機(jī)器學(xué)習(xí)：Go語言實(shí)現(xiàn)

譯者序 

前言 

第1章　數(shù)據(jù)的收集和組織1 

1.1　數(shù)據(jù)處理-Gopher方式2 

1.2　Go語言收集和組織數(shù)據(jù)的最佳實(shí)踐4 

1.3　CSV文件5 

1.3.1　從文件中讀取CSV數(shù)據(jù)5 

1.3.2　處理非預(yù)期的域6 

1.3.3　處理非預(yù)期的類型7 

1.3.4　用數(shù)據(jù)幀操作CSV數(shù)據(jù)9 

1.4　JSON11 

1.4.1　JSON的解析11 

1.4.2　JSON的輸出14 

1.5　SQL-like數(shù)據(jù)庫14 

1.5.1　連接到一個(gè)SQL數(shù)據(jù)庫15 

1.5.2　查詢數(shù)據(jù)庫15 

1.5.3　修改數(shù)據(jù)庫17 

1.6　緩存17 

1.6.1　在內(nèi)存中緩存數(shù)據(jù)17 

1.6.2　在本地磁盤中緩存數(shù)據(jù)18 

1.7　數(shù)據(jù)版本控制19 

1.7.1　Pachyderm術(shù)語20 

1.7.2　部署/安裝Pachyderm20 

1.7.3　創(chuàng)建用于數(shù)據(jù)版本控制的數(shù)據(jù)倉庫21 

1.7.4　把數(shù)據(jù)存儲到數(shù)據(jù)倉庫中21 

1.7.5　從版本化的數(shù)據(jù)倉庫中獲取數(shù)據(jù)22 

1.8　參考書目22 

1.9　小結(jié)23 

第2章　矩陣、概率論和統(tǒng)計(jì)學(xué)24 

2.1　矩陣和向量24 

2.1.1　向量24 

2.1.2　向量操作25 

2.1.3　矩陣26 

2.1.4　矩陣操作27 

2.2　統(tǒng)計(jì)學(xué)29 

2.2.1　分布29 

2.2.2　統(tǒng)計(jì)方法30 

2.2.3　分布可視化34 

2.3　概率論39 

2.3.1　隨機(jī)變量40 

2.3.2　概率測量40 

2.3.3　獨(dú)立和條件概率40 

2.3.4　假設(shè)檢驗(yàn)41 

2.4　參考書目43 

2.5　小結(jié)44 

第3章　評估和驗(yàn)證45 

3.1　評估45 

3.1.1　連續(xù)指標(biāo)46 

3.1.2　分類指標(biāo)49 

3.2　驗(yàn)證55 

3.2.1　訓(xùn)練和測試集56 

3.2.2　保留集59 

3.2.3　交叉驗(yàn)證60 

3.3　參考書目61 

3.4　小結(jié)62 

第4章　回歸63 

4.1　理解回歸模型的術(shù)語63 

4.2　線性回歸64 

4.2.1　線性回歸概述64 

4.2.2　線性回歸假設(shè)和陷阱66 

4.2.3　線性回歸示例66 

4.3　多元線性回歸78 

4.4　非線性和其他類型的回歸81 

4.5　參考書目85 

4.6　小結(jié)86 

第5章　分類87 

5.1　理解分類模型的術(shù)語87 

5.2　邏輯回歸88 

5.2.1　邏輯回歸概述88 

5.2.2　邏輯回歸的假設(shè)和陷阱91 

5.2.3　邏輯回歸示例92 

5.3　k-最近鄰103 

5.3.1　kNN概述103 

5.3.2　kNN假設(shè)和陷阱104 

5.3.3　kNN示例105 

5.4　決策樹和隨機(jī)森林106 

5.4.1　決策樹和隨機(jī)森林概述107 

5.4.2　決策樹和隨機(jī)森林的假設(shè)及陷阱107 

5.4.3　決策樹示例108 

5.4.4　隨機(jī)森林的例子109 

5.5　樸素貝葉斯109 

5.5.1　樸素貝葉斯概念及其重要假設(shè)110 

5.5.2　樸素貝葉斯例子110 

5.6　參考書目111 

5.7　小結(jié)112 

第6章　集群113 

6.1　理解集群模型術(shù)語113 

6.2　距離或相似度的度量114 

6.3　集群技術(shù)的評估115 

6.3.1　內(nèi)部集群評估115 

6.3.2　外部集群評估120 

6.4　k-均值集群120 

6.4.1　k-均值集群綜述120 

6.4.2　k-均值的假設(shè)和陷阱122 

6.4.3　k-均值集群的例子123 

6.5　其他集群技術(shù)129 

6.6　參考書目130 

6.7　小結(jié)130 

第7章　時(shí)間序列和異常檢測131 

7.1　在Go中表示時(shí)序數(shù)據(jù)131 

7.2　理解時(shí)間序列的術(shù)語134 

7.3　與時(shí)間序列有關(guān)的統(tǒng)計(jì)135 

7.3.1　自相關(guān)135 

7.3.2　偏自相關(guān)139 

7.4　預(yù)測的自回歸模型141 

7.4.1　自回歸模型概述141 

7.4.2　自回歸模型假設(shè)和陷阱142 

7.4.3　自回歸模型示例142 

7.5　自回歸移動(dòng)平均和其他時(shí)間序列模型151 

7.6　異常檢測151 

7.7　參考書目153 

7.8　小結(jié)154 

第8章　神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)155 

8.1　理解神經(jīng)網(wǎng)絡(luò)術(shù)語155 

8.2　構(gòu)建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)157 

8.2.1　網(wǎng)絡(luò)中的節(jié)點(diǎn)157 

8.2.2　網(wǎng)絡(luò)架構(gòu)158 

8.2.3　為什么期望這種架構(gòu)有作用159 

8.2.4　訓(xùn)練神經(jīng)網(wǎng)絡(luò)160 

8.3　使用簡單的神經(jīng)網(wǎng)絡(luò)165 

8.3.1　在實(shí)際數(shù)據(jù)上訓(xùn)練神經(jīng)網(wǎng)絡(luò)166 

8.3.2　評估神經(jīng)網(wǎng)絡(luò)168 

8.4　引入深度學(xué)習(xí)169 

8.4.1　什么是深度學(xué)習(xí)模型170 

8.4.2　基于Go語言的深度學(xué)習(xí)171 

8.5　參考書目177 

8.6　小結(jié)178 

第9章　部署、分布分析和模型179 

9.1　在遠(yuǎn)程機(jī)器上可靠地運(yùn)行模型179 

9.1.1　Docker和Docker術(shù)語簡介180 

9.1.2　Docker化機(jī)器學(xué)習(xí)的應(yīng)用181 

9.2　構(gòu)建可拓展和可重現(xiàn)的機(jī)器學(xué)習(xí)流水線191 

9.2.1　搭建Pachyderm和Kubernetes集群192 

9.2.2　構(gòu)建一個(gè)Pachyderm機(jī)器學(xué)習(xí)流水線193 

9.2.3　更新流水線并檢查出處202 

9.2.4　縮放流水線階段204 

9.3　參考書目206 

9.4　小結(jié)206 

附錄　與機(jī)器學(xué)習(xí)相關(guān)的算法/技術(shù)207