Go语言机器学习实战

通过本书你将学习以下内容：使用Go库设置机器学习环境使用Gonum执行回归和分类使用Go库探索时间序列模型并分解趋势通过聚集推文来清理您的Twitter时间轴学习使用外部服务来满足您的机器学习需求使用神经网络和CNN与Gorgonia识别手写使用GoCV和OpenCV实现面部识别

《Go语言机器学习实战》主要介绍了如何在Go语言中部署程序从而实现机器学习算法。主要内容包括：利用Go语言中的库和功能来配置机器学习环境，对实际生活中的房价数据集进行回归分析，在Go语言中构建分类模型来区分垃圾电子邮件，通过聚类整理个人推特账户的时间线。此外，本书还介绍了用神经网络和卷积神经网络进行手写体识别，以及以人脸检测项目为例，介绍了如何选择适合于具体项目的机器学习算法。本书适合于从事人工智能、机器学习、Go语言程序设计等相关工作的程序员、数据科学研究人员作为参考学习用书。

译者序
原书前言
第1章如何解决机器学习中的所有问题//1
1.1什么是一个问题//1
1.2什么是一个算法//2
1.3什么是机器学习//3
1.4是否需要机器学习//3
1.5一般问题解决过程//4
1.6什么是一个模型//5
1.6.1什么是一个好的模型//6
1.7本书主要内容与章节安排//6
1.8为什么选择Go语言//7
1.9快速启动//7
1.10函数//7
1.11变量//8
1.11.1值//9
1.11.2类型//9
1.11.3方法//11
1.11.4接口//11
1.11.5包和导入//12
1.12开始//13
第2章线性回归——房价预测//14
2.1项目背景//15
2.2探索性数据分析//15
2.2.1数据摄取和索引//16
2.2.2数据清洗工作//18
2.2.3进一步的探索性工作//25
2.2.4标准化//33
2.3线性回归//34
2.3.1回归//35
2.3.2交叉验证//37
2.4讨论和下一步的工作//39
2.5小结//40
第3章分类——垃圾邮件检测//41
3.1项目背景//41
3.2探索性数据分析//42
3.2.1数据标记//42
3.2.2规范化和词干提取//45
3.2.3停用词//45
3.2.4数据摄取//46
3.3分类器//47
3.4朴素贝叶斯//48
3.4.1TF-IDF//48
3.4.2条件概率//49
3.4.3特征//51
3.4.4贝叶斯定理//51
3.5分类器实现//52
3.5.1类//53
3.5.2分类器第Ⅱ部分//54
3.6程序整合//58
3.7小结//61
第4章利用时间序列分析分解二氧化碳趋势//62
4.1探索性数据分析//62
4.1.1从非HTTP数据源下载//63
4.1.2处理非标准数据//63
4.1.3处理小数型日期//64
4.1.4绘图//65
4.2分解//68
4.2.1STL//69
4.2.2更多绘制内容//81
4.3预测//86
4.4小结//89
参考文献//89
第5章通过聚类整理个人推特账户的时间线//90
5.1项目背景//90
5.2K均值//90
5.3DBSCAN//92
5.4数据采集//92
5.5探索性数据分析//92
5.6数据信息//96
5.6.1处理器//97
5.6.2单字预处理//99
5.6.3单条推特处理//103
5.7聚类//103
5.7.1K均值聚类//104
5.7.2DBSCAN聚类//105
5.7.3DMMClust聚类//107
5.8实际数据//108
5.9程序//111
5.10程序调整//113
5.10.1距离调整//114
5.10.2预处理步骤调整//115
5.11小结//117
第6章神经网络——MNIST手写体识别//118
6.1神经网络//118
6.1.1模拟神经网络//119
6.2线性代数101//121
6.2.1激活函数探讨//123
6.3学习功能//125
6.4项目背景//126
6.4.1Gorgonia//126
6.4.2数据获取//126
6.4.3什么是张量//129
6.4.4构建神经网络//138
6.4.5前馈//139
6.4.6利用maybe类型进行错误处理//140
6.4.7前馈函数说明//142
6.4.8成本//143
6.4.9反向传播//143
6.5神经网络训练//146
6.6交叉验证//148
6.7小结//150
第7章卷积神经网络——MNIST手写体识别//151
7.1有关神经元的一切认识都是错误的//151
7.2回顾神经网络//151
7.2.1Gorgonia//152
7.2.2构建一个神经网络//161
7.3项目//164
7.3.1数据获取//164
7.3.2上一章的其他内容//166
7.4CNN简介//168
7.4.1什么是卷积//168
7.4.2优选池化//176
7.4.3退出//176
7.5构建一个CNN//176
7.5.1反向传播//180
7.6运行神经网络//182
7.7测试//186
7.7.1准确率//188
7.8小结//189
第8章基本人脸检测//190
8.1什么是人脸//190
8.1.1Viola-Jones//191
8.2PICO//194
8.2.1关于学习的注意事项//194
8.3GoCV//195
8.3.1API//195
8.4PIGO//195
8.5人脸检测程序//196
8.5.1从网络摄像头获取图像//196
8.5.2图像显示//197
8.5.3在图像上涂鸦//198
8.5.4人脸检测1//198
8.5.5人脸检测2//200
8.5.6算法结合//205
8.6算法评估//206
8.7小结//208
第9章热狗或者不是热狗——使用外部服务//209
9.1MachineBox//209
9.2什么是MachineBox//210
9.2.1登录和注册//210
9.2.2Docker安装与设置//211
9.2.3在Go语言中使用MachineBox//211
9.3项目//212
9.3.1训练//212
9.3.2从网络摄像头读取图像//213
9.3.3美化结果//214
9.4结果//216
9.5这一切意味着什么//218
9.6为什么采用MachineBox//219
9.7小结//219
第10章今后发展趋势//220
10.1读者应该关注什么//221
10.1.1从业者//221
10.1.2研究人员//221
10.2研究人员、从业者及其利益相关者//222
10.3本书未涉及的内容//222
10.4更多学习资源//223