机器学习：Go语言实现

出版者:机械工业出版社

作者:[美] 丹尼尔·怀特纳克（Daniel Whitenack）

页数:213

译者:谢文江

出版时间:2018-11-1

价格:59.00元

装帧:平装

isbn号码:9787111609797

丛书系列:数据科学与工程技术丛书

具体描述

本书不仅清楚地介绍了在Go世界中机器学习的技术和编程方面的内容，还有助于读者理解现实分析工作中合理的工作流程和理念。本书的第1章~第3章讲述了在机器学习流程中如何准备和分析数据；第4章~第7章详细介绍了机器学习的技术；第8章和第9章对机器学习进行了深入探究；附录介绍了与机器学习相关的算法/技术。本书适合作为对Go感兴趣的数据科学家、分析师、工程师和相关专业学生的参考书。

目录信息

译者序
前言
第1章　数据的收集和组织 1
1.1　数据处理-Gopher方式 2
1.2　Go语言收集和组织数据的最佳实践 4
1.3　CSV文件 5
1.3.1　从文件中读取CSV数据 5
1.3.2　处理非预期的域 6
1.3.3　处理非预期的类型 7
1.3.4　用数据帧操作CSV数据 9
1.4　JSON 11
1.4.1　JSON的解析 11
1.4.2　JSON的输出 14
1.5　SQL-like数据库 14
1.5.1　连接到一个SQL数据库 15
1.5.2　查询数据库 15
1.5.3　修改数据库 17
1.6　缓存 17
1.6.1　在内存中缓存数据 17
1.6.2　在本地磁盘中缓存数据 18
1.7　数据版本控制 19
1.7.1　Pachyderm术语 20
1.7.2　部署/安装Pachyderm 20
1.7.3　创建用于数据版本控制的数据仓库 21
1.7.4　把数据存储到数据仓库中 21
1.7.5　从版本化的数据仓库中获取数据 22
1.8　参考书目 22
1.9　小结 23
第2章　矩阵、概率论和统计学 24
2.1　矩阵和向量 24
2.1.1　向量 24
2.1.2　向量操作 25
2.1.3　矩阵 26
2.1.4　矩阵操作 27
2.2　统计学 29
2.2.1　分布 29
2.2.2　统计方法 30
2.2.3　分布可视化 34
2.3　概率论 39
2.3.1　随机变量 40
2.3.2　概率测量 40
2.3.3　独立和条件概率 40
2.3.4　假设检验 41
2.4　参考书目 43
2.5　小结 44
第3章　评估和验证 45
3.1　评估 45
3.1.1　连续指标 46
3.1.2　分类指标 49
3.2　验证 55
3.2.1　训练和测试集 56
3.2.2　保留集 59
3.2.3　交叉验证 60
3.3　参考书目 61
3.4　小结 62
第4章　回归 63
4.1　理解回归模型的术语 63
4.2　线性回归 64
4.2.1　线性回归概述 64
4.2.2　线性回归假设和陷阱 66
4.2.3　线性回归示例 66
4.3　多元线性回归 78
4.4　非线性和其他类型的回归 81
4.5　参考书目 85
4.6　小结 86
第5章　分类 87
5.1　理解分类模型的术语 87
5.2　逻辑回归 88
5.2.1　逻辑回归概述 88
5.2.2　逻辑回归的假设和陷阱 91
5.2.3　逻辑回归示例 92
5.3　k-最近邻 103
5.3.1　kNN概述 103
5.3.2　kNN假设和陷阱 104
5.3.3　kNN示例 105
5.4　决策树和随机森林 106
5.4.1　决策树和随机森林概述 107
5.4.2　决策树和随机森林的假设及陷阱 107
5.4.3　决策树示例 108
5.4.4　随机森林的例子 109
5.5　朴素贝叶斯 109
5.5.1　朴素贝叶斯概念及其重要假设 110
5.5.2　朴素贝叶斯例子 110
5.6　参考书目 111
5.7　小结 112
第6章　集群 113
6.1　理解集群模型术语 113
6.2　距离或相似度的度量 114
6.3　集群技术的评估 115
6.3.1　内部集群评估 115
6.3.2　外部集群评估 120
6.4　k-均值集群 120
6.4.1　k-均值集群综述 120
6.4.2　k-均值的假设和陷阱 122
6.4.3　k-均值集群的例子 123
6.5　其他集群技术 129
6.6　参考书目 130
6.7　小结 130
第7章　时间序列和异常检测 131
7.1　在Go中表示时序数据 131
7.2　理解时间序列的术语 134
7.3　与时间序列有关的统计 135
7.3.1　自相关 135
7.3.2　偏自相关 139
7.4　预测的自回归模型 141
7.4.1　自回归模型概述 141
7.4.2　自回归模型假设和陷阱 142
7.4.3　自回归模型示例 142
7.5　自回归移动平均和其他时间序列模型 151
7.6　异常检测 151
7.7　参考书目 153
7.8　小结 154
第8章　神经网络和深度学习 155
8.1　理解神经网络术语 155
8.2　构建一个简单的神经网络 157
8.2.1　网络中的节点 157
8.2.2　网络架构 158
8.2.3　为什么期望这种架构有作用 159
8.2.4　训练神经网络 160
8.3　使用简单的神经网络 165
8.3.1　在实际数据上训练神经网络 166
8.3.2　评估神经网络 168
8.4　引入深度学习 169
8.4.1　什么是深度学习模型 170
8.4.2　基于Go语言的深度学习 171
8.5　参考书目 177
8.6　小结 178
第9章　部署、分布分析和模型 179
9.1　在远程机器上可靠地运行模型 179
9.1.1　Docker和Docker术语简介 180
9.1.2　Docker化机器学习的应用 181
9.2　构建可拓展和可重现的机器学习流水线 191
9.2.1　搭建Pachyderm和Kubernetes集群 192
9.2.2　构建一个Pachyderm机器学习流水线 193
9.2.3　更新流水线并检查出处 202
9.2.4　缩放流水线阶段 204
9.3　参考书目 206
9.4　小结 206
附录　与机器学习相关的算法/技术 207
· · · · · · (收起)

