首页 > 科技 > 计算机 > 计算机科学

Python机器学习算法

作译者：赵志勇

出版时间：2017-06 千字数：426 版次：01-01 页数：364

开本：16开装帧： I S B N ：9787121313196

换版：

纸质书定价：￥69.0

库存:有

分享到：

共有图书评论0条【查看评论摘要】

看了又看

{{data.bookName}}

￥{{data.price}}

内容简介

前言

上架建议

作者简介

编辑推荐

音视频专区

0  绪论	1
0.1  机器学习基础	1
0.1.1  机器学习的概念	1
0.1.2  机器学习算法的分类	2
0.2  监督学习	3
0.2.1  监督学习	3
0.2.2  监督学习的流程	3
0.2.3  监督学习算法	4
0.3  无监督学习	4
0.3.1  无监督学习	4
0.3.2  无监督学习的流程	4
0.3.3  无监督学习算法	5
0.4  推荐系统和深度学习	6
0.4.1  推荐系统	6
0.4.2  深度学习	6
0.5  Python和机器学习算法实践	6
参考文献	7
第一部分  分类算法
1  Logistic Regression	10
1.1  Logistic Regression模型	10
1.1.1  线性可分VS线性不可分	10
1.1.2  Logistic Regression模型	11
1.1.3  损失函数	13
1.2  梯度下降法	14
1.2.1  梯度下降法的流程	14
1.2.2  凸优化与非凸优化	15
1.2.3  利用梯度下降法训练Logistic Regression模型	17
1.3  梯度下降法的若干问题	18
1.3.1  选择下降的方向	18
1.3.2  步长的选择	19
1.4  Logistic Regression算法实践	20
1.4.1  利用训练样本训练Logistic Regression模型	20
1.4.2  最终的训练效果	22
1.4.3  对新数据进行预测	23
参考文献	26
2  Softmax Regression	27
2.1  多分类问题	27
2.2  Softmax Regression算法模型	28
2.2.1  Softmax Regression模型	28
2.2.2  Softmax Regression算法的代价函数	28
2.3  Softmax Regression算法的求解	29
2.4  Softmax Regression与Logistic Regression的关系	31
2.4.1  Softmax Regression中的参数特点	31
2.4.2  由Softmax Regression到Logistic Regression	31
2.5  Softmax Regression算法实践	32
2.5.1  对Softmax Regression算法的模型进行训练	33
2.5.2  最终的模型	34
2.5.3  对新的数据的预测	35
参考文献	39
3  Factorization Machine	40
3.1  Logistic Regression算法的不足	40
3.2  因子分解机FM的模型	42
3.2.1  因子分解机FM模型	42
3.2.2  因子分解机FM可以处理的问题	43
3.2.3  二分类因子分解机FM算法的损失函数	43
3.3  FM算法中交叉项的处理	43
3.3.1  交叉项系数	43
3.3.2  模型的求解	44
3.4  FM算法的求解	45
3.4.1  随机梯度下降（Stochastic Gradient Descent）	45
3.4.2  基于随机梯度的方式求解	45
3.4.3  FM算法流程	46
3.5  因子分解机FM算法实践	49
3.5.1  训练FM模型	50
3.5.2  最终的训练效果	53
3.5.3  对新的数据进行预测	55
参考文献	57
4  支持向量机	58
4.1  二分类问题	58
4.1.1  二分类的分隔超平面	58
4.1.2  感知机算法	59
4.1.3  感知机算法存在的问题	61
4.2  函数间隔和几何间隔	61
4.2.1  函数间隔	62
4.2.2  几何间隔	62
4.3  支持向量机	63
4.3.1  间隔最大化	63
4.3.2  支持向量和间隔边界	64
4.3.3  线性支持向量机	65
4.4  支持向量机的训练	66
4.4.1  学习的对偶算法	66
4.4.2  由线性支持向量机到非线性支持向量机	68
4.4.3  序列最小最优化算法SMO	69
4.5  支持向量机SVM算法实践	74
4.5.1  训练SVM模型	74
4.5.2  利用训练样本训练SVM模型	81
4.5.3  利用训练好的SVM模型对新数据进行预测	85
参考文献	88
5  随机森林	89
5.1  决策树分类器	89
5.1.1  决策树的基本概念	89
5.1.2  选择最佳划分的标准	91
5.1.3  停止划分的标准	94
5.2  CART分类树算法	95
5.2.1  CART分类树算法的基本原理	95
5.2.2  CART分类树的构建	95
5.2.3  利用构建好的分类树进行预测	98
5.3  集成学习（Ensemble Learning）	99
5.3.1  集成学习的思想	99
5.3.2  集成学习中的典型方法	99
5.4  随机森林（Random Forests）	101
5.4.1  随机森林算法模型	101
5.4.2  随机森林算法流程	102
5.5  随机森林RF算法实践	104
5.5.1  训练随机森林模型	105
5.5.2  最终的训练结果	109
5.5.3  对新数据的预测	110
参考文献	113
6  BP神经网络	114
6.1  神经元概述	114
6.1.1  神经元的基本结构	114
6.1.2  激活函数	115
