Python機器學習實踐：測試驅動的開發(fā)方法

前言         1

第1章    5

可能近似正確的軟件     5

正確地編寫軟件     6

編寫正確的軟件     10

本書計劃         16

第2章 快速介紹機器學習   18

什么是機器學習     18

有監(jiān)督學習     18

無監(jiān)督學習     19

強化學習         20

機器學習能完成什么     20

本書中使用的數(shù)學符號         21

結論         22

第3章 K最近鄰算法    23

如何確定是否想購買一棟房子     23

房子的價格究竟幾何     24

愉悅回歸         24

什么是鄰域     25

K最近鄰算法簡介 26

K先生最近的鄰居 26

距離         27

維度災難         33

如何選擇K      34

給西雅圖的房子估價     37

結論         43

第4章 樸素貝葉斯分類       44

通過貝葉斯定理來發(fā)現(xiàn)欺詐訂單         44

條件概率         45

概率符號         45

反向條件概率（又名貝葉斯定理）     47

樸素貝葉斯分類器         47

貝葉斯推理之樸素         48

偽計數(shù)   49

垃圾郵件過濾器     50

標記化和上下文     55

結論         67

第5章 決策樹和隨機森林   68

蘑菇的細微差別     69

使用民間定理實現(xiàn)蘑菇分類         70

找到最佳切換點     71

修剪樹     74

結論         83

第6章 隱馬爾可夫模型       84

使用狀態(tài)機來跟蹤用戶行為         84

輸出/觀測隱含狀態(tài)        86

使用馬爾可夫假設化簡         87

隱馬爾可夫模型     88

評估: 前向-后向算法    89

通過維特比算法解碼     93

學習問題         94

詞性標注與布朗語庫     94

結論         105

第7章 支持向量機       106

客戶滿意度作為語言的函數(shù)         107

SVM背后的理論    108

情緒分析器     113

聚合情緒         124

將情緒映射到底線         126

結論         127

第8章 神經(jīng)網(wǎng)絡   128

什么是神經(jīng)網(wǎng)絡     129

神經(jīng)網(wǎng)絡史     129

布爾邏輯         129

感知器     130

如何構建前饋神經(jīng)網(wǎng)絡         130

構建神經(jīng)網(wǎng)絡         144

使用神經(jīng)網(wǎng)絡來對語言分類         145

結論         154

第9章 聚類   155

無任何偏差的研究數(shù)據(jù)         155

用戶群組        156

測試群集映射        157

K均值聚類      159

最大期望（EM）聚類   161

不可能性定理        163

案例：音樂歸類   164

結論        174

第10章 模型改進與數(shù)據(jù)提取     175

辯論俱樂部     175

選擇更好的數(shù)據(jù)     176

最小冗余最大相關性的特征選擇         181

特征變換與矩陣分解     183

結論         189

第11章 將這些方法融合在一起：結論     191

機器學習算法回顧         191

如何使用這些信息來解決問題     193

下一步做什么         193