用户评价

读完《机器学习：Go语言实现》这本书，我最大的感受就是作者在“道”与“术”的结合上做得非常到位。很多机器学习的书籍，要么过于偏重理论，数学公式堆砌，让人望而却步；要么过于偏重代码实现，缺乏对算法背后原理的深入剖析，学完之后知其然不知其所以然。《机器学习：Go语言实现》则巧妙地找到了一个平衡点。在介绍算法原理时，作者并没有回避数学，但绝对不是那种纯粹的数学证明，而是将数学作为理解算法工作机制的工具，用清晰的语言解释每一个参数的意义，每一个步骤的逻辑。然后，非常顺滑地过渡到 Go 语言的代码实现，将这些抽象的数学概念转化为具体的、可执行的逻辑。我记得在讲到支持向量机（SVM）的时候，作者并没有一开始就陷入核函数和对偶问题的复杂推导，而是先用二维空间的线性可分问题来解释高维空间的映射思想，再引入软间隔和松弛变量的概念，最后才用 Go 代码展示如何通过 Quadratic Programming（二次规划）来求解。这种层层递进、循序渐进的讲解方式，让我在理解 SVM 的过程中感到非常轻松和自然。而且，书中对 Go 语言特性的运用也恰到好处，比如 goroutine 和 channel 在并行计算中的应用，让我看到了 Go 语言在处理大规模数据和复杂模型时的优势，也让我对机器学习在 Go 生态中的应用前景有了更深的认识。

