数据科学与工程技术丛书 实用机器学习2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

数据科学与工程技术丛书 实用机器学习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1章 机器学习简介1

1.1 机器学习1

1.1.1 定义2

1.1.2 核心概念与术语3

1.1.3 什么是学习3

1.1.4 机器学习中的数据不一致性7

1.1.5 机器学习实践范例8

1.1.6 机器学习问题类型9

1.2 性能度量14

1.3 机器学习的相关领域17

1.3.1 数据挖掘18

1.3.2 人工智能18

1.3.3 统计学习18

1.3.4 数据科学19

1.4 机器学习处理流程及解决方案架构19

1.5 机器学习算法20

1.5.1 基于决策树的算法20

1.5.2 基于贝叶斯的算法21

1.5.3 基于核方法的算法21

1.5.4 聚类算法21

1.5.5 人工神经网络21

1.5.6 降维方法22

1.5.7 集成方法22

1.5.8 基于实例的算法22

1.5.9 基于回归分析的算法23

1.5.10 基于关联规则的算法23

1.6 机器学习工具与框架23

1.7 小结24

第2章 机器学习和大规模数据集25

2.1 大数据和大规模机器学习25

2.1.1 功能与架构：方法论的失配26

2.1.2 机器学习的可扩展性和性能31

2.1.3 模型选择过程33

2.1.4 大规模机器学习的潜在问题33

2.2 算法和并发33

2.3 垂直扩展的机器学习技术方案35

2.3.1 MapReduce编程架构35

2.3.2 利用消息传递接口进行高性能计算36

2.3.3 LINQ框架36

2.3.4 使用LINQ操作数据集36

2.3.5 GPU37

2.3.6 FPGA37

2.3.7 多核或多处理器系统38

2.4 小结38

第3章 Hadoop架构和生态系统简介40

3.1 Apache Hadoop简介40

3.1.1 Hadoop的演化41

3.1.2 Hadoop及其核心要素41

3.2 基于Hadoop的大数据机器学习解决方案架构42

3.2.1 数据源层42

3.2.2 数据摄入层43

3.2.3 Hadoop数据存储层45

3.2.4 Hadoop基础设施层46

3.2.5 Hadoop平台/处理层47

3.2.6 分析层48

3.2.7 数据消费层48

3.2.8 MapReduce57

3.3 Hadoop 2.x62

3.3.1 Hadoop生态系统组件63

3.3.2 Hadoop安装和配置65

3.3.3 Hadoop发行版和供应商70

3.4 小结71

第4章 机器学习工具、库及框架73

4.1 机器学习工具概览74

4.2 Apache Mahout75

4.2.1 Mahout如何工作75

4.2.2 安装和设置Apache Mahout76

4.2.3 Mahout软件包详解80

4.2.4 Mahout中的vector实现80

4.3 R82

4.3.1 安装和设置R82

4.3.2 R与Apache Hadoop集成84

4.4 Julia91

4.4.1 安装和设置Julia91

4.4.2 在命令行中执行Julia程序93

4.4.3 例解Julia93

4.4.4 变量与赋值93

4.4.5 使用Julia的好处96

4.4.6 Julia与Hadoop集成97

4.5 Python98

4.5.1 Python中工具包的选择98

4.5.2 例解Python98

4.6 Apache Spark100

4.6.1 Scala101

4.6.2 RDD编程102

4.7 Spring XD103

4.8 小结104

第5章 基于决策树的学习105

5.1 决策树105

5.1.1 术语106

5.1.2 目标与用途107

5.1.3 构造决策树107

5.1.4 特殊的决策树117

5.2 实现决策树121

5.3 小结121

第6章 基于实例和核方法的学习122

6.1 基于实例的学习123

6.1.1 最近邻123

6.1.2 实现kNN129

6.2 基于核方法的学习129

6.2.1 核函数129

6.2.2 支持向量机130

6.2.3 实现SVM134

6.3 小结134

第7章 关联规则学习136

7.1 关联规则学习137

7.1.1 关联规则的定义137

7.1.2 Apriori算法140

7.1.3 FP- growth算法144

7.1.4 Apriori与FP- growth147

7.2 实现Apriori及FP- growth算法147

7.3 小结148

第8章 聚类学习149

8.1 聚类学习149

8.2 聚类的类型151

8.2.1 层次聚类151

8.2.2 划分式聚类152

8.3 k-means聚类算法153

8.3.1 k- means算法的收敛性153

8.3.2 k- means算法的优点155

8.3.3 k-means算法的缺点155

8.3.4 距离度量156

8.3.5 复杂度度量156

8.4 实现k-means聚类157

8.5 小结157

第9章 贝叶斯学习158

9.1 贝叶斯学习159

9.1.1 统计学家的视角159

9.1.2 贝叶斯定理169

9.1.3 朴素贝叶斯分类器170

9.2 实现朴素贝叶斯算法173

9.3 小结173

第10章 基于回归的学习174

10.1 回归分析175

10.1.1 重温统计学175

10.1.2 混杂185

10.1.3 效应修饰185

10.2 回归方法186

10.2.1 简单线性回归188

10.2.2 多元线性回归193

10.2.3 多项式回归194

10.2.4 广义线性模型195

10.2.5 逻辑回归（logit连接）196

10.2.6 泊松回归198

10.3 实现线性回归和逻辑回归198

10.4 小结198

第11章 深度学习199

11.1 背景知识200

11.1.1 人类大脑结构200

11.1.2 神经网络204

11.1.3 反向传播算法214

11.1.4 Softmax回归算法216

11.2 深度学习类型216

11.2.1 卷积神经网络217

11.2.2 循环神经网络218

11.2.3 受限玻尔兹曼机219

11.2.4 深度玻尔兹曼机220

11.2.5 自动编码器220

11.3 实现ANN和深度学习方法221

11.4 小结221

第12章 强化学习222

12.1 强化学习223

12.1.1 强化学习的背景知识224

12.1.2 强化学习的主要特点231

12.2 强化学习算法231

12.2.1 动态规划232

12.2.2 蒙特卡罗方法233

12.2.3 时序差分学习233

12.2.4 Q-learning（异策略TD）234

12.2.5 actor-critic方法（同策略）235

12.2.6 R-learning（异策略）235

12.3 实现强化学习方法235

12.4 小结236

第13章 集成学习237

13.1 集成学习方法238

13.1.1 群体智慧238

13.1.2 经典应用241

13.1.3 集成方法243

13.2 实现集成学习方法252

13.3 小结252

第14章 下一代机器学习数据架构253

14.1 数据架构的演进253

14.2 机器学习的现代数据架构259

14.2.1 语义数据架构259

14.2.2 多模型数据库架构/混合持久化263

14.2.3 Lambda架构266

14.3 小结267