機器學習實踐：基于Python進行數(shù)據(jù)分析

譯者序
前言
致謝
第1章　簡介 1
1.1　什么是機器學習 1
1.1.1　為什么需要使用機器學習 2
1.1.2　做出數(shù)據(jù)驅(qū)動決策 3
1.1.3　定義以及關(guān)鍵術(shù)語 4
1.1.4　機器學習的關(guān)鍵任務 6
1.1.5　機器學習技術(shù) 6
1.2　機器學習框架 6
1.2.1　數(shù)據(jù)收集 7
1.2.2　數(shù)據(jù)描述 7
1.2.3　探索性數(shù)據(jù)分析 7
1.2.4　數(shù)據(jù)質(zhì)量分析 8
1.2.5　數(shù)據(jù)準備 8
1.2.6　數(shù)據(jù)集成 8
1.2.7　數(shù)據(jù)整理 8
1.2.8　特征縮放和特征提取 9
1.2.9　特征選擇及降維 9
1.2.10　建模 9
1.2.11　選擇建模技術(shù) 9
1.2.12　構(gòu)建模型 10
1.2.13　模型評估及調(diào)優(yōu) 10
1.2.14　實現(xiàn)以及檢驗已經(jīng)創(chuàng)建的模型 10
1.2.15　監(jiān)督學習框架 11
1.2.16　無監(jiān)督學習框架 11
1.3　性能評估 12
1.3.1　混淆矩陣 13
1.3.2　F值分析 14
1.3.3　ROC分析 15
1.3.4　Kappa統(tǒng)計量 15
1.3.5　度量了什么 16
1.3.6　如何度量 17
1.3.7　如何解釋估計 17
1.3.8　scikit-learn中的k折交叉驗證 18
1.3.9　如何選擇正確的算法 18
1.4　Python機器學習環(huán)境 18
1.4.1　缺陷 20
1.4.2　缺點 20
1.4.3　NumPy庫 20
1.4.4　Pandas 20
1.5　本章小結(jié) 21
1.6　參考文獻 22
第2章　數(shù)據(jù)預處理 23
2.1　簡介 23
2.2　特征提取和轉(zhuǎn)換 24
2.2.1　特征類型 24
2.2.2　統(tǒng)計特征 25
2.2.3　結(jié)構(gòu)化特征 27
2.2.4　特征轉(zhuǎn)換 28
2.2.5　閾值化和離散化 28
2.2.6　數(shù)據(jù)操作 28
2.2.7　標準化 29
2.2.8　歸一化和校準 33
2.2.9　不完整的特征 34
2.2.10　特征提取的方法 36
2.2.11　使用小波變換進行特征提取 38
2.3　降維 45
2.3.1　特征構(gòu)造和選擇 47
2.3.2　單變量特征選擇 48
2.3.3　遞歸式特征消除 51
2.3.4　從模型選擇特征 52
2.3.5　主成分分析 53
2.3.6　增量PCA 57
2.3.7　核PCA 58
2.3.8　鄰近成分分析 59
2.3.9　獨立成分分析 61
2.3.10　線性判別分析 65
2.3.11　熵 67
2.4　基于聚類的特征提取和降維 68
2.5　參考文獻 75
第3章　機器學習技術(shù) 77
3.1　簡介 77
3.2　什么是機器學習 78
3.2.1　理解機器學習 78
3.2.2　如何讓機器學習 78
3.2.3　多學科領(lǐng)域 79
3.2.4　機器學習問題 80
3.2.5　機器學習的目標 80
3.2.6　機器學習的挑戰(zhàn) 81
3.3　Python庫 81
3.3.1　scikit-learn 81
3.3.2　TensorFlow 83
3.3.3　Keras 84
3.3.4　使用Keras構(gòu)建模型 84
3.3.5　自然語言工具包 85
3.4　學習場景 87
3.5　監(jiān)督學習算法 88
3.5.1　分類 89
3.5.2　預報、預測和回歸 90
3.5.3　線性模型 90
3.5.4　感知機 98
3.5.5　邏輯回歸 100
3.5.6　線性判別分析 102
3.5.7　人工神經(jīng)網(wǎng)絡 105