这本书《机器学习：Go语言实现》给我带来的最大惊喜，莫过于它在实际应用层面所展现出的深刻洞察力。我一直认为，学习机器学习最终是为了解决实际问题，而这本书恰恰抓住了这一点。它不仅仅是理论的罗列和代码的堆砌，更重要的是，它能够引导读者思考如何在 Go 语言的生态环境中，利用机器学习来构建切实可行的解决方案。书中大量的实例，都取材于我们日常生活中可能遇到的场景，比如用户行为分析、推荐系统、图像识别的简化版等。作者在讲解每一个模型的时候，都会先阐述其解决的实际问题，然后详细介绍算法的原理，最后通过 Go 代码一步步实现，并且还会对代码的性能进行一定的讨论，甚至会涉及到一些部署上的思考。这一点对我来说尤为重要，因为很多时候，我们学习完一个算法，却不知道如何将其落地，不知道如何将其集成到实际的业务流程中。这本书提供了一种完整的思路，从概念到代码，再到可能的应用场景，让我觉得我学习到的东西是活的，是有价值的。尤其让我印象深刻的是，在介绍神经网络的部分，作者并没有停留在简单的多层感知机，而是深入浅出地讲解了卷积神经网络（CNN）和循环神经网络（RNN）的基本原理，并且给出了相应的 Go 实现示例，这让我看到了利用 Go 构建更复杂的深度学习模型的可能性。

《机器学习：Go语言实现》这本书，给我最大的震撼在于它所展现出的“工程化”的思考方式。很多机器学习的书籍，在介绍完算法后就戛然而止，留给读者的往往是“知道算法，但不知道如何用”的困惑。而这本书则不同，它在讲解算法原理和代码实现的同时，非常注重将这些内容与实际的工程落地相结合。作者在书中会讨论如何对数据进行有效的加载和预处理，如何构建可扩展的模型架构，甚至会涉及到一些模型评估和调优的策略。这一点对我来说尤为重要，因为我一直坚信，学习机器学习最终的目的就是将其应用到实际的业务场景中。书中对逻辑回归的讲解，就是一个很好的例子。在介绍完逻辑回归的原理和 Go 实现之后，作者还专门用了一部分篇幅来讨论如何构建一个在线的逻辑回归预测服务，包括如何进行模型的序列化和反序列化，以及如何设计 API 接口。这种“从算法到应用”的完整思路，让我觉得这本书的内容非常有价值，它不仅仅教授了我机器学习的知识，更教会了我如何将这些知识转化为生产力。

读完《机器学习：Go语言实现》，我最大的感触就是，这本书不仅仅是一本介绍机器学习算法的书，更是一本关于“如何用 Go 语言解决复杂问题的实践指南”。作者在讲解每一个算法的时候，都不仅仅停留在理论层面，而是将理论与 Go 代码实现紧密地结合在一起。这让我能够清晰地看到，每一个抽象的算法概念，是如何通过具体的 Go 代码来体现的。我记得在讲到 K-Means 聚类算法时，作者并没有直接给出最终的代码，而是先讲解了聚类是如何工作的，然后逐步引入中心点初始化、距离计算、分配样本、更新中心点等步骤，并为每一个步骤都提供了相应的 Go 代码片段。这种“由浅入深、由点及面”的讲解方式，让我在理解 K-Means 算法的过程中，感到非常顺畅和自然。而且，书中对 Go 语言内存管理、垃圾回收等方面的理解，也与算法的实现相结合，让我能更深入地理解 Go 语言在性能上的优势。读这本书，我感觉自己不仅仅是在学习机器学习，更是在学习如何运用 Go 语言的强大能力来解决实际的工程问题。

