定 價(jià)：￥69.00
| 作 者： | （美）邁克爾·貝耶勒 |
| 出版社： | 機(jī)械工業(yè)出版社 |
| 叢編項(xiàng)： | |
| 標(biāo) 簽： | 暫缺 |
| ISBN： | 9787111611516 | 出版時(shí)間： | 2018-12-01 | 包裝： | |
| 開(kāi)本： | 頁(yè)數(shù)： | 字?jǐn)?shù)： |
譯者序
序
前言
審校者簡(jiǎn)介
第1章 品味機(jī)器學(xué)習(xí) 1
1.1 初步了解機(jī)器學(xué)習(xí) 1
1.2 機(jī)器學(xué)習(xí)可以解決的事情 3
1.3 初步了解 Python 4
1.4 初步了解 OpenCV 4
1.5 安裝 5
1.5.1 獲取本書(shū)最新的代碼 5
1.5.2 掌握 Python Anaconda 6
1.5.3 在 conda 環(huán)境中安裝OpenCV 8
1.5.4 驗(yàn)證安裝結(jié)果 9
1.5.5 一睹 OpenCV ML 模塊 11
1.6 總結(jié) 11
第2章 使用 OpenCV 和 Python處理數(shù)據(jù) 12
2.1 理解機(jī)器學(xué)習(xí)流程 12
2.2 使用 OpenCV 和 Python 處理數(shù)據(jù) 14
2.2.1 創(chuàng)建一個(gè)新的 IPython 或 Jupyter 會(huì)話 15
2.2.2 使用 Python 的 NumPy包處理數(shù)據(jù) 16
2.2.3 在 Python 中載入外部數(shù)據(jù)集 20
2.2.4 使用 Matplotlib 進(jìn)行數(shù)據(jù)可視化 21
2.2.5 使用C++ 中 OpenCV 的 TrainData 容器處理數(shù)據(jù) 26
2.3 總結(jié) 27
第3章 監(jiān)督學(xué)習(xí)的第一步 28
3.1 理解監(jiān)督學(xué)習(xí) 28
3.1.1 了解 OpenCV 中的監(jiān)督學(xué)習(xí) 29
3.1.2 使用評(píng)分函數(shù)評(píng)估模型性能 30
3.2 使用分類模型預(yù)測(cè)類別 35
3.2.1 理解 k-NN 算法 37
3.2.2 使用 OpenCV實(shí)現(xiàn) k-NN 37
3.3 使用回歸模型預(yù)測(cè)連續(xù)結(jié)果 43
3.3.1 理解線性回歸 43
3.3.2 使用線性回歸預(yù)測(cè)波士頓房?jī)r(jià) 44
3.3.3 應(yīng)用 Lasso 回歸和ridge 回歸 48
3.4 使用邏輯回歸對(duì)鳶尾花種類進(jìn)行分類 48
3.5 總結(jié) 53
第4 數(shù)據(jù)表示與特征工程 54
4.1 理解特征工程 54
4.2 數(shù)據(jù)預(yù)處理 55
4.2.1 特征標(biāo)準(zhǔn)化 56
4.2.2 特征歸一化 57
4.2.3 特征縮放到一定的范圍 57
4.2.4 特征二值化 58
4.2.5 缺失數(shù)據(jù)處理 58
4.3 理解降維 59
4.3.1 在OpenCV 中實(shí)現(xiàn)主成分分析 61
4.3.2 實(shí)現(xiàn)獨(dú)立成分分析 64
4.3.3 實(shí)現(xiàn)非負(fù)矩陣分解 65
4.4 類別變量表示 66
4.5 文本特征表示 68
4.6 圖像表示 69
4.6.1 使用色彩空間 69
4.6.2 圖像角點(diǎn)檢測(cè) 71
4.6.3 使用尺度不變特征變換 72
4.6.4 使用加速健壯特征 74
4.7 總結(jié) 75
第5章 使用決策樹(shù)進(jìn)行醫(yī)療診斷 76
5.1 理解決策樹(shù) 76
5.1.1 構(gòu)建第一個(gè)決策樹(shù) 79
5.1.2 可視化訓(xùn)練得到的決策樹(shù) 85
5.1.3 深入了解決策樹(shù)的內(nèi)部工作機(jī)制 87
5.1.4 特征重要性評(píng)分 88
5.1.5 理解決策規(guī)則 89
5.1.6 控制決策樹(shù)的復(fù)雜度 90
5.2 使用決策樹(shù)進(jìn)行乳腺癌的診斷 90
