Python机器学习算法
  • 推荐0
  • 收藏6
  • 浏览858

Python机器学习算法

赵志勇 (作者)  董雪 (责任编辑)

  • 书  号:978-7-121-31319-6
  • 出版日期:2017-06-30
  • 页  数:364
  • 开  本:16(170*240)
  • 出版状态:上市销售
  • 维护人:符隆美
纸质版 ¥69.00

相关图书

相关性搜索:利用Solr与Elasticsearch创建智能应用

Doug Turnbull John Berryman (作者) 莫映 蔡宇飞 殷志勇 (译者)

本书揭开了相关性搜索的神秘面纱,告诉大家如何将 Elasticsearch与 Solr这样的搜索引擎作为可编程的相关性框架,从而表达业务排名规则。从这本书中你可...

 

机器学习之路——Caffe、Keras、scikit-learn实战

阿布 胥嘉幸 (作者)

机器学习需要一条脱离过高理论门槛的入门之路。<br>本书《机器学习篇》从小红帽采蘑菇的故事开篇,介绍了基础的机器学习分类模型的训练(第1章)。如何评估、调试模型...

¥79.00

深度学习算法实践

吴岸城 (作者)

本书以一位软件工程师的转型故事为线索,讲述算法思维的建立及实践。第1章主要讲解如何从传统的工程思维转入算法思维,第2-5章分别阐述文本处理、视觉识别、Bot机器...

¥79.00

零起点Python足彩大数据与机器学习实盘分析

何海群 (作者)

本书采用Python编程语言、Pandas数据分析模块、机器学习和人工智能算法,对足彩大数据进行实盘分析。设计并发布了开源大数据项目zc-dat足彩数据包,汇总...

¥69.00

零起点Python机器学习快速入门

何海群 (作者)

本书采用独创的黑箱模式,MBA案例教学机制,结合一线实战案例,介绍Sklearn人工智能模块库和常用的机器学习算法。书中配备大量图表说明,没有枯燥的数学公式,普...

¥39.00

大数据时代的算法:机器学习、人工智能及其典型实例

刘凡平 张启玉 (作者)

本书介绍在互联网行业中经常涉及的算法,包括排序算法、查找算法、资源分配算法、路径分析算法、相似度分析算法,以及与机器学习相关的算法,包括数据分类算法、聚类算法、...

