机器学习实践指南 - (EPUB全文下载)

文件大小：0.4 mb。
文件格式：epub 格式。
书籍内容：

机器学习实践指南
第1章 机器学习引言
1.1 什么是机器学习
1.2 分类方法概述
1.3 聚类方法概述
1.4 监督学习概述
1.5 无监督学习概述
1.6 增强学习概述
1.7 结构化预测概述
1.8 神经网络概述
1.9 深度学习概述
第2章 分类
2.1 引言
2.2 判别函数分析：地下卤水地质化学测量
2.3 多元逻辑回归：理解学生的课程计划选择
2.4 Tobit回归：评估学生的学术能力
2.5 泊松回归：理解加拉帕戈斯群岛现存物种
第3章 聚类
3.1 引言
3.2 层次聚类：世界银行样本数据集
3.3 层次聚类：1999～2010年亚马逊雨林的烧毁情况
3.4 层次聚类：基因聚类
3.5 二进制聚类：数学测验
3.6 k均值聚类：欧洲各国蛋白质消耗量
3.7 k均值聚类：食品
第4章 模型选择和正则化
4.1 引言
4.2 压缩方法：每天消耗的卡路里
4.3 降维方法：Delta航空公司航空队
4.4 主成分分析：理解世界菜肴
第5章 非线性
5.1 广义加性模型：衡量新西兰的家庭收入
5.2 平滑样条：理解汽车和速度
5.3 局部回归：理解干旱警告和影响
第6章 监督学习
6.1 引言
6.2 决策树学习：对胸痛患者的预先医疗护理指示
6.3 决策树学习：基于收入的房地产价值分布
6.4 决策树学习：预测股票走势方向
6.5 朴素贝叶斯：预测股票走势方向
6.6 随机森林：货币交易策略
6.7 支持向量机：货币交易策略
6.8 随机梯度下降：成人收入
第7章 无监督学习
7.1 引言
7.2 自组织映射：可视化热图
7.3 矢量量化：图像聚类
第8章 增强学习
8.1 引言
8.2 马尔可夫链：股票区制转移模型
8.3 马尔可夫链：多渠道归因模型
8.4 马尔可夫链：汽车租赁代理服务
8.5 连续马尔可夫链：加油站的车辆服务
8.6 蒙特卡罗模拟：校准Hull-White短期利率
第9章 结构化预测
9.1 引言
9.2 隐马尔可夫模型：欧元和美元
9.3 隐马尔可夫模型：区制检测
第10章 神经网络
10.1 引言
10.2 为S&P 500建模
10.3 衡量失业率
第11章 深度学习
11.1 引言
11.2 循环神经网络：预测周期信号
第12章 案例研究：探索世界银行数据
12.2 探索世界银行数据
第13章 案例研究：再保险合同定价
13.2 再保险合同定价
第14章 案例研究：用电量预测
14.2 用电量测量
第1章　机器学习引言
本章将介绍机器学习及其涵盖的多个话题。你将了解以下内容：
·什么是机器学习
·分类方法概述
·聚类方法概述
·模型的选择和正则化概述
·非线性方法概述
·监督学习概述
·无监督学习概述
·增强学习概述
·结构化预测概述
·神经网络概述
·深度学习概述
1.1　什么是机器学习
人类自出生起就暴露在各种数据中。眼睛、耳朵、鼻子、皮肤、舌头不断收集着各种形式的数据，然后大脑将其转换成视觉、听觉、嗅觉、触觉和味觉。大脑处理各种形式的感觉器官收到的原始数据，并将其转换成语音，进而用语音表达对于这些原始数据的观点。
当今世界，我们用与机器相连的传感器收集数据。从各式各样的网站和社交网络收集数据。之前的手写材料也在电子化、数字化后被加入数据集中。这些形式丰富、从不同数据源中采集的数据需要经过处理才能得到更有洞察力的、更有意义的结果。
机器学习算法有助于从不同数据源收集数据，转换富数据集的形式，并基于分析结果，帮助我们采取明智的行动。机器学习算法是高效、准确的方法，并提供通用的学习方法来解决以下问题：
·处理大规模问题
·做出准确的预测
·解决各种不同的学习问题
·学习哪些结果可以得出，以及在何种条件下这些问题能够学习
机器学习算法的一些应用领域如下：
·基于销售数据的价格预测
·预测药物的分子反应
·检测汽车保险欺诈
·分析股市回报
·识别高风险贷款
·预测风力发电厂产量
·跟踪和监测医疗保健设备的利用率和位置
·计算能源有效利用率
·分析智能城市交通运输增长趋势
·估算采矿业矿产储量
1.2　分类方法概述
线性回归模型本质上进行量化的响应，但是这样的响应本质上是定性的。就像态度（强烈不同意，不同意，中立，同意和强烈同意）这样的响应，其本质上就是定性的。对于一个观察来说，预测一个定性的响应可以视作对这个观察进行分类，因为这涉及把这个观察分配给一个类别或种类。分类器对于今天的许多问题（如药物或基因组学预测、垃圾邮件检测、面部识别和财务问题）来说是非常重要的工具。
1.3　聚类方法概述
聚类是将相似对象聚合成一簇的过程。每一个簇由彼此之间相似并且与其他类的对象不相似的对象组成。聚类的目标是确定一组未标记数据的内在分组。聚类可用于数据挖掘（DNA分析、营销研究、保险研究等），文本挖掘，信息检索，统计计算语言学，以及基于语料库的计算词典学等不同应用领域。聚类算法必须满足如下要求：
·可扩展性
·处理各种类型的属性
·发现任意形状的簇
·处理噪音和异常值的能力
·可解释性和可用性
右图是聚类的一个示例。
1.4　监督学习概述
监督学习需要学习一组输入变量（通常为向量）和输出变量（也称为监控信号）之间的映射，并应用此映射来预测未知数据的输出。监督学习的方法尝试发现输入变量和目标变量之间的关系。发现的关系在称为“模型”的结构中表示。通常隐藏在数据集中的模型描述和现象解释，在知道输入属性的值后，这些模型可以用于预测目标属性的值。
监督学习是从监督的训练数据（训练样本集）推测函数的机器学习任务。训练数据由一组训练样本组成。在监督学习中，每个例子是一组，它由一个输入对象和一个期望的输出值组成。监督学习算法分析训练数据并学习出预测函数。
为了解决监督学习问题，必须执行以下步骤：
1）确定训练样本的类型。
2）收集训练集。
3）确定预测函数的输入变量。
4）确定预测函数的结构和相应的学习算法。
5）完成设计。
6）评估预测函数的准确性。
监督学习的方法可以应用在各个领域，如市场 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。