5.2.1 載入數(shù)據(jù)集 91
5.2.2 構(gòu)建決策樹(shù) 92
5.3 使用決策樹(shù)進(jìn)行回歸 96
5.4 總結(jié) 99
第6章 使用支持向量機(jī)檢測(cè)行人 100
6.1 理解線性支持向量機(jī) 100
6.1.1 學(xué)習(xí)最優(yōu)決策邊界 101
6.1.2 實(shí)現(xiàn)我們的第一個(gè)支持向量機(jī) 102
6.2 處理非線性決策邊界 107
6.2.1 理解核機(jī)制 108
6.2.2 認(rèn)識(shí)我們的核 109
6.2.3 實(shí)現(xiàn)非線性支持向量機(jī) 109
6.3 自然環(huán)境下的行人檢測(cè) 110
6.3.1 獲取數(shù)據(jù)集 111
6.3.2 初窺方向梯度直方圖 113
6.3.3 生成負(fù)樣本 114
6.3.4 實(shí)現(xiàn)支持向量機(jī) 116
6.3.5 模型自舉 116
6.3.6 在更大的圖像中檢測(cè)行人 118
6.3.7 進(jìn)一步優(yōu)化模型 120
6.4 總結(jié) 121
第7章 使用貝葉斯學(xué)習(xí)實(shí)現(xiàn)垃圾郵件過(guò)濾 122
7.1 理解貝葉斯推斷 122
7.1.1 概率論的短暫之旅 123
7.1.2 理解貝葉斯定理 124
7.1.3 理解樸素貝葉斯分類器 126
7.2 實(shí)現(xiàn)第一個(gè)貝葉斯分類器 127
7.2.1 創(chuàng)建一個(gè)練習(xí)數(shù)據(jù)集 127
7.2.2 使用一個(gè)正態(tài)貝葉斯分類器對(duì)數(shù)據(jù)分類 128
7.2.3 使用一個(gè)樸素貝葉斯分類器對(duì)數(shù)據(jù)分類 131
7.2.4 條件概率的可視化 132
7.3 使用樸素貝葉斯分類器對(duì)郵件分類 134
7.3.1 載入數(shù)據(jù)集 134
7.3.2 使用Pandas構(gòu)建數(shù)據(jù)矩陣 136
7.3.3 數(shù)據(jù)預(yù)處理 137
7.3.4 訓(xùn)練正態(tài)貝葉斯分類器 138
7.3.5 使用完整的數(shù)據(jù)集進(jìn)行訓(xùn)練 139
7.3.6 使用n-gram提升結(jié)果 139
7.3.7 使用TD-IDF提升結(jié)果 140
7.4 總結(jié) 141
第8章 使用非監(jiān)督學(xué)習(xí)發(fā)現(xiàn)隱藏結(jié)構(gòu) 142
8.1 理解非監(jiān)督學(xué)習(xí) 142
8.2 理解k均值聚類 143
8.3 理解期望最大化 145
8.3.1 實(shí)現(xiàn)期望最大化解決方案 146
8.3.2 了解期望最大化的局限 148
8.4 使用k均值壓縮色彩空間 154
8.4.1 真彩色調(diào)色板的可視化 154
8.4.2 使用k均值減少調(diào)色板 157
8.5 使用k均值對(duì)手寫數(shù)字分類 159
8.5.1 載入數(shù)據(jù)集 159
8.5.2 運(yùn)行k均值 159
8.6 把聚類組織成層次樹(shù) 161
8.6.1 理解層次聚類 161
8.6.2 實(shí)現(xiàn)凝聚層次聚類 162
8.7 總結(jié) 163
第9章 使用深度學(xué)習(xí)對(duì)手寫數(shù)字分類 164
9.1 理解McCulloch-Pitts神經(jīng)元 164
9.2 理解感知器 167
9.3 實(shí)現(xiàn)第一個(gè)感知器 169
9.3.1 生成練習(xí)數(shù)據(jù)集 170
9.3.2 使用數(shù)據(jù)擬合感知器 171
9.3.3 評(píng)估感知器分類器 171
9.3.4 把感知器應(yīng)用到線性不可分的數(shù)據(jù)上 173
9.4 理解多層感知器 174
9.4.1 理解梯度下降 175
9.4.2 使用反向傳播訓(xùn)練多層感知器 178
9.4.3 在OpenCV中實(shí)現(xiàn)多層感知器 179
9.5 了解深度學(xué)習(xí) 183
