开放领域问答软件的一个重要核心就是机器学习。从很多方面来看，这才仅仅是一个开始。近年来，计算机行业取得的最重要成就或多或少地都与机器学习领域的技术突破密切相关。2010年前后，多伦多大学的Geoffrey Hinton提出的深度学习（Deep Learning）算法，突破了产生抽象概念的技术瓶颈，被评价为：

　　“借助于DeepLearning算法，人类终于找到了如何处理‘抽象概念’这个亘古难题的方法。”

　　该算法与衍生的卷积神经网络（CNN——有监督）和深度置信网络（DNN——无监督）在计算机视觉、语音识别和部分自然语言处理领域获得巨大的成功，其与另一个并行处理架构Map Reduce并称“大数据”技术的基石。

　　2012年11月，微软在天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译和中文语音合成，效果非常流畅。据报道，后面支撑的关键技术就是DNN，或者深度学习（DeepLearning，DL）。

　　人与动物最本质的区别之一就是人类具有高度发达的智能。千百年来，人类从未停止过对智慧本身的研究与探索。20世纪50年代，图灵就在论文《机器能思考吗》中提出了一个著名测试，后世称为图灵测试：

　　“假如一台机器通过特殊的方式与人沟通，若有一定比例的人（超过30%）无法在特定时间内（5分钟）分辨出与自己交谈的是人还是机器，则可认为该机器具有‘思考’的能力。”

　　这里的思考能力就是指智能。而对于计算机领域而言，它是一个多么奢侈而艰难的字眼。以IBM Watson为例，它由90台IBM服务器、360个计算机芯片驱动组成，是一个有着10台冰箱那么大的计算机系统。它拥有15TB内存，2880台处理器，每秒可进行80万亿次运算。系统配置的处理器是Power 7系列处理器，这是当前RISC（精简指令集计算机）架构中最强的处理器。它采用45nm工艺打造，拥有8个核心、32个线程，主频最高可达4.1GHz，仅其二级缓存就达到32MB。

　　在大数据领域，据Google称，其知识图谱的信息有许多来源，包括CIA的世界概况、Freebase和维基百科，其功能与Ask.com和Wolfram Alpha等问题问答系统相似。截至2012年，其语义网络包含超过570亿个对象，超过18亿个介绍，用来理解搜索关键词含义的、不同对象之间的链接关系更是不可计数。2012年11月4日，知识图谱新增了7种语言：西班牙语、法语、德语、葡萄牙语、日语、俄罗斯语及意大利语。

　　历经半个多世纪，在各个领域的商业机构和科研机构的共同努力下，几经沉浮，人们逐渐意识到，高度并行的计算（硬件）能力和大规模数据的学习（算法）能力是“思考”的基础。距离让机器像人类一样思考的目标已经不远了！

　　本书特色

机器学习算法原理与编程实践 下载 mobi epub pdf txt 电子书 格式

从现在开始学习，我想不晚

书是好书，但是弄的跟本旧的一样，算了不影响阅读就忍了

非常适合入门的一本书籍！

挺好的，，代码是python的，，

正准备研究这个领域，先看看再说吧

书是好书，但是弄的跟本旧的一样，算了不影响阅读就忍了

知识很完备，很好的书籍

此书是没有跟spark结合起来，只是单纯的python实现算法，想学好python机器学习的，可以考虑入手???

好书，简单易懂适用至上