机器学习项目开发实战 NET专家 F# 软件开发 智能机器人2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习项目开发实战 NET专家 F# 软件开发 智能机器人PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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 实现第一个标记化程序54

2.5.2 交互式验证设计54

2.5.3 用交叉验证确立基准55

2.6 改进分类器56

2.6.1 使用每个单词56

2.6.2 大小写是否重要？57

2.6.3 简单就是美58

2.6.4 仔细选择单词59

2.6.5 创建新特征61

2.6.6 处理数字值63

2.7 理解分类错误64

2.8 我们学到了什么？66

第3章 类型提供程序的快乐67

3.1 探索StackOverflow数据68

3.1.1 StackExchange API68

3.1.2 使用JSON类型提供程序70

3.1.3 构建查询问题的最小化DSL73

3.2 世界上的所有数据76

3.2.1 世界银行类型提供程序76

3.2.2 R类型提供程序77

3.2.3 分析数据与R数据框架81

3.2.4.NET数据框架Deedle83

3.2.5 全世界的数据统一起来！84

3.3 我们学到了什么？88

第4章 自行车与人91

4.1 了解数据92

4.1.1 数据集有哪些内容？92

4.1.2 用FSharp.Charting检查数据93

4.1.3 用移动平均数发现趋势94

4.2 为数据适配模型96

4.2.1 定义简单直线模型96

4.2.2 寻找最低代价模型97

4.2.3 用梯度下降找出函数的最小值98

4.2.4 使用梯度下降进行曲线拟合99

4.2.5 更通用的模型公式100

4.3 实施梯度下降的方法101

4.3.1 随机梯度下降101

4.3.2 分析模型改进103

4.3.3 批量梯度下降105

4.4 拯救者——线性代数107

4.4.1 宝贝，我缩短了公式！108

4.4.2 用Math.NET进行线性代数运算109

4.4.3 标准形式110

4.4.4 利用MKL开足马力111

4.5 快速演化和验证模型112

4.5.1 交叉验证和过度拟合112

4.5.2 简化模型的创建113

4.5.3 在模型中添加连续特征115

4.6 用更多特征改进预测117

4.6.1 处理分类特征117

4.6.2 非线性特征119

4.6.3 正规化122

4.7 我们学到了什么？123

4.7.1 用梯度下降最大限度地减小代价123

4.7.2 用回归方法预测数字124

第5章 你不是独一无二的雪花125

5.1 发现数据中的模式126

5.2 我们所面临的挑战：理解StackOverflow上的主题128

5.3 用K－均值聚类方法找出聚类132

5.3.1 改进聚类和质心133

5.3.2 实施K－均值聚类方法135

5.4 StackOverflow标签的归类138

5.4.1 运行聚类分析138

5.4.2 结果分析139

5.5 好的聚类和坏的聚类141

5.6 重新标度数据集以改进聚类144

5.7 确定需要搜索的聚类数量147

5.7.1 什么是“好”的聚类？147

5.7.2 确定StackOverflow数据集的k值148

5.7.3 最终的聚类150

5.8 发现特征的相关性151

5.8.1 协方差和相关系数151

5.8.2 StackOverflow标签之间的相关性153

5.9 用主成分分析确定更好的特征154

5.9.1 用代数方法重新组合特征155

5.9.2 PCA工作方式预览156

5.9.3 实现PCA158

5.9.4 对StackOverflow数据集应用PCA159

5.9.5 分析提取的特征160

5.10 提出建议165

5.10.1 简单标签推荐系统165

5.10.2 实现推荐系统166

5.10.3 验证做出的推荐168

5.11 我们学到了什么？170

第6章 树与森林171

6.1 我们所面临的挑战：“泰坦尼克”上的生死存亡171

6.1.1 了解数据集172

6.1.2 观察各个特征173

6.1.3 构造决策桩174

6.1.4 训练决策桩176

6.2 不适合的特征177

6.2.1 数值该如何处理？177

6.2.2 缺失数据怎么办？178

6.3 计量数据中的信息180

6.3.1 用熵计量不确定性180

6.3.2 信息增益182

6.3.3 实现最佳特征识别184

6.3.4 使用熵离散化数值型特征186

6.4 从数据中培育一棵决策树187

6.4.1 建立树的模型187

6.4.2 构建决策树189

6.4.3 更漂亮的树191

6.5 改进决策树192

6.5.1 为什么会过度拟合？193

6.5.2 用过滤器限制过度的自信194

6.6 从树到森林195

6.6.1 用k－折方法进行更深入的交叉验证196

6.6.2 将脆弱的树组合成健壮的森林198

6.6.3 实现缺失的部分199

6.6.4 发展一个森林200

6.6.5 尝试森林201

6.7 我们学到了什么？202

第7章 一个奇怪的游戏205

7.1 构建一个简单的游戏206

7.1.1 游戏元素建模206

7.1.2 游戏逻辑建模207

7.1.3 以控制台应用的形式运行游戏209

7.1.4 游戏显示211

7.2 构建一个粗糙的“大脑”213

7.2.1 决策过程建模214

7.2.2 从经验中学习制胜策略215

7.2.3 实现“大脑”216

7.2.4 测试“大脑”218

7.3 我们能更高效地学习吗？221

7.3.1 探索与利用的对比221

7.3.2 红色的门和蓝色的门是否不同？222

7.3.3 贪婪与规划的对比223

7.4 无限的瓷砖组成的世界224

7.5 实现“大脑”2.0227

7.5.1 简化游戏世界227

7.5.2 预先规划228

7.5.3 ε－学习229

7.6 我们学到了什么？231

7.6.1 符合直觉的简单模型231

7.6.2 自适应机制232

第8章 重回数字233

8.1 调整代码233

8.1.1 寻求的目标234

8.1.2 调整距离函数235

8.1.3 使用Array.Parallel239

8.2 使用Accord.NET实现不同的分类器240

8.2.1 逻辑回归241

8.2.2 用Accord实现简单逻辑回归242

8.2.3 一对一、一对多分类244

8.2.4 支持向量机246

8.2.5 神经网络248

8.2.6 用Accord创建和训练一个神经网络250

8.3 用m-brace.net实现伸缩性253

8.3.1 用Brisk启动Azure上的MBrace253

8.3.2 用MBrace处理大数据集256

8.4 我们学到了什么？259

第9章 结语261

9.1 描绘我们的旅程261

9.2 科学！262

9.3 F＃：函数式风格更有效率263

9.4 下一步是什么？264