机器学习实践指南 第2版

出版者:机械工业出版社

作者:麦好

页数:526

出版时间:2016-7-15

价格:89.00元

装帧:平装

isbn号码:9787111540212

丛书系列:大数据技术丛书

具体描述

《机器学习实践指南》第2版比第1版增加了更多的案例和算法解析，全书详细介绍了机器学习发展及应用前景、科学计算平台、Python计算平台应用、R语言计算平台应用、生产环境基础、统计分析基础、描述性分析案例、假设检验与回归模型案例、神经网络、统计算法、欧氏距离与余弦相似度、SVM、回归算法、PCA降维、关联规则、聚类与分类算法、数据拟合案例、图像算法案例、机器视觉案例、文本分类案例等机器学习实践与应用。

作者简介

麦好，计算机专业工程硕士，CSDN专家，目前从事智能计算与算法分析工作。先后就职于多家软件科技公司、电子科技公司，是中国青年海归协会和中国量化投资学会山西分会成员。实战经验丰富，擅长使用C、C++、Python、Perl、R等语言，近期关注分布式计算、机器视觉、仿生智能、生物计算、商业智能。

目录信息

推荐序
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 6
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 9
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 14
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 16
2.3 小结 16
第二部分　基础篇
第3章 计算平台应用实例 18
3.1 Python计算平台简介及应用实例 18
3.1.1 Python语言基础 18
3.1.2 Numpy库 29
3.1.3 pylab、matplotlib绘图 36
3.1.4 图像基础 38
3.1.5 图像融合与图像镜像 46
3.1.6 图像灰度化与图像加噪 48
3.1.7 声音基础 51
3.1.8 声音音量调节 53
3.1.9 图像信息隐藏 58
3.1.10 声音信息隐藏 62
3.2 R语言基础 68
3.2.1 基本操作 69
3.2.2 向量 71
3.2.3 对象集属性 77
3.2.4 因子和有序因子 78
3.2.5 循环语句 79
3.2.6 条件语句 79
3.3 R语言科学计算 80
3.3.1 分类（组）统计 80
3.3.2 数组与矩阵基础 81
3.3.3 数组运算 84
3.3.4 矩阵运算 85
3.4 R语言计算实例 93
3.4.1 学生数据集读写 93
3.4.2 最小二乘法拟合 94
3.4.3 交叉因子频率分析 96
3.4.4 向量模长计算 97
3.4.5 欧氏距离计算 98
3.5 小结 99
思考题 99
第4章 生产环境基础 100
4.1 Windows Server 2008基础 100
4.1.1 Windows Server 2008 R2概述 101
4.1.2 Windows PowerShell 102
4.2 Linux基础 103
4.2.1 Linux命令 104
4.2.2 Shell基础 114
4.3 Vim编辑器 122
4.3.1 Vim编辑器概述 122
4.3.2 Vim常用命令 123
4.4 虚拟化平台 124
4.4.1 Citrix Xenserver概述 125
4.4.2 Citrix Xenserver部署 126
4.4.3 基于XenCenter的虚拟服务器管理 126
4.5 Linux环境下的NumPy安装 135
4.6 Linux环境下的R运行环境 136
4.7 PyPy编译器 136
4.7.1 PyPy概述 136
4.7.2 PyPy安装与配置 137
4.7.3 PyPy性能 137
4.7.4 PyPy实践之Lempel-Ziv压缩 138
4.8 小结 145
思考题 146
第三部分　统计分析实战篇
第5章 统计分析基础 148
5.1 数据分析概述 148
5.2 数学基础 149
5.3 回归分析 154
5.3.1 单变量线性回归 154
5.3.2 多元线性回归 156
5.3.3 非线性回归 157
5.4 数据分析基础 159
5.4.1 区间频率分布 159
5.4.2 数据直方图 161
5.4.3 数据散点图 162
5.4.4 五分位数 164
5.4.5 累积分布函数 165
5.4.6 核密度估计 166
5.5 数据分布分析 167
5.6 小结 169
思考题 170
第6章 描述性分析案例 171
6.1 数据图形化案例解析 171
6.1.1 点图 171
6.1.2 饼图和条形图 172
6.1.3 茎叶图和箱线图 173
6.2 数据分布趋势案例解析 175
6.2.1 平均值 175
6.2.2 加权平均值 175
6.2.3 数据排序 176
6.2.4 中位数 177
6.2.5 极差、半极差 177
6.2.6 方差 178
6.2.7 标准差 178
6.2.8 变异系数、样本平方和 178
6.2.9 偏度系数、峰度系数 179
6.3 正态分布案例解析 180
6.3.1 正态分布函数 180
6.3.2 峰度系数分析 181
6.3.3 累积分布概率 181
6.3.4 概率密度函数 182
6.3.5 分位点 183
6.3.6 频率直方图 185
6.3.7 核概率密度与正态概率分布图 185
6.3.8 正态检验与分布拟合 186
6.3.9 其他分布及其拟合 188
6.4 多变量分析 189
6.4.1 多变量数据分析 189
6.4.2 多元数据相关性分析 197
6.5 小结 201
