| 作者 |
| 张雨萌 路易斯·佩德罗·科埃略 威力·里克特马蒂厄·布鲁切尔 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782101061450 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------机器学习中的概率统计：Python语言描述--------------------------- 内容简介 本书围绕机器学习算法中涉及的概率统计知识展开介绍，沿着概率思想、变量分布、参数估计、随机过程和统计推断的知识主线进行讲解，结合数学的本质内涵，用浅显易懂的语言讲透深刻的数学思想，帮助读者构建理论体系。同时，作者在讲解的过程中注重应用场景的延伸，并利用Python工具无缝对接工程应用，帮助读者学以致用。 ?全书共5章。 ?第1章以条件概率和独立性作为切入点，帮助读者建立认知概率世界的正确视角。 ?第2章介绍随机变量的基础概念和重要分布类型，并探讨多元随机变量间的重要关系。 ?第3章介绍极限思维以及蒙特卡罗方法，并重点分析极大似然估计方法以及有偏无偏等重要性质，最后拓展到含有隐变量的参数估计问题，介绍EM算法的原理及其应用。 ?第4章由静态的随机变量过渡到动态的随机过程，重点介绍马尔可夫过程和隐马尔可夫模型。 ?第5章聚焦马尔可夫链-蒙特卡罗方法，并列举实例展示Metropolis-Hastings和Gibbs的具体采样过程。 ---------------------------Python机器学习系统构建（原书第3版）--------------------------- 本书涉及近期机器学习领域内的最新进展，通过对常用数据集的转换和工具库的使用，帮助构建实用的机器学习系统。内容包括如何在原始数据中准确发掘出模式。先从回顾Python机器学习的知识开始，接着了解相关的工具库。可以快速掌握数据集上真实的项目，掌握建模方法，创建推荐系统。 . 全书共14章。第1章介绍机器学习和Python基础知识；第2章使用真实数据进行分类研究；第3章解释如何使用回归算法处理数据；第4章介绍如何使用logistic回归来确定某个问题的用户答案好不好；第5章介绍数据降维技术；第6章介绍聚类，并使用它来查找给定文本的类似新闻报道；第7章介绍如何建立基于客户产品评级的推荐系统；第8章介绍神经网络和深度学习相关的基本原理，以及使用TensorFlow进行CNN和RNN的示例；第9章解释朴素贝叶斯的工作原理，以及如何用它对tweet进行分类；第10章介绍主题建模；第11章和第12章分别讲解如何对音乐和图像进行分类；第13章探索强化学习方法；第14章介绍如何利用云技术来构建更复杂的模型。 |
| 目录 |
---------------------------机器学习中的概率统计：Python语言描述--------------------------- 序 前言 第1章 概率思想：构建理论基础 1 1.1 理论基石：条件概率、独立性与贝叶斯 1 1.1.1 从概率到条件概率 1 1.1.2 条件概率的具体描述 2 1.1.3 条件概率的表达式分析 3 1.1.4 两个事件的独立性 4 1.1.5 从条件概率到全概率公式 5 1.1.6 聚焦贝叶斯公式 6 1.1.7 本质内涵：由因到果，由果推因 7 1.2 事件的关系：深入理解独立性 8 1.2.1 重新梳理两个事件的独立性 8 1.2.2 不相容与独立性 8 1.2.3 条件独立 9 1.2.4 独立与条件独立 11 1.2.5 独立重复实验 11 第2章 变量分布：描述随机世界 13 2.1 离散型随机变量：分布与数字特征 13 2.1.1 从事件到随机变量 13 2.1.2 离散型随机变量及其要素 14 2.1.3 离散型随机变量的分布列 15 2.1.4 分布列和概率质量函数 16 2.1.5 二项分布及二项随机变量 17 2.1.6 几何分布及几何随机变量 