机器学习实战

版权信息 书名：机器学习实战 作者：Peter Harrington 译者：李锐， 李鹏， 曲亚东， 王斌 ISBN：978-7-115-31795-7 本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必 究。 您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制 和传播本书内容。 我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。 如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐 号等维权措施，并可能追究法律责任。 目录 版权声明 献词 译者序 前言 致谢 关于本书 关于作者 关于封面 第一部分 分类 第1章 机器学习基础 1.1 何谓机器学习 1.1.1 传感器和海量数据 1.1.2 机器学习非常重要 1.2 关键术语 1.3 机器学习的主要任务 1.4 如何选择合适的算法 1.5 开发机器学习应用程序的步骤 1.6 Python语言的优势 1.6.1 可执行伪代码 1.6.2 Python比较流行 1.6.3 Python语言的特色 1.6.4 Python语言的缺点 1.7 NumPy函数库基础 1.8 本章小结 第2章 k-近邻算法 2.1 k-近邻算法概述 2.1.1 准备：使用Python导入数据 2.1.2 实施kNN分类算法 2.1.3 如何测试分类器 2.2 示例：使用k近邻算法改进约会网站的配对效果 2.2.1 准备数据：从文本文件中解析数据 2.2.2 分析数据：使用Matplotlib创建散点图 2.2.3 准备数据：归一化数值 2.2.4 测试算法：作为完整程序验证分类器 2.2.5 使用算法：构建完整可用系统 2.3 示例：手写识别系统 2.3.1 准备数据：将图像转换为测试向量 2.3.2 测试算法：使用k近邻算法识别手写数字 2.4 本章小结 第3章 决策树 3.1 决策树的构造 3.1.1 信息增益 3.1.2 划分数据集 3.1.3 递归构建决策树 3.2 在Python中使用Matplotlib注解绘制树形图 3.2.1 Matplotlib注解 3.2.2 构造注解树 3.3 测试和存储分类器 3.3.1 测试算法：使用决策树执行分类 3.3.2 使用算法：决策树的存储 3.4 示例：使用决策树预测隐形眼镜类型 3.5 本章小结 第4章 基于概率论的分类方法：朴素贝叶斯 4.1 基于贝叶斯决策理论的分类方法 4.2 条件概率 4.3 使用条件概率来分类 4.4 使用朴素贝叶斯进行文档分类 4.5 使用Python进行文本分类 4.5.1 准备数据：从文本中构建词......