思考题 201
第7章 假设检验与回归模型案例 202
7.1 假设检验 202
7.1.1 二项分布假设检验 202
7.1.2 数据分布检验 204
7.1.3 正态总体均值检验 205
7.1.4 列联表 206
7.1.5 符号检测 207
7.1.6 秩相关检验 210
7.1.7 Kendall相关检验 213
7.2 回归模型 214
7.2.1 回归预测与显著性检验 214
7.2.2 回归诊断 216
7.2.3 回归优化 217
7.2.4 主成分回归 219
7.2.5 广义线性模型 221
7.3 小结 226
思考题 226
第四部分　机器学习实战篇
第8章 机器学习算法 230
8.1 神经网络 230
8.1.1 Rosenblatt感知器 232
8.1.2 梯度下降 245
8.1.3 反向传播与多层感知器 251
8.1.4 Python神经网络库 270
8.2 统计算法 272
8.2.1 平均值 272
8.2.2 方差与标准差 274
8.2.3 贝叶斯算法 276
8.3 欧氏距离 279
8.4 余弦相似度 280
8.5 SVM 281
8.5.1 数学原理 281
8.5.2 SMO算法 283
8.5.3 算法应用 283
8.6 回归算法 287
8.6.1 线性代数基础 288
8.6.2 最小二乘法原理 289
8.6.3 线性回归 290
8.6.4 多元非线性回归 292
8.6.5 岭回归方法 294
8.6.6 伪逆方法 295
8.7 PCA降维 296
8.8 关联规则 297
8.8.1 关联规则概述 297
8.8.2 频繁项集算法 298
8.8.3 关联规则生成 301
8.8.4 实例分析 302
8.9 自动分类 306
8.9.1 聚类算法 306
8.9.2 决策树 313
8.9.3 AdaBoost 316
8.9.4 竞争型神经网络 317
8.9.5 Hamming神经网络 323
8.10 小结 325
思考题 325
第9章 数据拟合案例 327
9.1 数据拟合 327
9.1.1 图像分析法 327
9.1.2 神经网络拟合法 338
9.2 线性滤波 352
9.2.1 WAV声音文件 352
9.2.2 线性滤波算法过程 352
9.2.3 滤波Python实现 353
9.3 数据或曲线平滑 358
9.3.1 平滑概述 358
9.3.2 移动平均 359
9.3.3 递归线性过滤 362
9.3.4 指数平滑 364
9.4 小结 368
思考题 368
第10章 图像算法案例 370
10.1 图像边缘算法 370
10.1.1 数字图像基础 370
10.1.2 算法描述 371
10.2 图像匹配 372
10.2.1 差分矩阵求和 373
10.2.2 差分矩阵均值 375
10.2.3 欧氏距离匹配 376
10.3 图像分类 382
10.3.1 余弦相似度 382
10.3.2 PCA图像特征提取算法 388
10.3.3 基于神经网络的图像分类 389
10.3.4 基于SVM的图像分类 394
10.4 高斯噪声生成 397
10.5 二值化 401
10.5.1 threshold 401
10.5.2 adaptiveThreshold 402
10.6 插值与缩放 404
10.7 仿射 405
10.7.1 仿射原理 405
10.7.2 仿射变换实例 405
10.8 透视投影与透视变换 406
10.8.1 透视投影原理 406
10.8.2 透视投影实例 407
10.9 灰度变换与图像增强 409
10.9.1 灰度变换概述 409
10.9.2 对数变换 409
10.9.3 分段线性变换 410
10.9.4 指数变换 411
10.9.5 直方图均衡化 412
10.10　图像滤波与除噪 415
10.10.1　均一化块滤波 415
10.10.2　邻域平均法 420
10.10.3　中值滤波 423
10.10.4　高斯滤波 427
10.10.5　双边滤波 429
10.10.6　卷积滤波 431
10.10.7　边缘检测 433
10.11　小结 435
思考题 435
第11章 机器视觉案例 437
11.1 人脸辨识 437
11.1.1 人脸定位 437
11.1.2 人脸辨识 439
11.2 手写数字识别 446
11.2.1 手写数字识别算法 446
11.2.2 算法的Python实现 447
11.3 运动侦测 449
11.3.1 视频采集 450
11.3.2 差分算法 452
11.3.3 光流法 456
11.4 形状检测 458
11.4.1 KNN算法概述 458
11.4.2 形状特征提取 459
11.4.3 形状分类 459
11.5 小结 462
思考题 462
第12章 文本分类案例 463
12.1 文本分类概述 463
12.2 余弦相似度分类 464
12.2.1 中文分词 465
12.2.2 停用词清理 467
12.2.3 算法实战 468
12.3 朴素贝叶斯分类 473
12.3.1 算法描述 473
12.3.2 先验概率计算 474
12.3.3 最大后验概率 474
12.3.4 算法实现 474
12.4 自然语言处理 480
12.4.1 NLTK简介 480
12.4.2 NLTK与jieba的配置 481
12.4.3 中文分词并标注词性 483
12.4.4 词特征指标分析 484
12.4.5 Web文档分析 499
12.4.6 Web文档的朴素贝叶斯分类 503
12.4.7 语法结构分析 515
12.4.8 Web文档聚类 518
12.5 小结 526
思考题 526
· · · · · · (收起)