这本书《机器学习：Go语言实现》真是出乎我的意料，它让我看到了 Go 语言在机器学习领域的巨大潜力。我之前一直觉得，机器学习领域似乎是 Python 的天下，而 Go 语言在这一领域的声音相对较少。但是，这本书的出现，彻底改变了我的看法。作者以一种非常清晰、简洁的方式，用 Go 语言实现了多种核心的机器学习算法，从最基础的线性回归，到更复杂的神经网络。我尤其喜欢书中对梯度下降算法的讲解，作者用了一个非常直观的例子，让我理解了为什么迭代可以帮助我们找到最优解，以及学习率的选择对收敛速度的影响。更让我惊喜的是，书中并没有回避复杂的数学概念，而是用非常易懂的语言来解释它们，并且将这些数学概念与 Go 代码紧密地结合在一起。我能清晰地看到，书中的每一个算法，都是一步步从最基础的数学原理，通过 Go 代码的逻辑，最终变成一个可以运行的机器学习模型。这种“所见即所得”的学习体验，让我对机器学习的理解更加透彻，而不是仅仅停留在调用 API 的层面。我迫不及待地想尝试书中讲解的各种模型，并尝试将其应用到我自己的项目中了，相信这本书记的知识一定能帮助我打开机器学习应用的新篇章。

老实说，我拿到《机器学习：Go语言实现》这本书的时候，心里是有些忐忑的，因为我对机器学习的认知一直停留在比较浅的层面，总觉得那些复杂的数学公式是我的“天敌”。但是，这本书的讲解方式彻底打消了我的顾虑。作者在引入每一个算法时，都做得非常“友好”。他会先从一个简单易懂的实际问题出发，比如“如何预测房价”，然后逐步引出线性回归的概念。在这个过程中，他不会上来就给你一堆矩阵和导数，而是先用通俗易懂的比喻来解释“拟合”和“误差”的概念。然后，他才会在必要的时候引入相关的数学公式，并且会非常耐心地解释每一个符号的含义，以及它在算法中的作用。更重要的是，这些数学概念并不是孤立的，而是紧密地与后面的 Go 代码实现相联系。我能清晰地看到，书中的每一个算法，都是一步步从最基础的数学原理，通过 Go 代码的逻辑，最终变成一个可以运行的机器学习模型。这种“追根溯源”的学习方式，让我觉得我不再是被动地接受知识，而是主动地参与到知识的构建过程中。尤其是书中对决策树算法的讲解，作者用了一个非常生动的例子，让我理解了信息增益和熵的概念，并且用 Go 代码演示了如何构建一个二叉决策树。

这本《机器学习：Go语言实现》真是让我眼前一亮，尤其是它那种接地气的讲解方式，完全颠覆了我之前对机器学习“高大上”的刻板印象。我之前尝试过一些其他语言的机器学习书籍，总感觉那些理论公式和算法讲解过于抽象，要么就是代码示例晦涩难懂，看得我一头雾水，提不起兴趣。但是这本书不一样，它用 Go 这种我一直很喜欢的语言作为载体，将那些复杂的机器学习概念一步步拆解，并且通过具体的代码实现来展示。我尤其喜欢书中对于一些经典算法的讲解，比如线性回归、逻辑回归，作者并没有直接抛出复杂的数学推导，而是先从直观的例子入手，让我们理解算法的核心思想，然后再逐步引入必要的数学概念。更难得的是，这些数学概念也并非照搬课本，而是与 Go 代码紧密结合，我能清晰地看到数学公式是如何转化为实际可运行的代码的，这种“所见即所得”的学习体验，大大降低了我的学习门槛，让我觉得机器学习不再是遥不可及的象牙塔，而是可以通过动手实践掌握的强大工具。书中的代码风格也非常规范，注释详细，即使我不是 Go 语言的重度使用者，也能很快理解其意图。我已经迫不及待地想尝试书中讲解的各种模型，并尝试将其应用到我自己的项目中了，相信这本书记的知识一定能帮助我打开机器学习应用的新篇章。

