导语

  

内容提要

  

    本书作者曾就职美国谷歌公司和日本乐天集团，有着多年的机器学习开发经验。本书理论与实践相结合，通过直观具体、易于理解的图表、示例和代码，既讲述了有助于机器学习入门者轻松、准确掌握的基础概念，也涵盖了机器学习开发者在不理解概念时可以查看的核心内容。书中列举的大量机器学习应用程序实例，读者即便不具备数学和统计学知识也能轻松阅读，进而熟悉机器学习的基本概念。
    本书适合机器学习入门者、需要提高实际开发水平的机器学习中高级开发者阅读。

第一部分  机器学习基础知识
  第1章  开始机器学习
    1.1  机器学习简介
    1.2  理解机器学习的背景知识
      1.2.1  数学（线性代数、微分、统计和概率）
      1.2.2  编程
    1.3  机器学习发展史
      1.3.1  机器学习的历史与现状
      1.3.2  机器学习的三大学派
    1.4  机器学习的分类
      1.4.1  监督学习、无监督学习、强化学习
      1.4.2  监督学习的详细分类
      1.4.3  无监督学习详细分类
      1.4.4  深度学习
    1.5  小结
  第2章  机器学习主要概念
    2.1  模型：观察问题的角度
      2.1.1  模型的定义
      2.1.2  简单模型
      2.1.3  复杂模型
      2.1.4  结构模型
      2.1.5  好模型的定义
    2.2  损失函数：模型的公式化学习目标
      2.2.1  算术损失函数
      2.2.2  概率损失函数
      2.2.3  排序损失函数
      2.2.4  模型复杂度与相关损失函数
    2.3  优化：实际训练的方法
      2.3.1  梯度下降法
      2.3.2  牛顿/拟牛顿法
      2.3.3  随机梯度下降法
      2.3.4  反向传播
      2.3.5  最新的优化方法
    2.4  模型评估：实际运用中的性能评估方法
      2.4.1  模型的泛化特征评估
      2.4.2  准确率
      2.4.3  精确率与召回率
      2.4.4  排序评估
    2.5  小结
第二部分  机器学习的主要模型
  第3章  数据与问题
    3.1  数据类型
      3.1.1  文本数据
      3.1.2  数值数据
      3.1.3  图像数据
      3.1.4  音频数据
      3.1.5  混合数据
    3.2  数据量与数据质量
      3.2.1  数据量与机器学习的相关性
      3.2.2  数据质量与机器学习的相关性
    3.3  数据标准化
      3.3.1  数值数据标准化
      3.3.2  分类数据标准化
      3.3.3  序数数据标准化
    3.4  问题类型
      3.4.1  回归
      3.4.2  分类
      3.4.3  聚类问题
      3.4.4  表征学习（嵌入学习）
    3.5  小结
  第4章  利用购买历史数据构建用户群
    4.1  聚类
    4.2  K中心点聚类
    4.3  层次聚类
    4.4  基于密度的聚类
    4.5  计算相似度
      4.5.1  闵氏距离
      4.5.2  马氏距离
    4.6  小结
  第5章  构建文本分析系统
    5.1  构建文本分类系统
      5.1.1  文本分类的常用特征
      5.1.2  利用特征进行分类操作
    5.2  主题建模
    5.3  语法分析
      5.3.1  词性标注
      5.3.2  命名实体识别
    5.4  词嵌入学习——word2vec
    5.5  小结
  第6章  构建电影推荐系统
    6.1  电影推荐系统
    6.2  相似度运算
      6.2.1  杰卡德系数
      6.2.2  余弦相似度
      6.2.3  编辑距离
    6.3  基于内容的推荐系统
    6.4  协同过滤
      6.4.1  均方根误差
      6.4.2  基于用户/商品的协同过滤
      6.4.3  隐因子模型
    6.5  标准化
    6.6  小结
  第7章  构建图像识别系统
    7.1  图像处理基本概念
      7.1.1  像素
      7.1.2  滤波
      7.1.3  卷积
    7.2  图像识别
      7.2.1  图像分类
      7.2.2  图像检测
    7.3  用于图像识别的特征
      7.3.1  轮廓线
      7.3.2  角点
      7.3.3  SIFT
      7.3.4  主成分分析
    7.4  利用深度学习进行图像识别
      7.4.1  关于CNN
      7.4.2  卷积层
      7.4.3  池化
      7.4.4  激活函数
      7.4.5  全连接层
    7.5  小结
  第8章  解决机器学习中的多种问题
    8.1  模型问题
      8.1.1  过度学习
      8.1.2  如何更轻松地找到好模型
    8.2  数据问题
      8.2.1  数据量过大
      8.2.2  数据量过少
      8.2.3  数据略微倾斜
    8.3  速度问题
      8.3.1  向量运算
      8.3.2  机器学习高效运行系统
      8.3.3  分布式处理
    8.4  小结
第三部分  机器学习系统应用
  第9章  机器学习软件简介
    9.1  安装Python与库
    9.2  著名数据库简介
      9.2.1  机器学习库
      9.2.2  深度学习库
      9.2.3  与计算相关的库
    9.3  本书使用的工具包
      9.3.1  Scikit-learn
      9.3.2  TensorFlow
    9.4  小结
  第10章  利用购买历史数据构建用户群——实战
    10.1  数据集
    10.2  数据预处理
    10.3  K均值聚类
    10.4  确定正确的簇数K
      10.4.1  定量评估
      10.4.2  定性评估
    10.5  分层聚类法
    10.6  小结
  第11章  构建文本分析系统——实战
    11.1  构建垃圾短信过滤器（文本分类）
      11.1.1  用于示例的数据处理
      11.1.2  通过特征分类
    11.2  构建主题模型系统
    11.3  构建词性分析系统
    11.4  构建专有名词标记系统
    11.5  小结
  第12章  构建电影推荐系统——实战
    12.1  数据集
    12.2  数据预处理
    12.3  构建基于内容的电影推荐系统
    12.4  构建基于协同过滤的电影推荐系统
      12.4.1  实现奇异值分解
      12.4.2  实现梯度下降法
      12.4.3  评估近似结果
    12.5  小结
  第13章  构建图像识别系统——实战
    13.1  图像数据的K均值聚类
    13.2  以主成分分析进行人脸识别
    13.3  运用CNN进行手写数字分类
      13.3.1  生成特征
      13.3.2  训练与测试
    13.4  小结