9.6 手寫數(shù)字分類 186
9.6.1 載入MNIST數(shù)據(jù)集 187
9.6.2 MNIST數(shù)據(jù)集預(yù)處理 188
9.6.3 使用OpenCV訓(xùn)練一個(gè)MLP 189
9.6.4 使用Keras訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò) 190
9.7 總結(jié) 192
第10章 組合不同算法為一個(gè)整體 193
10.1 理解集成方法 193
10.1.1 理解平均集成 195
10.1.2 理解提升集成 197
10.1.3 理解堆疊集成 200
10.2 組合決策樹(shù)為隨機(jī)森林 200
10.2.1 理解決策樹(shù)的不足 200
10.2.2 實(shí)現(xiàn)第一個(gè)隨機(jī)森林 204
10.2.3 使用scikit-learn實(shí)現(xiàn)一個(gè)隨機(jī)森林 205
10.2.4 實(shí)現(xiàn)極端隨機(jī)樹(shù) 206
10.3 使用隨機(jī)森林進(jìn)行人臉識(shí)別 208
10.3.1 載入數(shù)據(jù)集 208
10.3.2 預(yù)處理數(shù)據(jù)集 209
10.3.3 訓(xùn)練和測(cè)試隨機(jī)森林 210
10.4 實(shí)現(xiàn)AdaBoost 212
10.4.1 使用OpenCV實(shí)現(xiàn)AdaBoost 212
10.4.2 使用scikit-learn實(shí)現(xiàn)AdaBoost 213
10.5 組合不同模型為一個(gè)投票分類器 214
10.5.1 理解不同的投票機(jī)制 214
10.5.2 實(shí)現(xiàn)一個(gè)投票分類器 215
10.6 總結(jié) 217
第11章 通過(guò)超參數(shù)調(diào)優(yōu)選擇合適的模型 218
11.1 評(píng)估一個(gè)模型 218
11.1.1 評(píng)估模型錯(cuò)誤的方法 219
11.1.2 評(píng)估模型正確的方法 220
11.1.3 選擇最好的模型 221
11.2 理解交叉驗(yàn)證 223
11.2.1 使用OpenCV手動(dòng)實(shí)現(xiàn)交叉驗(yàn)證 225
11.2.2 使用scikit-learn進(jìn)行k折交叉驗(yàn)證 226
11.2.3 實(shí)現(xiàn)留一法交叉驗(yàn)證 227
11.3 使用自舉評(píng)估魯棒性 228
11.4 評(píng)估結(jié)果的重要性 230
11.4.1 實(shí)現(xiàn)T檢驗(yàn) 230
11.4.2 實(shí)現(xiàn)配對(duì)卡方檢驗(yàn) 232
11.5 使用網(wǎng)格搜索進(jìn)行超參數(shù)調(diào)優(yōu) 233
11.5.1 實(shí)現(xiàn)一個(gè)簡(jiǎn)單的網(wǎng)格搜索 234
11.5.2 理解驗(yàn)證集的價(jià)值 235
11.5.3 網(wǎng)格搜索結(jié)合交叉驗(yàn)證 236
11.5.4 網(wǎng)格搜索結(jié)合嵌套交叉驗(yàn)證 238
11.6 使用不同評(píng)估指標(biāo)來(lái)對(duì)模型評(píng)分 239
11.6.1 選擇正確的分類指標(biāo) 239
11.6.2 選擇正確的回歸指標(biāo) 240
11.7 鏈接算法形成一個(gè)管道 240
11.7.1 用 scikit-learn 實(shí)現(xiàn)管道 241
11.7.2 在網(wǎng)格搜索中使用管道 242
11.8 總結(jié) 243
第12章 綜合 244
12.1 著手處理一個(gè)機(jī)器學(xué)習(xí)問(wèn)題 244
12.2 構(gòu)建自己的估計(jì)器 245
12.2.1 使用C++編寫自己的基于OpenCV的分類器 245
12.2.2 使用Python 編寫自己的基于scikit-learn的分類器 247
12.3 今后的方向 249
12.4 總結(jié) 251
鄂公網(wǎng)安備 42010302001612號(hào) 