6.2  神经网络模型	116
6.2.1  神经网络的结构	116
6.2.2  神经网络中的参数说明	117
6.2.3  神经网络的计算	117
6.3  神经网络中参数的求解	118
6.3.1  神经网络损失函数	118
6.3.2  损失函数的求解	119
6.3.3  BP神经网络的学习过程	120
6.4  BP神经网络中参数的设置	126
6.4.1  非线性变换	126
6.4.2  权重向量的初始化	126
6.4.3  学习率	127
6.4.4  隐含层节点的个数	127
6.5  BP神经网络算法实践	127
6.5.1  训练BP神经网络模型	128
6.5.2  最终的训练效果	132
6.5.3  对新数据的预测	133
参考文献	136
第二部分  回归算法
7  线性回归	138
7.1  基本线性回归	138
7.1.1  线性回归的模型	138
7.1.2  线性回归模型的损失函数	139
7.2  线性回归的最小二乘解法	140
7.2.1  线性回归的最小二乘解法	140
7.2.2  广义逆的概念	141
7.3  牛顿法	141
7.3.1  基本牛顿法的原理	141
7.3.2  基本牛顿法的流程	142
7.3.3  全局牛顿法	142
7.3.4  Armijo搜索	144
7.3.5  利用全局牛顿法求解线性回归模型	145
7.4  利用线性回归进行预测	146
7.4.1  训练线性回归模型	147
7.4.2  最终的训练结果	149
7.4.3  对新数据的预测	150
7.5  局部加权线性回归	152
7.5.1 局部加权线性回归模型	152
7.5.2  局部加权线性回归的最终结果	153
参考文献	154
8  岭回归和Lasso回归	155
8.1  线性回归存在的问题	155
8.2  岭回归模型	156
8.2.1  岭回归模型	156
8.2.2  岭回归模型的求解	156
8.3  Lasso回归模型	157
8.4  拟牛顿法	158
8.4.1  拟牛顿法	158
8.4.2  BFGS校正公式的推导	158
8.4.3  BFGS校正的算法流程	159
8.5  L-BFGS求解岭回归模型	162
8.5.1  BGFS算法存在的问题	162
8.5.2  L-BFGS算法思路	162
8.6  岭回归对数据的预测	165
8.6.1  训练岭回归模型	166
8.6.2  最终的训练结果	168
8.6.3  利用岭回归模型预测新的数据	168
参考文献	171
9  CART树回归	172
9.1  复杂的回归问题	172
9.1.1  线性回归模型	172
9.1.2  局部加权线性回归	173
9.1.3  CART算法	174
9.2  CART回归树生成	175
9.2.1  CART回归树的划分	175
9.2.2  CART回归树的构建	177
9.3  CART回归树剪枝	179
9.3.1  前剪枝	179
9.3.2  后剪枝	180
9.4  CART回归树对数据预测	180
9.4.1  利用训练数据训练CART回归树模型	180
9.4.2  最终的训练结果	182
9.4.3  利用训练好的CART回归树模型对新的数据预测	185
参考文献	187
第三部分  聚类算法
10  K-Means	190
10.1  相似性的度量	190
10.1.1  闵可夫斯基距离	191
10.1.2  曼哈顿距离	191
10.1.3  欧氏距离	191
10.2  K-Means算法原理	192
10.2.1  K-Means算法的基本原理	192
10.2.2  K-Means算法步骤	193
10.2.3  K-Means算法与矩阵分解	193
10.3  K-Means算法实践	195
10.3.1  导入数据	196
10.3.2  初始化聚类中心	197
10.3.3  聚类过程	198
10.3.4  最终的聚类结果	199
10.4  K-Means++算法	200
10.4.1  K-Means算法存在的问题	200
10.4.2  K-Means++算法的基本思路	202
10.4.3  K-Means++算法的过程和最终效果	204
参考文献	205
11  Mean Shift	206
11.1  Mean Shift向量	206
11.2  核函数	207
11.3  Mean Shift算法原理	209
11.3.1  引入核函数的Mean Shift向量	209
11.3.2  Mean Shift算法的基本原理	210
11.4  Mean Shift算法的解释	212
11.4.1  概率密度梯度	212
11.4.2  Mean Shift向量的修正	213
11.4.3  Mean Shift算法流程	213
11.5  Mean Shift算法实践	217
11.5.1  Mean Shift的主过程	218
11.5.2  Mean Shift的最终聚类结果	219
参考文献	221
12  DBSCAN	222
12.1  基于密度的聚类	222
12.1.1  基于距离的聚类算法存在的问题	222
12.1.2  基于密度的聚类算法	225
12.2  DBSCAN算法原理	225
12.2.1  DBSCAN算法的基本概念	225
12.2.2  DBSCAN算法原理	227
12.2.3  DBSCAN算法流程	228
12.3  DBSCAN算法实践	231
12.3.1  DBSCAN算法的主要过程	232
12.3.2  Mean Shift的最终聚类结果	234
参考文献	236
13  Label Propagation	237
13.1  社区划分	237
13.1.1  社区以及社区划分	237
13.1.2  社区划分的算法	238
13.1.3  社区划分的评价标准	239
13.2  Label Propagation算法原理	239