读后感

我是非计算机专业的一名大专生，此书非常适合初学者，理论不多，偏于实战。一方面能快速提高python，另一方面也能快速理解机器学习。由浅入深，逐步解决在机器学习中遇到的疑惑。在实际开发中，对我帮助很大。  

正在进行文本挖掘和文本分类，这本机器学习实践指南真心不错，第10章刚好说了这个，好像有详细的例子和代码，初步看了下其它章节，看到实践方面的经验把以前不太理解的机器学习理论都能很容易理解了，这本书不错，能形成一种实践思维，这正是实际项目中需要的

正在进行文本挖掘和文本分类，这本机器学习实践指南真心不错，第10章刚好说了这个，好像有详细的例子和代码，初步看了下其它章节，看到实践方面的经验把以前不太理解的机器学习理论都能很容易理解了，这本书不错，能形成一种实践思维，这正是实际项目中需要的

我在深圳海数互联工作，从事挖掘工作4年，过去使用SAS进行数据挖掘，由于工作需要涉及到机器学习、PTYHON等，而《机器学习实践指南》刚好都有所涉及。 这本书真正把知识点与思路很好地串联起来，由最开始介绍什么是机器学习，如何搭建相关环境，到算法的介绍以及代码实现，都体...  

用户评价

说实话，我对技术书籍的阅读体验通常是比较挑剔的，很多书要么过于理论化，堆砌公式让人望而却步，要么就是过于偏重代码实现，缺乏对底层原理的深刻剖析。但这一本，找到了一个非常微妙的平衡点。它不像某些教材那样将重点完全放在数学证明上，而是更侧重于算法思想的直观理解和实际部署的考量。比如，在探讨模型评估指标时，作者不仅列举了准确率、召回率这些基本指标，还花了大量的篇幅解释了在不同业务场景下，如何根据实际需求选择最合适的指标，以及如何处理指标之间的权衡问题。这种贴近实战的视角，让我感觉自己买到的不只是一本书，而是一个实战工具箱。更值得称赞的是，书中对一些常见陷阱的警示非常到位，比如过拟合的识别与规避，它提供的不仅仅是技术性的解决方案，更有思维层面的指导，教你如何像一个经验丰富的工程师那样去思考问题，而不是被动地套用模板。整体阅读下来，酣畅淋漓，收获颇丰。

