Python 機器學習實例及代碼分析 — 識別 · 預測 · 異常檢測

機器學習作為實現人工智能的方法，是一種讓計算機具備學習能力的數理技術。
本書就以Python為工具，結合實例和代碼分析對機器學習中的異常檢測和系列數據分析技術進行了詳細解說。
其中前半部分介紹了基本的分類器和預測器的使用方法，以便讀者能夠順利地進行機器學習實踐。
後半部分以作者的研究經驗為基礎，介紹了一些應用於實際問題的例子。
本書以解說實例源碼為中心，特別適合有一定編程基礎、
對機器學習技術感興趣的高校學生學習，也適合將機器學習技術應用於實際業務的工程師參考。

第1章什麼是機器學習
1.1 機器學習簡介
1.2 圍繞機器學習的環境變化
1.3 關於本書
1.4 關於機器學習的書籍
1.5 機器學習的分類
1.6 機器學習的流程
1.7 k近鄰算法分類
源代碼1.1 通過k近鄰算法對Iris數據集進行分類和繪製識別邊界面
第2章基本的分類器和預測器
2.1 決策樹學習
源代碼2.1 基於決策樹學習的識別和繪製決策樹
2.2 樸素貝葉斯分類器
源代碼2.2 樸素貝葉斯分類器分類與ROC曲線評價
2.3 邏輯回歸
源代碼2.3 使用邏輯回歸識別手寫字符
2.4 多層感知器
源代碼2.4 使用MLP識別手寫字符
2.5 支持向量機
源代碼2.5 使用SVM識別Breast Cancer數據集
2.6 線性回歸
源代碼2.6 通過線性回歸推測Housing數據住宅價格
2.7 深度學習
源代碼2.7 使用AutoEncoder事先學習的深層神經網絡識別手寫字符
第3章針對機器振動數據的異常檢測
3.1 異常檢測問題
3.2 異常檢測的評價方法
3.3 典型的異常檢測法
3.4 機器異常檢測的應用案例
3.5 特徵提取
3.6 各種異常檢測法的應用
3.6.1 異常檢測的代碼1（圖3.8，源代碼3.1）
3.6.2 異常檢測的代碼2（圖3.9，源代碼3.2）
3.6.3 異常檢測的代碼3：LOF（圖3.10，源代碼3.3）
3.6.4 異常檢測的代碼4：One-Class SVM（圖3.12，源代碼3.4）
3.6.5 異常檢測的代碼5：Isolation Forest（圖3.14，源代碼3.5）
3.6.6 異常檢測的代碼6：分別比較（圖3.16，源代碼3.6）
3.6.7 另行定義的函數
3.7 總結
3.8 本章所用源代碼一覽
源代碼3.1 異常檢測的代碼
源代碼3.2 異常檢測的代碼
源代碼3.3 異常檢測的代碼
源代碼3.4 異常檢測的代碼
源代碼3.5 異常檢測的代碼
源代碼3.6 異常檢測的代碼
源代碼3.7 顯示平均精度、平均重現率、平均F值及混淆矩陣的函數
源代碼3.8 繪製ROC曲線的函數
源代碼3.9 返回平均F值的函數
源代碼3.10 繪製F值圖表的函數
第4章序列數據分析
4.1 睡眠數據
4.2 隱馬爾可夫模型判斷睡眠好壞
4.2.1 判斷睡眠好壞的流程
4.2.2 Burst提取法檢測睡眠相關的聲音事件
4.2.3 輸入向量的準備
4.2.4 聲音事件的自動分類
4.2.5 通過隱馬爾可夫模型進行睡眠模式時間序列的建模
4.2.6 睡眠好壞的判斷
4.2.7 總結
結束語
參考文獻