机器学习项目开发实战pdf/txt下载_在线阅读全文

编辑推荐

　本书向读者展示了，如何利用简单的算法和技术，从数据中学习，构建更聪明的.NET应用，以解决现实世界中更广泛的问题。读者将在熟悉的Visual Studio环境中编码各个项目，使用.NET环境中适合于机器学习的F#语言开发机器学习项目。如果你对F#还很陌生，本书将教会你入门所需的知识。如果你已经熟悉了F#，本书将是你在机器学习领域实践该语言的新的机会。

　　在一系列令人着迷的项目中，读者将学到：

* 从头开始构建一个光学字符识别（OCR）系统

* 编写一个通过例子学习的垃圾邮件过滤器

* 使用F#强大的类型提供程序与外部资源接口（在本书中是来自R语言的数据分析工具）

* 将数据转换为信息量更大的特征，并用它们作出精准的预测

* 在不知道目标的情况下找出数据中的模式

* 用回归模型预测数值

显示全部信息

内容简介

本书通过一系列有趣的实例，由浅入深地介绍了机器学习这一炙手可热的新领域，并且详细介绍了适合机器学习开发的Microsoft F#语言和函数式编程，引领读者深入了解机器学习的基本概念、核心思想和常用算法。书中的例子既通俗易懂，同时又十分实用，可以作为许多开发问题的起点。通过对本书的阅读，读者无须接触枯燥的数学知识，便可快速上手，为日后的开发工作打下坚实的基础。本书适合对机器学习感兴趣的.NET开发人员阅读，也适合其他读者作为机器学习的入门参考书。

作者简介

Mathias Brandewinder是Microsoft F# 有价值专家（MVP），住在加州旧金山，在那里他为Clear Lines Consulting工作。作为一名当之无愧的数学极客，他很早就对构建模型帮助其他人利用数据做出更好的决策感兴趣。他拥有商业、经济和运营研究等多个硕士学位，在到达硅谷之后不久便爱上了编程。从.NET刚出现时开始，他就专业开发软件，为各行各业开发业务应用程序，重点是预测模型和风险分析程序。

目　　录

目录

　

第1章　256级灰度　1

　1.1 什么是机器学习　2

　1.2 经典的机器学习问题：图像分类　3

　1.2.1 挑战：构建一个数字识别程序　3

　1.2.2 机器学习中的距离函数　5

目录 
　 
第1章　256级灰度　1 
　1.1 什么是机器学习　2 
　1.2 经典的机器学习问题：图像分类　3 
　1.2.1 挑战：构建一个数字识别程序　3 
　1.2.2 机器学习中的距离函数　5 
　1.2.3 从简单的方法入手　5 
　1.3 我们的第一个模型（C#版本）　6 
　1.3.1 数据集组织　6 
　1.3.2 读取数据　7 
　1.3.3 计算图像之间的距离　9 
　1.3.4 编写分类器　11 
　1.4 那么，如何知道程序有效？　12 
　1.4.1 交叉验证　12 
　1.4.2 评估模型质量　13 
　1.4.3 改进模型　14 
　1.5 介绍用于机器学习的F#　15 
　1.5.1 使用F#交互执行进行实时脚本编写和数据研究　15 
　1.5.2 创建第一个F#脚本　18 
　1.5.3 剖析第一个F#脚本　19 
　1.5.4 创建函数管道　22 
　1.5.5 用元组和模式匹配操纵数据　23 
　1.5.6 训练和评估分类器函数　24 
　1.6 改进我们的模型　26 
　1.6.1 试验距离的另一种定义　26 
　1.6.2 重构距离函数　27 
　1.7 我们学到了什么　30 
　1.7.1 在好的距离函数中能找到什么　30 
　1.7.2 模型不一定要很复杂　31 
　1.7.3 为什么使用F#?　31 
　1.8 更进一步　32 
第2章　垃圾邮件还是非垃圾邮件？　33 
　2.1 挑战：构建一个垃圾邮件检测引擎　34 
　2.1.1 了解我们的数据集　34 
　2.1.2 使用可区分联合建立标签模型　35 
　2.1.3 读取数据集　36 
　2.2 根据一个单词决定　38 
　2.2.1 以单词作为线索　38 
　2.2.2 用一个数字表示我们的确定程度　39 
　2.2.3 贝叶斯定理　40 
　2.2.4 处理罕见的单词　42 
　2.3 组合多个单词　42 
　2.3.1 将文本分解为标记　42 
　2.3.2 简单组合得分　43 
　2.3.3 简化的文档得分　44 
　2.4 实现分类器　45 
　2.4.1 将代码提取到模块中　46 
　2.4.2 文档评分与分类　47 
　2.4.3 集合和序列简介　49 
　2.4.4 从文档语料库中学习　51 
　2.5 训练第一个分类器　53 
　2.5.1

显示全部信息

机器学习项目开发实战

发布书评

相关图书推荐