21 2.1.7 泊松分布及泊松随机变量 24 2.2 连续型随机变量：分布与数字特征 27 2.2.1 概率密度函数 27 2.2.2 连续型随机变量区间概率的计算 29 2.2.3 连续型随机变量的期望与方差 29 2.2.4 正态分布及正态随机变量 30 2.2.5 指数分布及指数随机变量 33 2.2.6 均匀分布及其随机变量 35 2.3 多元随机变量（上）：联合、边缘与条件 38 2.3.1 实验中引入多个随机变量 38 2.3.2 联合分布列 38 2.3.3 边缘分布列 39 2.3.4 条件分布列 40 2.3.5 集中梳理核心的概率理论 44 2.4 多元随机变量（下）：独立与相关 46 2.4.1 随机变量与事件的独立性 46 2.4.2 随机变量之间的独立性 47 2.4.3 独立性示例 48 2.4.4 条件独立的概念 48 2.4.5 独立随机变量的期望和方差 50 2.4.6 随机变量的相关性分析及量化方法 52 2.4.7 协方差及协方差矩阵 52 2.4.8 相关系数的概念 54 2.5 多元随机变量实践：聚焦多元正态分布 55 2.5.1 再谈相关性：基于二元标准正态分布 55 2.5.2 二元一般正态分布 57 2.5.3 聚焦相关系数 60 2.5.4 独立和相关性的关系 64 2.6 多元高斯分布：参数特征和几何意义 66 2.6.1 从一元分布到多元分布 66 2.6.2 多元高斯分布的参数形式 67 2.6.3 二元高斯分布的具体示例 68 2.6.4 多元高斯分布的几何特征 71 2.6.5 二元高斯分布几何特征实例分析 74 第3章 参数估计：探寻最大可能 77 3.1 极限思维：大数定律与中心极限定理 77 3.1.1 一个背景话题 77 3.1.2 大数定律 78 3.1.3 大数定律的模拟 80 3.1.4 中心极限定理 83 3.1.5 中心极限定理的工程意义 84 3.1.6 中心极限定理的模拟 85 3.1.7 大数定律的应用：蒙特卡罗方法 86 3.2 推断未知：统计推断的基本框架 89 3.2.1 进入统计学 89 3.2.2 统计推断的例子 90 3.2.3 统计推断中的一些重要概念 91 3.2.4 估计量的偏差与无偏估计 92 3.2.5 总体均值的估计 93 3.2.6 总体方差的估计 95 3.3 极大似然估计 100 3.3.1 极大似然估计法的引例 100 3.3.2 似然函数的由来 102 3.3.3 极大似然估计的思想 103 3.3.4 极大似然估计值的计算 105 3.3.5 简单极大似然估计案例 106 3.3.6 高斯分布参数的极大似然估计 107 3.4 含有隐变量的参数估计问题 110 3.4.1 参数估计问题的回顾 110 3.4.2 新情况：场景中含有隐变量 111 3.4.3 迭代法：解决含有隐变量情形的抛硬币问题 112 3.4.4 代码实验 115 3.5 概率渐增：EM算法的合理性 118 3.5.1 EM算法的背景介绍 119 3.5.2 先抛出EM算法的迭代公式 119 3.5.3 EM算法为什么是有效的 120 3.6 探索EM公式的底层逻辑与由来 123 3.6.1 EM公式中的E步和M步 124 3.6.2 剖析EM算法的由来 124 3.7 探索高斯混合模型：EM 迭代实践 127 3.7.1 高斯混合模型的引入 128 3.7.2 从混合模型的角度看内部机理 129 3.7.3 高斯混合模型的参数估计 131 3.8 高斯混合模型的参数求解 132 3.8.1 利用 EM 迭代模型参数的思路 132 3.8.2 参数估计示例 136 3.8.3 高斯混合模型的应用场景 139 第4章 随机过程：聚焦动态特征 145 4.1 由静向动：随机过程导引 145 4.1.1 随机过程场景举例1：博彩 146 4.1.2 随机过程场景举例2：股价的变化 150 4.1.3 随机过程场景举例3：股价变化过程的展现 