¥49.00
本书是一本机器学习入门读物,注重理论与实践的结合。全书主要包括6个部分,每个部分均以典型的机器学习算法为例,从算法原理出发,由浅入深,详细分析算法的理论,并配合目前流行的Python语言,从零开始,实现每一个算法,以加强对机器学习算法理论的理解、增强实际的算法实践能力,最终达到熟练掌握每一个算法的目的。与其他机器学习类书相比,本书同时包含算法理论的介绍和算法的实践,以理论支撑实践,同时,又将复杂、枯燥的理论用简单易懂的形式表达出来,促进对理论的理解。
深入分析机器学习中的常用算法,兼顾算法、理论与实践,帮助读者快速掌握算法精髓!
赵志勇,毕业于武汉大学计算机学院,CSDN博主,博客地址http://blog.csdn.net/google19890102,现就职于新浪微博,从事计算广告的算法工作。对机器学习,优化算法具有浓厚的兴趣。
起源
在读研究生期间,我就对机器学习算法萌生了很浓的兴趣,并对机器学习中的常用算法进行了学习,利用MATLAB对每一个算法进行了实践。在此过程中,每当遇到不懂的概念或者算法时,就会在网上查找相关的资料。也看到很多人在博客中分享算法的学习心得及算法的具体过程,其中有不少内容让我受益匪浅,但是有的内容仅仅是算法的描述,缺少实践的具体过程。
注意到这一点之后,我决定开始在博客中分享自己学习每一个机器学习算法的点点滴滴,为了让更多的初学者能够理解算法的具体过程并从中受益,我计划从三个方面出发,第一是算法过程的简单描述,第二是算法理论的详细推导,第三是算法的具体实践。2014年1月10日,我在CSDN上写下了第一篇博客。当时涉及的方向主要是优化算法和简单易学的机器学习算法。
随着学习的深入,博客的内容越来越多,同时,在写作过程中,博客的质量也在慢慢提高,这期间也是机器学习快速发展的阶段,在行业内出现了很多优秀的算法库,如Java版本的weka、Python版本的sklearn,以及其他的一些开源程序,通过对这些算法库的学习,我丰富了很多算法的知识,同时,我将学习到的心得记录在简单易学的机器学习算法中。工作之后,越发觉得这些基础知识对于算法的理解很有帮助,积累的这些算法学习材料成了我宝贵的财富。
2016年,电子工业出版社博文视点的符隆美编辑联系到我,询问我是否有意向将这些博文汇总写一本书。能够写一本书是很多人的梦想,我也不例外。于是在2016年9月,我开始了对本书的构思,从选择算法开始,选择出使用较多的一些机器学习算法。在选择好算法后,从算法原理和算法实现两个方面对算法进行描述,希望本书能够在内容上既能照顾到初学者,又能使具有一定机器学习基础的读者从中受益。
在写作的过程中,我重新查阅了资料,力求保证知识的准确性,同时,在实践的环节中,我使用了目前比较流行的Python语言实现每一个算法,使得读者能够更容易理解算法的过程,在介绍深度学习的部分时,使用到了目前最热门的TensorFlow框架。为了帮助读者理解机器学习算法在实际工作中的具体应用,本书专门有一章介绍项目实践的部分,综合前面各种机器学习算法,介绍每一类算法在实际工作中的具体应用。
内容组织
本书开篇介绍机器学习的基本概念,包括监督学习、无监督学习和深度学习的基本概念。
第一部分介绍分类算法。分类算法是机器学习中最常用的算法。在分类算法中着重介绍Logistic回归、Softmax Regression、Factorization Machine、支持向量机、随机森林和BP神经网络等算法。
第二部分介绍回归算法。与分类算法不同的是,在回归算法中其目标值是连续的值,而在分类算法中,其目标值是离散的值。在回归算法中着重介绍线性回归、岭回归和CART树回归。
第三部分介绍聚类算法。聚类是将具有某种相同属性的数据聚成一个类别。在聚类算法中着重介绍K-Means算法、Mean Shift算法、DBSCAN算法和Label Propagation算法。
第四部分介绍推荐算法。推荐算法是一类基于具体应用场景的算法的总称。在推荐算法中着重介绍基于协同过滤的推荐、基于矩阵分解的推荐和基于图的推荐。
第五部分介绍深度学习。深度学习是近年来研究最为火热的方向。深度学习的网络模型和算法有很多种,在本书中,主要介绍最基本的两种算法:AutoEncoder和卷积神经网络。
第六部分介绍以上这些算法在具体项目中的实践。通过具体的例子,可以清晰地看到每一类算法的应用场景。
附录介绍在实践中使用到的Python语言、numpy库及TensorFlow框架的具体使用方法。
小结
本书试图从算法原理和实践两个方面来介绍机器学习中的常用算法,对每一类机器学习算法,精心挑选了具有代表性的算法,从理论出发,并配以详细的代码,本书的所有示例代码使用Python语言作为开发语言,读者可以从https://github.com/ zhaozhiyong19890102/Python-Machine-Learning-Algorithm中下载本书的全部示例代码。
由于时间仓促,书中难免存在错误,欢迎广大读者和专家批评、指正,同时,欢迎大家提供意见和反馈。本书作者的电子邮箱:zhaozhiyong1989@126.com。
致谢
首先,我要感谢陶辉和孙永生这两位良师益友,在本书的写作过程中,为我提供了很多意见和建议,包括全书的组织架构。感谢陶辉抽出宝贵的时间帮我写序,感谢孙永生帮我检查程序。
其次,我要感谢符隆美编辑和董雪编辑在写作和审稿的过程中对我的鼓励和悉心指导。
再次,我要感谢姜贵彬、易慧民、潘文彬,感谢他们能够抽出宝贵的时间帮本书写推荐语,感谢他们在读完本书后给出的宝贵意见和建议。
然后,我要感谢July在本书的写作过程中对本书提出的宝贵意见,感谢张俊林、王斌在读完本书初稿后对本书的指点。
最后,感谢我的亲人和朋友,是你们的鼓励才使得本书能够顺利完成。