从应用层面上来说，这本书的实操价值是我最看重的一点。我一直希望找到一本能够真正帮助我将理论知识转化为生产力的方法论指导。这本书在这方面表现得非常抢眼。它没有停留在介绍基础算法的原理层面，而是将大量的篇幅用于讲解如何构建一个端到端的机器学习项目。从数据采集、特征工程的设计哲学，到模型训练的超参数调优策略，再到最终的模型部署和监控，每一个环节都有详尽的步骤解析和推荐的最佳实践。我按照书中的步骤尝试复现了一个小型项目，发现那些过去令我头疼不已的部署问题，竟然因为书中提供的几条关键建议而迎刃而解。这让我深切体会到，作者不仅是理论家，更是久经沙场的实践者。对于那些渴望快速将所学投入到实际工作中的人来说，这本书提供的不仅仅是知识，更是一套行之有效的行动指南。

这本书的封面设计着实吸引人眼球，那种深邃的蓝色调配上简洁的字体排版，立刻让人感受到一股专业和严谨的气息。我原本对这个领域只是抱着入门的好奇心，但翻开第一页就被其清晰的逻辑脉络所吸引。作者并没有急于抛出复杂的公式，而是循序渐进地从基础概念讲起，这对于像我这样背景相对薄弱的读者来说，简直是雪中送炭。特别是关于数据预处理的那一章节，讲解得极其细致，每一个步骤背后的考量都阐述得明明白白，让人明白了“为什么”要这么做，而不仅仅是“怎么做”。那种深入浅出的叙述风格，仿佛身边有一位耐心十足的导师在手把手地指导，极大地增强了我克服初期学习难度的信心。我尤其欣赏作者在介绍不同算法时，会穿插一些实际的行业案例，这让抽象的理论瞬间变得鲜活起来，也让我对未来应用有了更具体的想象空间。读完前几章，我已经不再畏惧那些看似高不可攀的术语了，取而代之的是一种逐步建立起来的知识体系的满足感。

阅读这本书的过程，更像是一次思维方式的重塑。我发现自己过去在处理数据问题时，总是倾向于“病急乱投医”，尝试各种新奇的算法，却很少停下来思考问题的本质和数据的特性。这本书的作者似乎洞察到了这一点，他在引导我们学习具体工具和方法的同时，反复强调“领域知识优先”和“问题定义至关重要”的理念。很多章节都是以一个具体的业务痛点开头，然后反向推导出需要采用哪一类机器学习范式，而不是单纯地罗列算法的优劣。这种自顶向下的思考路径，极大地拓宽了我的视野。它教会我，一个成功的机器学习项目，其核心竞争力往往不在于你用了多么前沿的模型，而在于你对业务场景的理解深度。这种由内而外的思维训练，远比单纯记住一堆API调用更有价值，也更具长久的指导意义。

这本书的排版和装帧质量绝对是顶级水准，拿在手里沉甸甸的，很有质感。我是一个非常看重阅读体验的人，如果一本书的字体过小、行距过密，或者插图模糊不清，再好的内容也会大打折扣。庆幸的是，作者和出版方在这方面做得非常出色。大量的图表和流程图被巧妙地穿插在文本中，它们不仅美观，更是起到了极佳的辅助理解作用。特别是那些关于复杂模型结构的可视化解释，简直是一目了然，省去了我反复对照代码和文字的麻烦。我发现自己可以很快地在不同章节间跳转，查找需要回顾的内容，这要归功于清晰的章节划分和详尽的索引系统。这种细节上的用心，体现了出版方对知识传递的尊重。长时间阅读下来，眼睛也不会感到明显的疲劳，这对于需要投入大量精力的技术学习来说，无疑是一个巨大的加分项。

我为什么会去看这本书。。。

我为什么会去看这本书。。。

ML is so important, have a long way to go.文本分类，朴素贝叶斯分类……

ML is so important, have a long way to go.文本分类，朴素贝叶斯分类……

ML is so important, have a long way to go.文本分类，朴素贝叶斯分类……