152 4.1.4 两类重要的随机过程概述 154 4.2 状态转移：初识马尔可夫链 155 4.2.1 马尔可夫链三要素 155 4.2.2 马尔可夫性：灵魂特征 156 4.2.3 转移概率和状态转移矩阵 157 4.2.4 马尔可夫链性质的总结 158 4.2.5 一步到达与多步转移的含义 159 4.2.6 多步转移与矩阵乘法 160 4.2.7 路径概率问题 163 4.3 变与不变：马尔可夫链的极限与稳态 164 4.3.1 极限与初始状态无关的情况 164 4.3.2 极限依赖于初始状态的情况 165 4.3.3 吸收态与收敛分析 167 4.3.4 可达与常返 168 4.3.5 周期性问题 171 4.3.6 马尔可夫链的稳态分析和判定 172 4.3.7 稳态的求法 174 4.4 隐马尔可夫模型：明暗两条线 176 4.4.1 从马尔可夫链到隐马尔可夫模型 176 4.4.2 典型实例1：盒子摸球实验 177 4.4.3 典型实例2：小宝宝的日常生活 180 4.4.4 隐马尔可夫模型的外在表征 181 4.4.5 推动模型运行的内核三要素 182 4.4.6 关键性质：齐次马尔可夫性和观测独立性 183 4.5 概率估计：隐马尔可夫模型观测序列描述 183 4.5.1 隐马尔可夫模型的研究内容 183 4.5.2 模型研究问题的描述 185 4.5.3 一个直观的思路 186 4.5.4 更优的方法：前向概率算法 187 4.5.5 概率估计实践 190 4.5.6 代码实践 192 4.6 状态解码：隐马尔可夫模型隐状态揭秘 194 4.6.1 隐状态解码问题的描述 194 4.6.2 最大路径概率与维特比算法 195 4.6.3 应用维特比算法进行解码 197 4.6.4 维特比算法的案例实践 199 4.6.5 代码实践 202 4.7 连续域上的无限维：高斯过程 204 4.7.1 高斯过程的一个实际例子 205 4.7.2 高斯过程的核心要素和严谨描述 206 4.7.3 径向基函数的代码演示 207 4.7.4 高斯过程回归原理详解 208 4.7.5 高斯过程回归代码演示 210 第5章 统计推断：贯穿近似策略 215 5.1 统计推断的基本思想和分类 215 5.1.1 统计推断的根源和场景 215 5.1.2 后验分布：推断过程的关注重点 216 5.1.3 精确推断和近似推断 216 5.1.4 确定性近似：变分推断概述 217 5.2 随机近似方法 219 5.2.1 蒙特卡罗方法的理论支撑 219 5.2.2 随机近似的核心：蒙特卡罗 220 5.2.3 接受-拒绝采样的问题背景 221 5.2.4 接受-拒绝采样的方法和步骤 221 5.2.5 接受-拒绝采样的实践 222 5.2.6 接受-拒绝采样方法背后的内涵挖掘 225 5.2.7 重要性采样 226 5.2.8 两种采样方法的问题及思考 227 5.3 采样绝佳途径：借助马尔可夫链的稳态性质 228 5.3.1 马尔可夫链回顾 228 5.3.2 核心：马尔可夫链的平稳分布 229 5.3.3 马尔可夫链进入稳态的转移过程 231 5.3.4 稳态及转移过程演示 231 5.3.5 马尔可夫链稳态的价值和意义 235 5.3.6 基于马尔可夫链进行采样的原理分析 236 5.3.7 采样过程实践与分析 238 5.3.8 一个显而易见的问题和难点 242 5.4 马尔可夫链-蒙特卡罗方法详解 242 5.4.1 稳态判定：细致平稳条件 243 5.4.2 Metropolis-Hastings采样方法的原理 244 5.4.3 如何理解随机游走叠加接受概率 245 5.4.4 如何实现随机游走叠加接受概率 247 5.4.5 建议转移概率矩阵Q的设计 247 5.4.6 Metropolis-Hastings方法的步骤和代码演示 251 5.5 Gibbs采样方法简介 253 5.5.1 