13.2.1  Label Propagation算法的基本原理	239
13.2.2  标签传播	240
13.2.3  迭代的终止条件	242
13.3  Label Propagation算法过程	244
13.4  Label Propagation算法实践	244
13.4.1  导入数据	245
13.4.2  社区的划分	246
13.4.3  最终的结果	247
参考文献	248
第四部分  推荐算法
14  协同过滤算法	250
14.1  推荐系统的概述	250
14.1.1  推荐系统	250
14.1.2  推荐问题的描述	251
14.1.3  推荐的常用方法	251
14.2  基于协同过滤的推荐	252
14.2.1  协同过滤算法概述	252
14.2.2  协同过滤算法的分类	252
14.3  相似度的度量方法	253
14.3.1  欧氏距离	254
14.3.2  皮尔逊相关系数（Pearson Correlation）	254
14.3.3  余弦相似度	254
14.4  基于协同过滤的推荐算法	256
14.4.1  基于用户的协同过滤算法	256
14.4.2  基于项的协同过滤算法	258
14.5  利用协同过滤算法进行推荐	260
14.5.1  导入用户-商品数据	260
14.5.2  利用基于用户的协同过滤算法进行推荐	261
14.5.3  利用基于项的协同过滤算法进行推荐	262
参考文献	264
15  基于矩阵分解的推荐算法	265
15.1  矩阵分解	265
15.2  基于矩阵分解的推荐算法	266
15.2.1  损失函数	266
15.2.2  损失函数的求解	266
15.2.3  加入正则项的损失函数即求解方法	267
15.2.4  预测	269
15.3  利用矩阵分解进行推荐	270
15.3.1  利用梯度下降对用户商品矩阵分解和预测	270
15.3.2  最终的结果	272
15.4  非负矩阵分解	273
15.4.1  非负矩阵分解的形式化定义	274
15.4.2  损失函数	274
15.4.3  优化问题的求解	274
15.5  利用非负矩阵分解进行推荐	277
15.5.1  利用乘法规则进行分解和预测	277
15.5.2  最终的结果	278
参考文献	279
16  基于图的推荐算法	280
16.1  二部图与推荐算法	280
16.1.1  二部图	280
16.1.2  由用户商品矩阵到二部图	281
16.2  PageRank算法	282
16.2.1  PageRank算法的概念	282
16.2.2  PageRank的两个假设	283
16.2.3  PageRank的计算方法	283
16.3  PersonalRank算法	285
16.3.1  PersonalRank算法原理	285
16.3.2  PersonalRank算法的流程	286
16.4  利用PersonalRank算法进行推荐	288
16.4.1  利用PersonalRank算法进行推荐	288
16.4.2  最终的结果	291
参考文献	291
第五部分  深度学习
17  AutoEncoder	294
17.1  多层神经网络	294
17.1.1  三层神经网络模型	294
17.1.2  由三层神经网络到多层神经网络	295
17.2  AutoEncoder模型	296
17.2.1  AutoEncoder模型结构	296
17.2.2  AutoEncoder的损失函数	297
17.3  降噪自编码器Denoising AutoEncoder	298
17.3.1  Denoising AutoEncoder原理	298
17.3.2  Denoising AutoEncoder实现	299
17.4  利用Denoising AutoEncoders构建深度网络	302
17.4.1  无监督的逐层训练	302
17.4.2  有监督的微调	303
17.5  利用TensorFlow实现Stacked Denoising AutoEncoders	306
17.5.1  训练Stacked Denoising AutoEncoders模型	306
17.5.2  训练的过程	307
参考文献	308
18  卷积神经网络	309
18.1  传统神经网络模型存在的问题	309
18.2  卷积神经网络	311
18.2.1  卷积神经网络中的核心概念	311
18.2.2  卷积神经网络模型	312
18.3  卷积神经网络的求解	313
18.3.1  卷积层（Convolution Layer）	313
18.3.2  下采样层（Sub-Sampling Layer）	316
18.3.3  全连接层（Fully-Connected Layer）	316
18.4  利用TensorFlow实现CNN	316
18.4.1  CNN的实现	316
18.4.2  训练CNN模型	320
18.4.3  训练的过程	321
参考文献	321
第六部分  项目实践
19  微博精准推荐	324
19.1  精准推荐	324
19.1.1  精准推荐的项目背景	324
19.1.2  精准推荐的技术架构	325
19.1.3  离线数据挖掘	326
19.2  基于用户行为的挖掘	327
19.2.1  基于互动内容的兴趣挖掘	327
19.2.2  基于与博主互动的兴趣挖掘	328
19.3  基于相似用户的挖掘	329
19.3.1  基于“@”人的相似用户挖掘	329
19.3.2  基于社区的相似用户挖掘	329
19.3.3  基于协同过滤的相似用户挖掘	331
19.4  点击率预估	332
19.4.1  点击率预估的概念	332
19.4.2  点击率预估的方法	332
19.5  各种数据技术的效果	334
参考文献	335
附录A	336
附录B	341

