实用机器学习_实用机器学习PDF下载_实用机器学习电子书,介绍,实用机器学习txt,作者,视频教程,在线阅读,实用机器学习（印）苏尼拉·格拉普蒂（Sunila Gollapudi）

实用机器学习

作者

（印）苏尼拉·格拉普蒂（Sunila Gollapudi）

丛书名

数据科学与工程技术丛书

出版社

机械工业出版社

ISBN

9787111598886

简要

简介

内容简介书籍计算机书籍本书探索了一系列广泛应用的机器学习技术，用实际例子揭示了常见数据中隐藏的处理技巧和窍门。本书还探讨了机器学习的前沿进展，提供了一些关于深度学习和强化学习的范例和指导原则，完美演绎了实操过程及算法原理。本书的目标读者为那些想了解机器学习实践通过机器学习技术解决现实应用的数据科学家。

推荐序一
推荐序二
译者序
前言
关于作者
关于审校者
第1章机器学习简介
11机器学习
111定义
112核心概念与术语
113什么是学习
114机器学习中的数据不一致性
115机器学习实践范例
116机器学习问题类型
12性能度量
13机器学习的相关领域
131数据挖掘
132人工智能
133统计学习
134数据科学
14机器学习处理流程及解决方案架构
15机器学习算法
151基于决策树的算法
152基于贝叶斯的算法
153基于核方法的算法
154聚类算法
155人工神经网络
156降维方法
157集成方法
158基于实例的算法
159基于回归分析的算法
1510基于关联规则的算法
16机器学习工具与框架
17小结
第2章机器学习和大规模数据集
21大数据和大规模机器学习
211功能与架构：方法论的失配
212机器学习的可扩展性和性能
213模型选择过程
214大规模机器学习的潜在问题
22算法和并发
23垂直扩展的机器学习技术方案
231MapReduce编程架构
232利用消息传递接口进行高性能计算
233LINQ框架
234使用LINQ操作数据集
235GPU
236FPGA
237多核或多处理器系统
24小结
第3章Hadoop架构和生态系统简介
31Apache Hadoop简介
311Hadoop的演化
312Hadoop及其核心要素
32基于Hadoop的大数据机器学习解决方案架构
321数据源层
322数据摄入层
323Hadoop数据存储层
324Hadoop基础设施层
325Hadoop平台/处理层
326分析层
327数据消费层
328MapReduce
33Hadoop 2x
331Hadoop生态系统组件
332Hadoop安装和配置
333Hadoop发行版和供应商
34小结
第4章机器学习工具、库及框架
41机器学习工具概览
42Apache Mahout
421Mahout如何工作
422安装和设置Apache Mahout
423Mahout软件包详解
424Mahout中的vector实现
43R
431安装和设置R
432R与Apache Hadoop集成
44Julia
441安装和设置Julia
442在命令行中执行Julia程序
443例解Julia
444变量与赋值
445使用Julia的好处
446Julia与Hadoop集成
45Python
451Python中工具包的选择
452例解Python
46Apache Spark
461Scala
462RDD编程
47Spring XD
48小结
第5章基于决策树的学习
51决策树
511术语
512目标与用途
513构造决策树
514特殊的决策树
52实现决策树
53小结
第6章基于实例和核方法的学习
61基于实例的学习
611最近邻
612实现kNN
62基于核方法的学习
621核函数
622支持向量机
623实现SVM
63小结
第7章关联规则学习
71关联规则学习
711关联规则的定义
712Apriori算法
713FPgrowth算法
714Apriori与FPgrowth
72实现Apriori及FPgrowth算法
73小结
第8章聚类学习
81聚类学习
82聚类的类型
821层次聚类
822划分式聚类
83kmeans聚类算法
831kmeans算法的收敛性
832kmeans算法的优点
833kmeans算法的缺点
834距离度量
835复杂度度量
84实现kmeans聚类
85小结
第9章贝叶斯学习
91贝叶斯学习
911统计学家的视角
912贝叶斯定理
913朴素贝叶斯分类器
92实现朴素贝叶斯算法
93小结
第10章基于回归的学习
101回归分析
1011重温统计学
1012混杂
1013效应修饰
102回归方法
1021简单线性回归
1022多元线性回归
1023多项式回归
1024广义线性模型
1025逻辑回归（logit连接)
1026泊松回归
103实现线性回归和逻辑回归
104小结
第11章深度学习
111背景知识
1111人类大脑结构
1112神经网络
1113反向传播算法
1114Softmax回归算法
112深度学习类型
1121卷积神经网络
1122循环神经网络
1123受限玻尔兹曼机
1124深度玻尔兹曼机
1125自动编码器
113实现ANN和深度学习方法
114小结
第12章强化学习
121强化学习
1211强化学习的背景知识
1212强化学习的主要特点
122强化学习算法
1221动态规划
1222蒙特卡罗方法
1223时序差分学习
1224Qlearning（异策略TD）
1225actorcritic方法(同策略)
1226Rlearning（异策略）
123实现强化学习方法
124小结
第13章集成学习
131集成学习方法
1311群体智慧
1312经典应用
1313集成方法
132实现集成学习方法
133小结
第14章下一代机器学习数据架构
141数据架构的演进
142机器学习的现代数据架构
1421语义数据架构
1422多模型数据库架构/混合持久化
1423Lambda架构
143小结