Gibbs方法核心流程 253 5.5.2 Gibbs采样的合理性 255 5.5.3 Gibbs采样代码实验 256 ---------------------------Python机器学习系统构建（原书第3版）--------------------------- 前言 第1章 Python机器学习入门1 1.1 机器学习和Python—梦之队1 1.1.1 本书涵盖的和未涵盖的内容2 1.1.2 如何最好地阅读本书3 1.1.3 遇到困难怎么办4 1.1.4 入门指南5 1.1.5 机器学习基础10 1.1.6 第一个机器学习的小应用11 1.2 小结23 第2章 使用现实示例进行分类24 2.1 鸢尾花数据集24 2.1.1 可视化是一个很好的开始25 2.1.2 用scikit-learn分类25 2.1.3 建立我们的第一个分类模型26 2.2 评估—留出数据和交叉验证27 2.3 如何测量和比较分类器29 2.4 更复杂的数据集和最近邻分类器30 2.4.1 了解种子数据集30 2.4.2 特征和特征工程 31 2.4.3 最近邻分类31 2.4.4 查看决策边界32 2.5 使用哪个分类器35 2.6 小结35 第3章 回归37 3.1 用回归方法预测房价走势37 3.2 多维属性回归40 3.3 回归中的交叉验证41 3.3.1 惩罚化或正则化回归42 3.3.2 L1和L2惩罚项42 3.4 在scikit-learn中使用Lasso或 ElasticNet43 3.4.1 Lasso路径的可视化44 3.4.2 P-greater-than-N场景45 3.4.3 一个基于文本文档的例子45 3.4.4 主流的超参设置方法47 3.5 用TensorFlow实现回归50 3.6 小结54 第4章 分类Ⅰ—检测劣质答案55 4.1 本章概览55 4.2 学习分类优质答案56 4.2.1 数据实例调整56 4.2.2 分类器调优56 4.3 数据获取56 4.3.1 将数据转换为可用的数据块58 4.3.2 属性的预选择和处理58 4.3.3 定义什么是优质答案59 4.4 创建我们的第一个分类器60 4.4.1 特征工程60 4.4.2 训练分类器61 4.4.3 评价分类器的性能62 4.4.4 设计更多的特征62 4.5 如何改进性能65 4.5.1 偏置、方差和它们之间的平衡66 4.5.2 修复高偏置66 4.5.3 修复高方差66 4.5.4 高偏置还是低偏置67 4.6 使用logistic回归69 4.6.1 用一个小例子了解一些数学原理69 4.6.2 将logistic回归用于我们的帖子分类问题71 4.7 探索准确率背后的细节—精度和召回73 4.8 为分类器减负75 4.9 整合分类器76 4.10 用TensorFlow分类77 4.11 小结82 第5章 降维83 5.1 本章概览83 5.2 选择特征84 5.2.1 使用过滤器检测冗余特征84 5.2.2 使用包装法从模型中查询特征90 5.2.3 其他特征选择方法93 5.3 特征投影93 5.3.1 主成分分析93 5.3.2 PCA的局限性以及LDA如何提供帮助95 5.4 多维缩放96 5.5 用于降维的自动编码器或神经网络99 5.6 小结103 第6章 聚类—查找相关帖子105 6.1 测量帖子间的相关性 105 6.1.1 不应该这么做106 6.1.2 应该怎么做106 6.2 预处理—将测量的相似性作为常用词的相似数量107 6.2.1 将原始文本转换成词袋107 6.2.2 我们的成就和目标115 6.3 聚类116 6.3.1 K-means 116 6.3.2 获取测试数据以评估我们的想法119 6.3.3 聚类帖子120 6.4 解决最初的挑战120 6.5 调整参数123 6.6 小结123 第7章 推荐系统125 7.1 评级预测和推荐125 7.2 切分训练集和测试集127 7.3 训练数据归一化127 