机器学习实践指南：案例应用解析 PDF 超清版

《机器学习实践指南：案例应用解析》是机器学习及数据分析领域不可多得的一本著作，也是为数不多的既有大量实践应用案例又包含算法理论剖析的著作，作者针对机器学习算法既抽象复杂又涉及多门数学学科的特点，力求理论联系实际，始终以算法应用为主线，由浅入深以全新的角度诠释机器学习。

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。准备篇介绍了机器学习的发展及应用前景以及常用科学计算平台，主要包括统计分析语言r、机器学习模块mlpy和neurolab、科学计算平台numpy、图像识别软件包opencv、网页分析beautifulsoup等软件的安装与配置。基础篇先对数学基础及其在机器学习领域的应用进行讲述，同时推荐配套学习的数学书籍，然后运用实例说明计算平台的使用，以python和r为实现语言，重点讲解了图像算法、信息隐藏、最小二乘法拟合、因子频率分析、欧氏距离等，告诉读者如何使用计算平台完成工程应用。最后，通过大量统计分析和机器学习案例提供实践指南，首先讲解回归分析、区间分布、数据图形化、分布趋势、正态分布、分布拟合等数据分析基础，然后讲解神经网络、统计算法、欧氏距离、余弦相似度、线性与非线性回归、数据拟合、线性滤波、图像识别、人脸辨识、网页分类等机器学习算法。此书可供算法工程师、it专业人员以及机器学习爱好者参考使用。