赵志勇
2017年6月6日于北京

目录

0 绪论 1
0.1 机器学习基础 1
0.1.1 机器学习的概念 1
0.1.2 机器学习算法的分类 2
0.2 监督学习 3
0.2.1 监督学习 3
0.2.2 监督学习的流程 3
0.2.3 监督学习算法 4
0.3 无监督学习 4
0.3.1 无监督学习 4
0.3.2 无监督学习的流程 4
0.3.3 无监督学习算法 5
0.4 推荐系统和深度学习 6
0.4.1 推荐系统 6
0.4.2 深度学习 6
0.5 Python和机器学习算法实践 6
参考文献 7
第一部分 分类算法
1 Logistic Regression 10
1.1 Logistic Regression模型 10
1.1.1 线性可分VS线性不可分 10
1.1.2 Logistic Regression模型 11
1.1.3 损失函数 13
1.2 梯度下降法 14
1.2.1 梯度下降法的流程 14
1.2.2 凸优化与非凸优化 15
1.2.3 利用梯度下降法训练Logistic Regression模型 17
1.3 梯度下降法的若干问题 18
1.3.1 选择下降的方向 18
1.3.2 步长的选择 19
1.4 Logistic Regression算法实践 20
1.4.1 利用训练样本训练Logistic Regression模型 20
1.4.2 最终的训练效果 22
1.4.3 对新数据进行预测 23
参考文献 26
2 Softmax Regression 27
2.1 多分类问题 27
2.2 Softmax Regression算法模型 28
2.2.1 Softmax Regression模型 28
2.2.2 Softmax Regression算法的代价函数 28
2.3 Softmax Regression算法的求解 29
2.4 Softmax Regression与Logistic Regression的关系 31
2.4.1 Softmax Regression中的参数特点 31
2.4.2 由Softmax Regression到Logistic Regression 31
2.5 Softmax Regression算法实践 32
2.5.1 对Softmax Regression算法的模型进行训练 33
2.5.2 最终的模型 34
2.5.3 对新的数据的预测 35
参考文献 39
3 Factorization Machine 40
3.1 Logistic Regression算法的不足 40
3.2 因子分解机FM的模型 42
3.2.1 因子分解机FM模型 42
3.2.2 因子分解机FM可以处理的问题 43
3.2.3 二分类因子分解机FM算法的损失函数 43
3.3 FM算法中交叉项的处理 43
3.3.1 交叉项系数 43
3.3.2 模型的求解 44
3.4 FM算法的求解 45
3.4.1 随机梯度下降(Stochastic Gradient Descent) 45
3.4.2 基于随机梯度的方式求解 45
3.4.3 FM算法流程 46
3.5 因子分解机FM算法实践 49
3.5.1 训练FM模型 50
3.5.2 最终的训练效果 53
3.5.3 对新的数据进行预测 55
参考文献 57
4 支持向量机 58
4.1 二分类问题 58
4.1.1 二分类的分隔超平面 58
4.1.2 感知机算法 59
4.1.3 感知机算法存在的问题 61
4.2 函数间隔和几何间隔 61
4.2.1 函数间隔 62
4.2.2 几何间隔 62
4.3 支持向量机 63
4.3.1 间隔最大化 63
4.3.2 支持向量和间隔边界 64
4.3.3 线性支持向量机 65
4.4 支持向量机的训练 66
4.4.1 学习的对偶算法 66
4.4.2 由线性支持向量机到非线性支持向量机 68
4.4.3 序列最小最优化算法SMO 69
4.5 支持向量机SVM算法实践 74
4.5.1 训练SVM模型 74
4.5.2 利用训练样本训练SVM模型 81
4.5.3 利用训练好的SVM模型对新数据进行预测 85
参考文献 88
5 随机森林 89
5.1 决策树分类器 89
5.1.1 决策树的基本概念 89
5.1.2 选择最佳划分的标准 91
5.1.3 停止划分的标准 94
