機器學習實踐指南：案例應用解析

前　言
第一部分 準備篇
第1章 機器學習發(fā)展及應用前景 2
1.1 機器學習概述 2
1.1.1 什么是機器學習 3
1.1.2 機器學習的發(fā)展 3
1.1.3 機器學習的未來 4
1.2 機器學習應用前景 5
1.2.1 數(shù)據(jù)分析與挖掘 5
1.2.2 模式識別 5
1.2.3 更廣闊的領域 6
1.3 小結 7
第2章 科學計算平臺 8
2.1 科學計算軟件平臺概述 8
2.1.1 常用的科學計算軟件 9
2.1.2 本書使用的工程計算平臺 10
2.2 計算平臺的配置 11
2.2.1 numpy等python科學計算包的安裝與配置 11
2.2.2 opencv 安裝與配置 13
.2.2.3 mlpy 安裝與配置 14
2.2.4 beautifulsoup安裝與配置 15
2.2.5 neurolab安裝與配置 15
2.2.6 r安裝與配置 15
2.3 小結 16
第二部分 基礎篇
第3章 機器學習數(shù)學基礎 18
3.1 數(shù)學對我們有用嗎 18
3.2 機器學習需要哪些數(shù)學知識 20
3.3 小結 25
第4章 計算平臺應用實例 26
4.1 python計算平臺簡介及應用實例 26
4.1.1 python語言基礎 26
4.1.2 numpy庫 37
4.1.3 pylab、matplotlib繪圖 44
4.1.4 圖像基礎 46
4.1.5 圖像融合與圖像鏡像 55
4.1.6 圖像灰度化與圖像加噪 57
4.1.7 聲音基礎 60
4.1.8 聲音音量調節(jié) 63
4.1.9 圖像信息隱藏 68
4.1.10 聲音信息隱藏 72
4.2 r語言基礎 78
4.2.1 基本操作 78
4.2.2 向量 81
4.2.3 對象集屬性 87
4.2.4 因子和有序因子 88
4.2.5 循環(huán)語句 89
4.2.6 條件語句 89
4.3 r語言科學計算 90
4.3.1 分類（組）統(tǒng)計 90
4.3.2 數(shù)組與矩陣基礎 91
4.3.3 數(shù)組運算 94
4.3.4 矩陣運算 95
4.4 r語言計算實例 103
4.4.1 學生數(shù)據(jù)集讀寫 103
4.4.2 最小二乘法擬合 105
4.4.3 交叉因子頻率分析 106
4.4.4 向量模長計算 107
4.4.5 歐氏距離計算 108
4.5 小結 109
思考題 109
第三部分 統(tǒng)計分析實戰(zhàn)篇
第5章 統(tǒng)計分析基礎 112
5.1 數(shù)據(jù)分析概述 112
5.2 數(shù)學基礎 113
5.3 回歸分析 118
5.3.1 單變量線性回歸 118
5.3.2 多元線性回歸 121
5.3.3 非線性回歸 121
5.4 數(shù)據(jù)分析基礎 124
5.4.1 區(qū)間頻率分布 124
5.4.2 數(shù)據(jù)直方圖 126
5.4.3 數(shù)據(jù)散點圖 127
5.4.4 五分位數(shù) 129
5.4.5 累積分布函數(shù) 130
5.4.6 核密度估計 130
5.5 數(shù)據(jù)分布分析 132
5.6 小結 134
思考題 135
第6章 統(tǒng)計分析案例 136
6.1 數(shù)據(jù)圖形化案例解析 136
6.1.1 點圖 136
6.1.2 餅圖和條形圖 137
6.1.3 莖葉圖和箱線圖 138
6.2 數(shù)據(jù)分布趨勢案例解析 140
6.2.1 平均值 140
6.2.2 加權平均值 140
6.2.3 數(shù)據(jù)排序 141
6.2.4 中位數(shù) 142
6.2.5 極差、半極差 142
6.2.6 方差 143
6.2.7 標準差 143
6.2.8 變異系數(shù)、樣本平方和 143
6.2.9 偏度系數(shù)、峰度系數(shù) 144
6.3 正態(tài)分布案例解析 145
6.3.1 正態(tài)分布函數(shù) 145
6.3.2 峰度系數(shù)分析 146
6.3.3 累積分布概率 146
6.3.4 概率密度函數(shù) 147
6.3.5 分位點 148
6.3.6 頻率直方圖 151
6.3.7 核概率密度與正態(tài)概率分布圖 151
6.3.8 正太檢驗與分布擬合 152
6.3.9 其他分布及其擬合 154
6.4 小結 155
思考題 155
第四部分 機器學習實戰(zhàn)篇
第7章 機器學習算法 158
7.1 神經網絡 158
7.1.1 rosenblatt感知器 159
7.1.2 梯度下降 173
7.1.3 反向傳播與多層感知器 180
7.1.4 python神經網絡庫 199
7.2 統(tǒng)計算法 201
7.2.1 平均值 201
7.2.2 方差與標準差 203
7.2.3 貝葉斯算法 205
7.3 歐氏距離 208
7.4 余弦相似度 209
7.5 svm 210
7.5.1 數(shù)學原理 210
7.5.2 smo算法 212
7.5.3 算法應用 212
7.6 回歸算法 217
7.6.1 線性代數(shù)基礎 217
7.6.2 最小二乘法原理 218
7.6.3 線性回歸 219
7.6.4 多元非線性回歸 221
7.6.5 嶺回歸方法 223
7.6.6 偽逆方法 224
7.7 pca降維 225
7.8 小結 227
思考題 227
第8章 數(shù)據(jù)擬合案例 228
8.1 數(shù)據(jù)擬合 228
8.1.1 圖像分析法 228
8.1.2 神經網絡擬合法 240
8.2 線性濾波 256
8.2.1 wav聲音文件 256
8.2.2 線性濾波算法過程 256
8.2.3 濾波python實現(xiàn) 257
8.3 小結 262
思考題 262
第9章 圖像識別案例 264
9.1 圖像邊緣算法 264
9.1.1 數(shù)字圖像基礎 264
9.1.2 算法描述 265
9.2 圖像匹配 266
9.2.1 差分矩陣求和 267
9.2.2 差分矩陣均值 269
9.2.3 歐氏距離匹配 271
9.3 圖像分類 277
9.3.1 余弦相似度 277
9.3.2 pca圖像特征提取算法 283
9.3.3 基于神經網絡的圖像分類 284
9.3.4 基于svm的圖像分類 289
9.4 人臉辨識 291
9.4.1 人臉定位 291
9.4.2 人臉辨識 293
9.5 手寫數(shù)字識別 300
9.5.1 手寫數(shù)字識別算法 300
9.5.2 算法的python實現(xiàn) 301
9.6 小結 303
思考題 304
第10章 文本分類案例 305
10.1 文本分類概述 305
10.2 余弦相似度分類 306
10.2.1 中文分詞 306
10.2.2 停用詞清理 308
10.2.3 算法實戰(zhàn) 310
10.3 樸素貝葉斯分類 315
10.3.1 算法描述 316
10.3.2 先驗概率計算 316
10.3.3 最大后驗概率 316
10.3.4 算法實現(xiàn) 317
10.4 小結 323
思考題 323
↑折 疊