目录

• 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 5
• 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 8
• 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 13
• .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 15
• 2.3 小结 16
• 第二部分 基础篇
• 第3章 机器学习数学基础 18
• 3.1 数学对我们有用吗 18
• 3.2 机器学习需要哪些数学知识 20
• 3.3 小结 25
• 第4章 计算平台应用实例 26
• 4.1 python计算平台简介及应用实例 26
• 4.1.1 python语言基础 26
• 4.1.2 numpy库 37
• 4.1.3 pylab、matplotlib绘图 44
• 4.1.4 图像基础 46
• 4.1.5 图像融合与图像镜像 55
• 4.1.6 图像灰度化与图像加噪 57
• 4.1.7 声音基础 60
• 4.1.8 声音音量调节 63
• 4.1.9 图像信息隐藏 68
• 4.1.10 声音信息隐藏 72
• 4.2 r语言基础 78
• 4.2.1 基本操作 78
• 4.2.2 向量 81
• 4.2.3 对象集属性 87
• 4.2.4 因子和有序因子 88
• 4.2.5 循环语句 89
• 4.2.6 条件语句 89
• 4.3 r语言科学计算 90
• 4.3.1 分类（组）统计 90
• 4.3.2 数组与矩阵基础 91
• 4.3.3 数组运算 94
• 4.3.4 矩阵运算 95
• 4.4 r语言计算实例 103
• 4.4.1 学生数据集读写 103
• 4.4.2 最小二乘法拟合 105
• 4.4.3 交叉因子频率分析 106
• 4.4.4 向量模长计算 107
• 4.4.5 欧氏距离计算 108
• 4.5 小结 109
• 思考题 109
• 第三部分 统计分析实战篇
• 第5章 统计分析基础 112
• 5.1 数据分析概述 112
• 5.2 数学基础 113
• 5.3 回归分析 118
• 5.3.1 单变量线性回归 118
• 5.3.2 多元线性回归 121
• 5.3.3 非线性回归 121
• 5.4 数据分析基础 124
• 5.4.1 区间频率分布 124
• 5.4.2 数据直方图 126
• 5.4.3 数据散点图 127
• 5.4.4 五分位数 129
• 5.4.5 累积分布函数 130
• 5.4.6 核密度估计 130
• 5.5 数据分布分析 132
• 5.6 小结 134
• 思考题 135
• 第6章 统计分析案例 136
• 6.1 数据图形化案例解析 136
• 6.1.1 点图 136
• 6.1.2 饼图和条形图 137
• 6.1.3 茎叶图和箱线图 138
• 6.2 数据分布趋势案例解析 140
• 6.2.1 平均值 140
• 6.2.2 加权平均值 140
• 6.2.3 数据排序 141
• 6.2.4 中位数 142
• 6.2.5 极差、半极差 142
• 6.2.6 方差 143
• 6.2.7 标准差 143
• 6.2.8 变异系数、样本平方和 143
• 6.2.9 偏度系数、峰度系数 144
• 6.3 正态分布案例解析 145
• 6.3.1 正态分布函数 145
• 6.3.2 峰度系数分析 146
• 6.3.3 累积分布概率 146
• 6.3.4 概率密度函数 147
• 6.3.5 分位点 148
• 6.3.6 频率直方图 151
• 6.3.7 核概率密度与正态概率分布图 151
• 6.3.8 正太检验与分布拟合 152
• 6.3.9 其他分布及其拟合 154
• 6.4 小结 155
• 思考题 155
• 第四部分 机器学习实战篇
• 第7章 机器学习算法 158
• 7.1 神经网络 158
• 7.1.1 rosenblatt感知器 159
• 7.1.2 梯度下降 173
• 7.1.3 反向传播与多层感知器 180
• 7.1.4 python神经网络库 199
• 7.2 统计算法 201
• 7.2.1 平均值 201
• 7.2.2 方差与标准差 203
• 7.2.3 贝叶斯算法 205
• 7.3 欧氏距离 208
• 7.4 余弦相似度 209
• 7.5 svm 210
• 7.5.1 数学原理 210
• 7.5.2 smo算法 212
• 7.5.3 算法应用 212
• 7.6 回归算法 217
• 7.6.1 线性代数基础 217
• 7.6.2 最小二乘法原理 218
• 7.6.3 线性回归 219
• 7.6.4 多元非线性回归 221
• 7.6.5 岭回归方法 223
• 7.6.6 伪逆方法 224
• 7.7 pca降维 225
• 7.8 小结 227
• 思考题 227
• 第8章 数据拟合案例 228
• 8.1 数据拟合 228
• 8.1.1 图像分析法 228
• 8.1.2 神经网络拟合法 240
• 8.2 线性滤波 256
• 8.2.1 wav声音文件 256
• 8.2.2 线性滤波算法过程 256
• 8.2.3 滤波python实现 257
• 8.3 小结 262
• 思考题 262
• 第9章 图像识别案例 264
• 9.1 图像边缘算法 264
• 9.1.1 数字图像基础 264
• 9.1.2 算法描述 265
• 9.2 图像匹配 266
• 9.2.1 差分矩阵求和 267
• 9.2.2 差分矩阵均值 269
• 9.2.3 欧氏距离匹配 271
• 9.3 图像分类 277
• 9.3.1 余弦相似度 277
• 9.3.2 pca图像特征提取算法 283
• 9.3.3 基于神经网络的图像分类 284
• 9.3.4 基于svm的图像分类 289
• 9.4 人脸辨识 291
• 9.4.1 人脸定位 291
• 9.4.2 人脸辨识 293
• 9.5 手写数字识别 300
• 9.5.1 手写数字识别算法 300
• 9.5.2 算法的python实现 301
• 9.6 小结 303
• 思考题 304
• 第10章 文本分类案例 305
• 10.1 文本分类概述 305
• 10.2 余弦相似度分类 306
• 10.2.1 中文分词 306
• 10.2.2 停用词清理 308
• 10.2.3 算法实战 310
• 10.3 朴素贝叶斯分类 315
• 10.3.1 算法描述 316
• 10.3.2 先验概率计算 316
• 10.3.3 最大后验概率 316
• 10.3.4 算法实现 317
• 10.4 小结 323
• 思考题 323
• ↑折 叠