5.2 CART分类树算法 95
5.2.1 CART分类树算法的基本原理 95
5.2.2 CART分类树的构建 95
5.2.3 利用构建好的分类树进行预测 98
5.3 集成学习(Ensemble Learning) 99
5.3.1 集成学习的思想 99
5.3.2 集成学习中的典型方法 99
5.4 随机森林(Random Forests) 101
5.4.1 随机森林算法模型 101
5.4.2 随机森林算法流程 102
5.5 随机森林RF算法实践 104
5.5.1 训练随机森林模型 105
5.5.2 最终的训练结果 109
5.5.3 对新数据的预测 110
参考文献 113
6 BP神经网络 114
6.1 神经元概述 114
6.1.1 神经元的基本结构 114
6.1.2 激活函数 115
6.2 神经网络模型 116
6.2.1 神经网络的结构 116
6.2.2 神经网络中的参数说明 117
6.2.3 神经网络的计算 117
6.3 神经网络中参数的求解 118
6.3.1 神经网络损失函数 118
6.3.2 损失函数的求解 119
6.3.3 BP神经网络的学习过程 120
6.4 BP神经网络中参数的设置 126
6.4.1 非线性变换 126
6.4.2 权重向量的初始化 126
6.4.3 学习率 127
6.4.4 隐含层节点的个数 127
6.5 BP神经网络算法实践 127
6.5.1 训练BP神经网络模型 128
6.5.2 最终的训练效果 132
6.5.3 对新数据的预测 133
参考文献 136
第二部分 回归算法
7 线性回归 138
7.1 基本线性回归 138
7.1.1 线性回归的模型 138
7.1.2 线性回归模型的损失函数 139
7.2 线性回归的最小二乘解法 140
7.2.1 线性回归的最小二乘解法 140
7.2.2 广义逆的概念 141
7.3 牛顿法 141
7.3.1 基本牛顿法的原理 141
7.3.2 基本牛顿法的流程 142
7.3.3 全局牛顿法 142
7.3.4 Armijo搜索 144
7.3.5 利用全局牛顿法求解线性回归模型 145
7.4 利用线性回归进行预测 146
7.4.1 训练线性回归模型 147
7.4.2 最终的训练结果 149
7.4.3 对新数据的预测 150
7.5 局部加权线性回归 152
7.5.1 局部加权线性回归模型 152
7.5.2 局部加权线性回归的最终结果 153
参考文献 154
8 岭回归和Lasso回归 155
8.1 线性回归存在的问题 155
8.2 岭回归模型 156
8.2.1 岭回归模型 156
8.2.2 岭回归模型的求解 156
8.3 Lasso回归模型 157
8.4 拟牛顿法 158
8.4.1 拟牛顿法 158
8.4.2 BFGS校正公式的推导 158
8.4.3 BFGS校正的算法流程 159
8.5 L-BFGS求解岭回归模型 162
8.5.1 BGFS算法存在的问题 162
8.5.2 L-BFGS算法思路 162
8.6 岭回归对数据的预测 165
8.6.1 训练岭回归模型 166
8.6.2 最终的训练结果 168
8.6.3 利用岭回归模型预测新的数据 168
参考文献 171
9 CART树回归 172
9.1 复杂的回归问题 172
9.1.1 线性回归模型 172
9.1.2 局部加权线性回归 173
9.1.3 CART算法 174
9.2 CART回归树生成 175
9.2.1 CART回归树的划分 175
9.2.2 CART回归树的构建 177
9.3 CART回归树剪枝 179
9.3.1 前剪枝 179
9.3.2 后剪枝 180
9.4 CART回归树对数据预测 180
9.4.1 利用训练数据训练CART回归树模型 180
9.4.2 最终的训练结果 182
9.4.3 利用训练好的CART回归树模型对新的数据预测 185
参考文献 187
第三部分 聚类算法
10 K-Means 190
10.1 相似性的度量 190
10.1.1 闵可夫斯基距离 191
10.1.2 曼哈顿距离 191
10.1.3 欧氏距离 191
10.2 K-Means算法原理 192
10.2.1 K-Means算法的基本原理 192
