机器学习实践指南 案例应用解析2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习实践指南 案例应用解析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 准备篇2

第1章 机器学习发展及应用前景2

1.1 机器学习概述2

1.1.1 什么是机器学习3

1.1.2 机器学习的发展3

1.1.3 机器学习的未来4

1.2 机器学习应用前景5

1.2.1 数据分析与挖掘5

1.2.2 模式识别6

1.2.3 更广阔的领域6

1.3 小结7

第2章 科学计算平台8

2.1 科学计算软件平台概述9

2.1.1 常用的科学计算软件9

2.1.2 本书使用的工程计算平台10

2.2 计算平台的配置11

2.2.1 Numpy等Python科学计算包的安装与配置11

2.2.2 OpenCV安装与配置14

2.2.3 mlpy安装与配置14

2.2.4 BeautifulSoup安装与配置15

2.2.5 Neurolab安装与配置15

2.2.6 R安装与配置16

2.3 小结16

第二部分 基础篇18

第3章 计算平台应用实例18

3.1 Python计算平台简介及应用实例18

3.1.1 Python语言基础18

3.1.2 Numpy库29

3.1.3 pylab、matplotlib绘图36

3.1.4 图像基础38

3.1.5 图像融合与图像镜像46

3.1.6 图像灰度化与图像加噪48

3.1.7 声音基础51

3.1.8 声音音量调节53

3.1.9 图像信息隐藏58

3.1.10 声音信息隐藏62

3.2 R语言基础68

3.2.1 基本操作69

3.2.2 向量71

3.2.3 对象集属性77

3.2.4 因子和有序因子78

3.2.5 循环语句79

3.2.6 条件语句79

3.3 R语言科学计算80

3.3.1 分类（组）统计80

3.3.2 数组与矩阵基础81

3.3.3 数组运算84

3.3.4 矩阵运算85

3.4 R语言计算实例93

3.4.1 学生数据集读写93

3.4.2 最小二乘法拟合94

3.4.3 交叉因子频率分析96

3.4.4 向量模长计算97

3.4.5 欧氏距离计算98

3.5 小结99

思考题99

第4章 生产环境基础100

4.1 Windows Server 2008基础100

4.1.1 Windows Server 2008 R2概述101

4.1.2 Windows PowerShell102

4.2 Linux基础103

4.2.1 Linux命令104

4.2.2 Shell基础114

4.3 Vim编辑器122

4.3.1 Vim编辑器概述122

4.3.2 Vim常用命令123

4.4 虚拟化平台124

4.4.1 Citrix Xenserver概述125

4.4.2 Citrix Xenserver部署126

4.4.3 基于XenCenter的虚拟服务器管理126

4.5 Linux环境下的NumPy安装135

4.6 Linux环境下的R运行环境136

4.7 PyPy编译器136

4.7.1 PyPy概述136

4.7.2 PyPy安装与配置137

4.7.3 PyPy性能137

4.7.4 PyPy实践之Lempel-Ziv压缩138

4.8 小结145

思考题146

第三部分 统计分析实战篇148

第5章 统计分析基础148

5.1 数据分析概述148

5.2 数学基础149

5.3 回归分析154

5.3.1 单变量线性回归154

5.3.2 多元线性回归156

5.3.3 非线性回归157

5.4 数据分析基础159

5.4.1 区间频率分布159

5.4.2 数据直方图161

5.4.3 数据散点图162

5.4.4 五分位数164

5.4.5 累积分布函数165

5.4.6 核密度估计166

5.5 数据分布分析167

5.6 小结169

思考题170

第6章 描述性分析案例171

6.1 数据图形化案例解析171

6.1.1 点图171

6.1.2 饼图和条形图172

6.1.3 茎叶图和箱线图173

6.2 数据分布趋势案例解析175

6.2.1 平均值175

6.2.2 加权平均值175

6.2.3 数据排序176

6.2.4 中位数177

6.2.5 极差、半极差177

6.2.6 方差178

6.2.7 标准差178

6.2.8 变异系数、样本平方和178

6.2.9 偏度系数、峰度系数179

6.3 正态分布案例解析180

6.3.1 正态分布函数180

6.3.2 峰度系数分析181

6.3.3 累积分布概率181

6.3.4 概率密度函数182

6.3.5 分位点183

6.3.6 频率直方图185

6.3.7 核概率密度与正态概率分布图185

6.3.8 正态检验与分布拟合186

6.3.9 其他分布及其拟合188

6.4 多变量分析189

6.4.1 多变量数据分析189

6.4.2 多元数据相关性分析197

6.5 小结201

思考题201

第7章 假设检验与回归模型案例202

7.1 假设检验202

7.1.1 二项分布假设检验202

7.1.2 数据分布检验204