7.4 用最近邻方法实现推荐129 7.5 用回归方法实现推荐132 7.6 结合多种方法133 7.7 购物篮分析135 7.7.1 获得有用的预测结果136 7.7.2 分析超市购物篮137 7.8 关联规则挖掘140 7.9 小结141 第8章 人工神经网络与深度学习143 8.1 使用TensorFlow143 8.1.1 TensorFlow API 144 8.1.2 图144 8.1.3 会话145 8.1.4 有用的操作146 8.2 保存和还原神经网络147 8.2.1 训练神经网络149 8.2.2 卷积神经网络149 8.2.3 循环神经网络156 8.3 LSTM用于文本预测157 8.4 LSTM用于图像处理160 8.5 小结162 第9章 分类Ⅱ—情感分析163 9.1 本章概览163 9.2 获取Twitter数据163 9.3 介绍朴素贝叶斯分类器164 9.3.1 了解贝叶斯定理 164 9.3.2 简单化165 9.3.3 使用朴素贝叶斯进行分类166 9.3.4 对未曾出现的和奇怪的单词进行说明168 9.3.5 对算术下溢进行说明169 9.4 创建并优化第一个分类器171 9.4.1 首先解决容易的问题171 9.4.2 使用所有类173 9.4.3 调整分类器参数175 9.5 清理tweet179 9.6 考虑单词的类型180 9.6.1 确定单词类型181 9.6.2 使用SentiWordNet成功作弊182 9.6.3 我们的第一个评估器184 9.6.4 把所有东西放在一起186 9.7 小结187 第10章 主题建模188 10.1 隐含狄利克雷分配188 10.1.1 构建主题模型189 10.1.2 按主题比较文档 193 10.1.3 为整体维基百科建模195 10.1.4 选择主题数量197 10.2 小结198 第11章 分类III—音乐流派分类199 11.1 本章概览199 11.2 获取音乐数据199 11.3 观察音乐数据201 11.4 使用FFT构建第一个分类器204 11.4.1 增加实验灵活性204 11.4.2 训练分类器205 11.4.3 用混淆矩阵测试多类别问题的准确率207 11.4.4 另一种用接收者- 操作者特征测量分类性能的方法209 11.5 使用梅尔频率倒谱系数改善分类器性能212 11.6 用TensorFlow分类音乐215 11.7 小结220 第12章 计算机视觉222 12.1 图像处理简介222 12.1.1 加载和显示图像 223 12.1.2 阈值转换224 12.1.3 高斯模糊225 12.1.4 聚焦图像中心226 12.2 基本图像分类228 12.3 从图像中计算特征229 12.4 设计自己的特征230 12.5 用特征找相似图像231 12.6 对更难的数据集分类233 12.7 局部特征的表征方法234 12.8 用对抗网络生成图像237 12.9 小结243 第13章 强化学习245 13.1 强化学习的类型245 13.1.1 策略网络和估值网络246 13.1.2 Q-network 246 13.2 在游戏中表现出色247 13.2.1 一个小例子247 13.2.2 在文字游戏中使用TensorFlow248 13.2.3 玩打砖块游戏250 13.3 小结260 第14章 大数据261 14.1 学习大数据261 14.1.1 使用jug将流水线拆分为多个任务262 14.1.2 jug中的任务介绍262 14.2 探查工作原理264 14.3 使用jug进行数据分析265 14.4 重用部分结果268 14.5 使用Amazon网络服务269 14.6 创建第一个虚拟机270 14.7 在Amazon Linux上安装Python包275 14.8 在云服务机器上运行jug275 14.9 使用cfncluster自动生成集群276 14.10 小结279 |