10.2.2 K-Means算法步骤 193
10.2.3 K-Means算法与矩阵分解 193
10.3 K-Means算法实践 195
10.3.1 导入数据 196
10.3.2 初始化聚类中心 197
10.3.3 聚类过程 198
10.3.4 最终的聚类结果 199
10.4 K-Means++算法 200
10.4.1 K-Means算法存在的问题 200
10.4.2 K-Means++算法的基本思路 202
10.4.3 K-Means++算法的过程和最终效果 204
参考文献 205
11 Mean Shift 206
11.1 Mean Shift向量 206
11.2 核函数 207
11.3 Mean Shift算法原理 209
11.3.1 引入核函数的Mean Shift向量 209
11.3.2 Mean Shift算法的基本原理 210
11.4 Mean Shift算法的解释 212
11.4.1 概率密度梯度 212
11.4.2 Mean Shift向量的修正 213
11.4.3 Mean Shift算法流程 213
11.5 Mean Shift算法实践 217
11.5.1 Mean Shift的主过程 218
11.5.2 Mean Shift的最终聚类结果 219
参考文献 221
12 DBSCAN 222
12.1 基于密度的聚类 222
12.1.1 基于距离的聚类算法存在的问题 222
12.1.2 基于密度的聚类算法 225
12.2 DBSCAN算法原理 225
12.2.1 DBSCAN算法的基本概念 225
12.2.2 DBSCAN算法原理 227
12.2.3 DBSCAN算法流程 228
12.3 DBSCAN算法实践 231
12.3.1 DBSCAN算法的主要过程 232
12.3.2 Mean Shift的最终聚类结果 234
参考文献 236
13 Label Propagation 237
13.1 社区划分 237
13.1.1 社区以及社区划分 237
13.1.2 社区划分的算法 238
13.1.3 社区划分的评价标准 239
13.2 Label Propagation算法原理 239
13.2.1 Label Propagation算法的基本原理 239
13.2.2 标签传播 240
13.2.3 迭代的终止条件 242
13.3 Label Propagation算法过程 244
13.4 Label Propagation算法实践 244
13.4.1 导入数据 245
13.4.2 社区的划分 246
13.4.3 最终的结果 247
参考文献 248
第四部分 推荐算法
14 协同过滤算法 250
14.1 推荐系统的概述 250
14.1.1 推荐系统 250
14.1.2 推荐问题的描述 251
14.1.3 推荐的常用方法 251
14.2 基于协同过滤的推荐 252
14.2.1 协同过滤算法概述 252
14.2.2 协同过滤算法的分类 252
14.3 相似度的度量方法 253
14.3.1 欧氏距离 254
14.3.2 皮尔逊相关系数(Pearson Correlation) 254
14.3.3 余弦相似度 254
14.4 基于协同过滤的推荐算法 256
14.4.1 基于用户的协同过滤算法 256
14.4.2 基于项的协同过滤算法 258
14.5 利用协同过滤算法进行推荐 260
14.5.1 导入用户-商品数据 260
14.5.2 利用基于用户的协同过滤算法进行推荐 261
14.5.3 利用基于项的协同过滤算法进行推荐 262
参考文献 264
15 基于矩阵分解的推荐算法 265
15.1 矩阵分解 265
15.2 基于矩阵分解的推荐算法 266
15.2.1 损失函数 266
15.2.2 损失函数的求解 266
15.2.3 加入正则项的损失函数即求解方法 267
15.2.4 预测 269
15.3 利用矩阵分解进行推荐 270
15.3.1 利用梯度下降对用户商品矩阵分解和预测 270
15.3.2 最终的结果 272
15.4 非负矩阵分解 273
15.4.1 非负矩阵分解的形式化定义 274
15.4.2 损失函数 274
15.4.3 优化问题的求解 274
15.5 利用非负矩阵分解进行推荐 277