坦白说，《机器学习：Go语言实现》这本书的出现，对于我这样的开发者来说，无疑是一场及时雨。我一直在关注机器学习领域的发展，也尝试过用 Python 来学习一些基础的算法，但总觉得 Python 的一些库虽然强大，但对于底层的理解总有些隔阂。我一直更习惯于 Go 这种严谨、高效的语言，所以我一直在期待一本能用 Go 来讲解机器学习的书。这本书完全满足了我的期待。它没有使用任何大型的、封装的机器学习库，而是从最基础的数学概念和算法逻辑出发，用纯粹的 Go 代码来实现。这让我能够清晰地看到每一个算法的内部运作机制，理解数据是如何被处理的，模型是如何被训练的，预测是如何生成的。这种“从零开始”的学习过程，让我对机器学习的理解更加透彻，而不是仅仅停留在调用 API 的层面。书中对于矩阵运算、向量操作等基础数学运算的 Go 实现，也让我对 Go 语言在数值计算方面的潜力有了更深的认识。此外，书中对一些数据预处理、特征工程的讲解，也都非常实用，让我明白在实际应用中，这些环节的重要性不亚于核心算法本身。我特别喜欢书中关于梯度下降算法的实现，作者用一个非常直观的例子，让我理解了为什么迭代可以帮助我们找到最优解，以及学习率的选择对收敛速度的影响。

《机器学习：Go语言实现》这本书，可以说是把我对 Go 语言的应用边界又一次拓宽了。一直以来，我总觉得 Go 语言更擅长于构建高性能的网络服务、分布式系统等，但在数据科学和机器学习领域，Python 似乎是不可撼动的霸主。这本书的出现，让我对这个看法有了颠覆性的改变。作者不仅用 Go 语言实现了多种经典的机器学习算法，而且还注重讲解了如何在 Go 的生态系统中进行机器学习开发。书中对一些常用数据结构的 Go 实现，以及如何进行数据加载、清洗、预处理的讲解，都非常贴合实际开发的需求。我尤其欣赏书中对贝叶斯分类器（Naive Bayes）的讲解，作者用一个简单的文本分类的例子，清晰地展示了如何利用 Go 来实现概率计算和特征提取，并且还讨论了如何处理平滑问题。这种从实际应用场景出发，再回溯到算法原理和代码实现的讲解方式，对我这种更偏向于工程实现的开发者来说，非常有价值。这本书让我看到，用 Go 来进行机器学习开发，不仅是可行的，而且在某些方面，比如并发处理和性能优化上，可能还具有独特的优势。

《机器学习：Go语言实现》这本书给我的最大启发，在于它打破了机器学习领域“Python一家独大”的局面。我一直认为，优秀的工具不应该被语言所限制，机器学习作为一项强大的技术，也应该能够被更多开发者所拥抱。这本书用 Go 语言来阐述机器学习的核心概念和算法，不仅为 Go 开发者打开了一扇新的大门，也为机器学习领域注入了新的活力。我尤其欣赏作者在书中对 Go 语言并发特性的运用。在讲解一些需要大规模计算和并行处理的算法时，作者巧妙地利用了 goroutine 和 channel 来提升效率，这让我看到了 Go 语言在构建高性能机器学习系统的巨大潜力。例如，在实现一个简单的并行化的 K-Means 聚类算法时，作者展示了如何将数据点分配给多个 goroutine 进行局部计算，然后再合并结果，这种方式不仅直观，而且易于理解和扩展。书中对数据结构的选择和算法的优化，也充分考虑到了 Go 语言的特点，例如利用 slice 和 map 来高效地存储和访问数据。我感觉读这本书，不仅仅是在学习机器学习，同时也是在学习如何用 Go 语言来优雅地、高效地解决复杂问题。

Go机器学习入门，后边练习一下代码：练习下图片分析？人像识别？

Go机器学习入门，后边练习一下代码：练习下图片分析？人像识别？

Go机器学习入门，后边练习一下代码：练习下图片分析？人像识别？

Go机器学习入门，后边练习一下代码：练习下图片分析？人像识别？

Go机器学习入门，后边练习一下代码：练习下图片分析？人像识别？