7.1.3 正态总体均值检验205

7.1.4 列联表206

7.1.5 符号检测207

7.1.6 秩相关检验210

7.1.7 Kendall相关检验213

7.2 回归模型214

7.2.1 回归预测与显著性检验214

7.2.2 回归诊断216

7.2.3 回归优化217

7.2.4 主成分回归219

7.2.5 广义线性模型221

7.3 小结226

思考题226

第四部分 机器学习实战篇230

第8章 机器学习算法230

8.1 神经网络230

8.1.1 Rosenblatt感知器232

8.1.2 梯度下降245

8.1.3 反向传播与多层感知器251

8.1.4 Python神经网络库270

8.2 统计算法272

8.2.1 平均值272

8.2.2 方差与标准差274

8.2.3 贝叶斯算法276

8.3 欧氏距离279

8.4 余弦相似度280

8.5 SVM281

8.5.1 数学原理281

8.5.2 SMO算法283

8.5.3 算法应用283

8.6 回归算法287

8.6.1 线性代数基础288

8.6.2 最小二乘法原理289

8.6.3 线性回归290

8.6.4 多元非线性回归292

8.6.5 岭回归方法294

8.6.6 伪逆方法295

8.7 PCA降维296

8.8 关联规则297

8.8.1 关联规则概述297

8.8.2 频繁项集算法298

8.8.3 关联规则生成301

8.8.4 实例分析302

8.9 自动分类306

8.9.1 聚类算法306

8.9.2 决策树313

8.9.3 AdaBoost316

8.9.4 竞争型神经网络317

8.9.5 Hamming神经网络323

8.10 小结325

思考题325

第9章 数据拟合案例327

9.1 数据拟合327

9.1.1 图像分析法327

9.1.2 神经网络拟合法338

9.2 线性滤波352

9.2.1 WAV声音文件352

9.2.2 线性滤波算法过程352

9.2 3滤波Python实现353

9.3 数据或曲线平滑358

9.3.1 平滑概述358

9.3.2 移动平均359

9.3.3 递归线性过滤362

9.3.4 指数平滑364

9.4 小结368

思考题368

第10章 图像算法案例370

10.1 图像边缘算法370

10.1.1 数字图像基础370

10.1.2 算法描述371

10.2 图像匹配372

10.2.1 差分矩阵求和373

10.2.2 差分矩阵均值375

10.2.3 欧氏距离匹配376

10.3 图像分类382

10.3.1 余弦相似度382

10.3.2 PCA图像特征提取算法388

10.3.3 基于神经网络的图像分类389

10.3.4 基于SVM的图像分类394

10.4 高斯噪声生成397

10.5 二值化401

10.5.1 threshold401

10.5.2 adaptiveThreshold402

10.6 插值与缩放404

10.7 仿射405

10.7.1 仿射原理405

10.7.2 仿射变换实例405

10.8 透视投影与透视变换406

10.8.1 透视投影原理406

10.8.2 透视投影实例407

10.9 灰度变换与图像增强409

10.9.1 灰度变换概述409

10.9.2 对数变换409

10.9.3 分段线性变换410

10.9.4 指数变换411

10.9.5 直方图均衡化412

10.10 图像滤波与除噪415

10.10.1 均一化块滤波415

10.10.2 邻域平均法420

10.10.3 中值滤波423

10.10.4 高斯滤波427

10.10.5 双边滤波429

10.10.6 卷积滤波431

10.10.7 边缘检测433

10.11 小结435

思考题435

第11章 机器视觉案例437

11.1 人脸辨识437

11.1.1 人脸定位437

11.1.2 人脸辨识439

11.2 手写数字识别446

11.2.1 手写数字识别算法446

11.2.2 算法的Python实现447

11.3 运动侦测449

11.3.1 视频采集450

11.3.2 差分算法452

11.3.3 光流法456

11.4 形状检测458

11.4.1 KNN算法概述458

11.4.2 形状特征提取459

11.4.3 形状分类459

11.5 小结462

思考题462

第12章 文本分类案例463

12.1 文本分类概述463

12.2 余弦相似度分类464

12.2.1 中文分词465

12.2.2 停用词清理467

12.2.3 算法实战468

12.3 朴素贝叶斯分类473

12.3.1 算法描述473

12.3.2 先验概率计算474

12.3.3 最大后验概率474

12.3.4 算法实现474

12.4 自然语言处理480

12.4.1 NLTK简介480

12.4.2 NLTK与jieba的配置481

12.4.3 中文分词并标注词性483

12.4.4 词特征指标分析484

12.4.5 Web文档分析499

12.4.6 Web文档的朴素贝叶斯分类503

12.4.7 语法结构分析515

12.4.8 Web文档聚类518

12.5 小结526

思考题526