机器学习基础 建模与问题求解

1.阐述机器学习的基础知识 2.介绍机器学习的主要模型 3.基于模型实现机器学习系统 4.本书理论、实践示例和解决方案三者相辅相成，旨在帮助机器学习的初学者能够基于理论实现并使用性能强劲的机器学习系统。

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确定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，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。

第一部分机器学习基础知识
第1章开始机器学习2
1.1机器学习简介2
1.2理解机器学习的背景知识3
1.2.1数学（线性代数、微分、统计和概率）3
1.2.2编程4
1.3机器学习发展史4
1.3.1机器学习的历史与现状4
1.3.2机器学习的三大学派6
1.4机器学习的分类7
1.4.1监督学习、无监督学习、强化学习8
1.4.2监督学习的详细分类9
1.4.3无监督学习详细分类10
1.4.4深度学习11
1.5小结11
第2章机器学习主要概念12
2.1模型：观察问题的角度12
2.1.1模型的定义13
2.1.2简单模型14
2.1.3复杂模型15
2.1.4结构模型16
2.1.5好模型的定义17
2.2损失函数：模型的公式化学习目标19
2.2.1算术损失函数20
2.2.2概率损失函数21
2.2.3排序损失函数23
2.2.4模型复杂度与相关损失函数24
2.3优化：实际训练的方法25
2.3.1梯度下降法26
2.3.2牛顿/拟牛顿法28
2.3.3随机梯度下降法28
2.3.4反向传播30
2.3.5近期新的优化方法31
2.4模型评估：实际运用中的性能评估方法31
2.4.1模型的泛化特征评估31
2.4.2准确率32
2.4.3准确率与召回率33
2.4.4排序评估34
2.5小结35
第二部分机器学习的主要模型
第3章数据与问题38
3.1数据类型38
3.1.1文本数据38
3.1.2数值数据39
3.1.3图像数据39
3.1.4音频数据40
3.1.5混合数据40
3.2数据量与数据质量40
3.2.1数据量与机器学习的相关性40
3.2.2数据质量与机器学习的相关性41
3.3数据标准化42
3.3.1数值数据标准化42
3.3.2分类数据标准化44
3.3.3序数数据标准化44
3.4问题类型45
3.4.1回归45
3.4.2分类46
3.4.3聚类问题46
3.4.4表征学习（嵌入学习）47
3.5小结48
第4章利用购买历史数据构建用户群49
4.1聚类49
4.2K中心点聚类50
4.3层次聚类53
4.4基于密度的聚类56
4.5计算相似度57
4.5.1闵氏距离58
4.5.2马氏距离59
4.6小结61
第5章构建文本分析系统62
5.1构建文本分类系统62
5.1.1文本分类的常用特征62
5.1.2利用特征进行分类操作65
5.2主题建模69
5.3语法分析71
5.3.1词性标注71
5.3.2命名实体识别74
5.4词嵌入学习——word2vec75
5.5小结78
第6章构建电影推荐系统79
6.1电影推荐系统79
6.2相似度运算80
6.2.1杰卡德系数80
6.2.2余弦相似度81
6.2.3编辑距离82
6.3基于内容的推荐系统83
6.4协同过滤84
6.4.1均方根误差85
6.4.2基于用户/商品的协同过滤86
6.4.3隐因子模型87
6.5标准化90
6.6小结91
第7章构建图像识别系统92
7.1图像处理基本概念92
7.1.1像素92
7.1.2滤波93
7.1.3卷积95
7.2图像识别97
7.2.1图像分类98
7.2.2图像检测98
7.3用于图像识别的特征99
7.3.1轮廓线99
7.3.2角点100
7.3.3SIFT103
7.3.4主成分分析105
7.4利用深度学习进行图像识别107
7.4.1关于CNN107
7.4.2卷积层108
7.4.3池化109
7.4.4激活函数110
7.4.5全连接层111
7.5小结112
第8章解决机器学习中的多种问题113
8.1模型问题113
8.1.1过度学习113
8.1.2如何更轻松地找到好模型119
8.2数据问题121
8.2.1数据量过大121
8.2.2数据量过少123
8.2.3数据略微倾斜124
8.3速度问题126
8.3.1向量运算126
8.3.2机器学习高效运行系统128
8.3.3分布式处理128
8.4小结129
第三部分机器学习系统应用
第9章机器学习软件简介132
9.1安装Python与库132
9.2有名数据库简介133
9.2.1机器学习库133
9.2.2深度学习库134
9.2.3与计算相关的库136
9.3本书使用的工具包136
9.3.1Scikit-learn137
9.3.2TensorFlow140
9.4小结151
第10章利用购买历史数据构建用户群——实战152
10.1数据集152
10.2数据预处理153
10.3K均值聚类160
10.4确定正确的簇数K161
10.4.1定量评估161
10.4.2定性评估164
10.5分层聚类法168
10.6小结173
第11章构建文本分析系统——实战174
11.1构建垃圾短信过滤器（文本分类）174
11.1.1用于示例的数据处理174
11.1.2通过特征分类179
11.2构建主题模型系统182
11.3构建词性分析系统184
11.4构建专有名词标记系统185
11.5小结187
第12章构建电影推荐系统——实战188
12.1数据集188
12.2数据预处理189
12.3构建基于内容的电影推荐系统192
12.4构建基于协同过滤的电影推荐系统198
12.4.1实现奇异值分解198
12.4.2实现梯度下降法203
12.4.3评估近似结果205
12.5小结209
第13章构建图像识别系统——实战210
13.1图像数据的K均值聚类210
13.2以主成分分析进行人脸识别213
13.3运用CNN进行手写数字分类223
13.3.1生成特征224
13.3.2训练与测试228
13.4小结234