3.5.8　 k近鄰 109
3.5.9　支持向量機 113
3.5.10　決策樹分類器 118
3.5.11　樸素貝葉斯 123
3.5.12　集成學習 126
3.5.13　bagging算法 127
3.5.14　隨機森林 131
3.5.15　boosting算法 136
3.5.16　其他集成方法 146
3.5.17　深度學習 151
3.5.18　深度神經(jīng)網(wǎng)絡 152
3.5.19　循環(huán)神經(jīng)網(wǎng)絡 155
3.5.20　自編碼器 157
3.5.21　長短期記憶網(wǎng)絡 157
3.5.22　卷積神經(jīng)網(wǎng)絡 160
3.6　無監(jiān)督學習 162
3.6.1　k均值算法 163
3.6.2　輪廓系數(shù) 165
3.6.3　異常檢測 167
3.6.4　關(guān)聯(lián)規(guī)則挖掘 170
3.7　強化學習 170
3.8　基于實例的學習 171
3.9　本章小結(jié) 171
3.10　參考文獻 172
第4章　醫(yī)療保健分類示例 174
4.1　簡介 174
4.2　腦電圖信號分析 175
4.2.1　癲癇癥的預測和檢測 176
4.2.2　情緒識別 194
4.2.3　局灶性和非局灶性癲癇EEG信號的分類 201
4.2.4　偏頭痛檢測 212
4.3　EMG信號分析 217
4.3.1　神經(jīng)肌肉疾病的診斷 218
4.3.2　假體控制中的EMG信號 225
4.3.3　康復機器人中的EMG信號 232
4.4　心電圖信號分析 238
4.5　人類活動識別 247
4.5.1　基于傳感器的人類活動識別 248
4.5.2　基于智能手機的人類活動識別 250
4.6　用于癌癥檢測的微陣列基因表達數(shù)據(jù)分類 256
4.7　乳腺癌檢測 257
4.8　預測胎兒風險的心電圖數(shù)據(jù)分類 260
4.9　糖尿病檢測 263
4.10　心臟病檢測 267
4.11　慢性腎臟病的診斷 270
4.12　本章小結(jié) 273
4.13　參考文獻 273
第5章　其他分類示例 277
5.1　入侵檢測 277
5.2　釣魚網(wǎng)站檢測 280
5.3　垃圾郵件檢測 283
5.4　信用評分 287
5.5　信用卡欺詐檢測 290
5.6　使用CNN進行手寫數(shù)字識別 297
5.7　使用CNN進行Fashion-MNIST圖像分類 306
5.8　使用CNN進行CIFAR圖像分類 313
5.9　文本分類 321
5.10　本章小結(jié) 334
5.11　參考文獻 334
第6章　回歸示例 337
6.1　簡介 337
6.2　股票市場價格指數(shù)收益預測 338
6.3　通貨膨脹預測 356
6.4　電力負荷預測 358
6.5　風速預測 365
6.6　旅游需求預測 370
6.7　房價預測 380
6.8　單車使用情況預測 395
6.9　本章小結(jié) 399
6.10　參考文獻 400
第7章　聚類示例 402
7.1　簡介 402
7.2　聚類 403
7.2.1　評估聚類輸出 404
7.2.2　聚類分析的應用 404
7.2.3　可能的聚類數(shù) 405
7.2.4　聚類算法種類 405
7.3　k均值聚類算法 406
7.4　k中心點聚類算法 408
7.5　層次聚類 409
7.5.1　聚集聚類算法 409
7.5.2　分裂聚類算法 412
7.6　模糊c均值聚類算法 416
7.7　基于密度的聚類算法 418
7.7.1　DBSCAN算法 418
7.7.2　OPTICS聚類算法 420
7.8　基于期望最大化的混合高斯模型聚類算法 423
7.9　貝葉斯聚類 426
7.10　輪廓分析 428
7.11　基于聚類的圖像分割 430
7.12　基于聚類的特征提取 433
7.13　基于聚類的分類 439
7.14　本章小結(jié) 442
7.15　參考文獻 442