15.5.1 利用乘法规则进行分解和预测 277
15.5.2 最终的结果 278
参考文献 279
16 基于图的推荐算法 280
16.1 二部图与推荐算法 280
16.1.1 二部图 280
16.1.2 由用户商品矩阵到二部图 281
16.2 PageRank算法 282
16.2.1 PageRank算法的概念 282
16.2.2 PageRank的两个假设 283
16.2.3 PageRank的计算方法 283
16.3 PersonalRank算法 285
16.3.1 PersonalRank算法原理 285
16.3.2 PersonalRank算法的流程 286
16.4 利用PersonalRank算法进行推荐 288
16.4.1 利用PersonalRank算法进行推荐 288
16.4.2 最终的结果 291
参考文献 291
第五部分 深度学习
17 AutoEncoder 294
17.1 多层神经网络 294
17.1.1 三层神经网络模型 294
17.1.2 由三层神经网络到多层神经网络 295
17.2 AutoEncoder模型 296
17.2.1 AutoEncoder模型结构 296
17.2.2 AutoEncoder的损失函数 297
17.3 降噪自编码器Denoising AutoEncoder 298
17.3.1 Denoising AutoEncoder原理 298
17.3.2 Denoising AutoEncoder实现 299
17.4 利用Denoising AutoEncoders构建深度网络 302
17.4.1 无监督的逐层训练 302
17.4.2 有监督的微调 303
17.5 利用TensorFlow实现Stacked Denoising AutoEncoders 306
17.5.1 训练Stacked Denoising AutoEncoders模型 306
17.5.2 训练的过程 307
参考文献 308
18 卷积神经网络 309
18.1 传统神经网络模型存在的问题 309
18.2 卷积神经网络 311
18.2.1 卷积神经网络中的核心概念 311
18.2.2 卷积神经网络模型 312
18.3 卷积神经网络的求解 313
18.3.1 卷积层(Convolution Layer) 313
18.3.2 下采样层(Sub-Sampling Layer) 316
18.3.3 全连接层(Fully-Connected Layer) 316
18.4 利用TensorFlow实现CNN 316
18.4.1 CNN的实现 316
18.4.2 训练CNN模型 320
18.4.3 训练的过程 321
参考文献 321
第六部分 项目实践
19 微博精准推荐 324
19.1 精准推荐 324
19.1.1 精准推荐的项目背景 324
19.1.2 精准推荐的技术架构 325
19.1.3 离线数据挖掘 326
19.2 基于用户行为的挖掘 327
19.2.1 基于互动内容的兴趣挖掘 327
19.2.2 基于与博主互动的兴趣挖掘 328
19.3 基于相似用户的挖掘 329
19.3.1 基于“@”人的相似用户挖掘 329
19.3.2 基于社区的相似用户挖掘 329
19.3.3 基于协同过滤的相似用户挖掘 331
19.4 点击率预估 332
19.4.1 点击率预估的概念 332
19.4.2 点击率预估的方法 332
19.5 各种数据技术的效果 334
参考文献 335
附录A 336
附录B 341

读者评论

  • 最大的缺点是没有数据,很多书都会给下载数据的链接地址

    huang22发表于 2017/10/7 22:50:38

相关博文

  • 浅谈微博精准推荐——用户行为挖掘与相似用户挖掘

    浅谈微博精准推荐——用户行为挖掘与相似用户挖掘

    管理员账号 2017-07-28

    小编说:在推荐系统中,通过对用户数据的挖掘,抽象出用户感兴趣的“商品”,以微博的博文推荐为例,“商品”表现为用户的博文,在博文精准推荐中,其核心问题是在给定的环境下,为用户推荐高质量且符合用户兴趣的博文。本文选自《Python机器学习...

    管理员账号 2017-07-28
    151 0 0 0