今天不學機器學習，明天就被機器取代：從 Python 入手+演算法

<內容簡介>

 

圍繞三大主線：神經網路、智慧推理、矩陣計算

提供豐富案例：近25個經典的演算法講解

解剖具代表性的演算法：Scikit-Learn、OpenCV、Theano 

本書以機器學習原理和演算法編碼學習為主，內容分二大主線：單個演算法的原理講解和機器學習理論的發展變遷。

演算法除包含傳統的分類、聚類、預測等常用演算法之外，還新增深度學習、貝氏網、隱馬克夫模型等內容。每個演算法，都涵蓋提出問題、解決策略、數學推導、編碼實現、結果評估等部分。

數學推導力圖做到深入淺出。結構上數學原理與程式碼一一對照，有助於降低學習門檻，加深公式的理解，發揮推廣和擴大機器學習的作用。 

適合：對機器學習演算法有興趣者，或工程技術人員。

 

 

 

---

 

 

<章節目錄>

 

前言

01 機器學習的基礎

1.1 程式語言與開發環境

1.2 物件、矩陣與向量化程式設計

1.3 機器學習的數學基礎 

1.4 資料處理與視覺化  

1.5 Linux 作業系統下部署Python 機器學習開發環境 

1.6 結語

 

02 中文文字分類

2.1 文字採擷與文字分類的概念

2.2 文字分類專案

2.3 分類演算法：單純貝氏

2.4 分類演算法：kNN

2.4.3 評估分類結果

2.5 結語  

 

03 決策樹的發展

3.1 決策樹的基本思想

3.2 ID3 決策樹

3.3 C4.5 演算法

3.4 Scikit-Learn 與回歸樹

3.5 結語    

 

04 推薦系統原理

4.1 推薦系統概述 

4.2 協作過濾及其演算法

4.3 KMeans 演算法詳解

4.4 分群的改進：二分KMeans 演算法

4.5 SVD 演算法詳解

4.6 結語

 

05 梯度尋優

5.1 最最佳化與計算複雜性

5.2 Logistic 梯度下降法 

5.3 演算法分析

5.4 隨機梯度下降法：演算法改進與評估

5.5 結語  

 

06 神經網路初步

6.1 神經網路簡史

6.2 BP 神經網路理論

6.3 BP 網路的實現和評估

6.4 自我組織特徵對映神經網路

6.5 Boltzmann 機演算法  

6.6 結語

 

07 預測的技術與哲學

7.1 線性系統的預測

7.2 徑向基網路

7.3 嶺回歸

7.4 預測的哲學  

7.5 結語 

 

08 萬能分類器——支援向量機

8.1 支援向量機的理論基礎

8.2 SVM 的數學推導

8.3 SMO 演算法

8.4 SVM 中文文字分類 

8.5 結語

 

09 人臉識別中的機器學習

9.1 模式識別概述 

9.2 人臉檢測

9.3 AdaBoost 演算法概述

9.4 人臉識別 

9.5 結語

 

10 認知計算與深度學習

10.1 認知計算

10.2 多層感知器

10.3 旋積神經網路 

10.4 Theano 安裝與GPU 運算  

10.5 結語

 

11 機率圖模型與詞性標記

11.1 馬可夫過程

11.2 機率圖模型和貝氏網

11.3 隱馬可夫模型

11.4 詞性標記系統

11.5 結語