推荐序



志勇是我在新浪微博的同事，刚来的时候坐我的旁边。记得当时志勇喜欢把看过的论文的重点部分剪下来粘到自己的笔记本上，并用五颜六色的笔标注，后来还知道志勇平时会写博客来记录自己在算法学习和实践中的心得。由此可见，志勇是一个非常认真且善于归纳总结的人。2016年志勇告诉我他在写这样一本书的时候，我深以为然，感觉正确的人做了一件正确的事。
志勇的书快完成的时候邀请我写序，这对我绝对是个挑战。幸运的是，书中的内容是我所熟悉的，仿佛是发生在自己身边的事。写作风格也和志勇平时交流时一致。所以，我可以从故事参与者的角度去介绍一下这本书。
说到机器学习算法，这两年可谓蓬勃发展。AlphaGo战胜世界围棋冠军李世石已经成了大家茶余饭后的谈资，无人驾驶汽车是资本竞相追逐的万亿级市场，这些都源于数据收集能力、计算能力的提升，以及智能设备的普及。机器学习也已经在我们身边一些领域取得了成功，例如，现在已经获得上亿用户使用的今日头条。今日头条通过抓取众多媒体的资讯，利用机器学习算法推荐给用户，从而做到了资讯量大、更新快、更加个性化。
作为一个互联网从业者，更是感觉到机器学习算法已经融入到越来越多的产品和功能中。我曾经在一次交流中得知，某个应用为减少用户输入，用了一个团队的力量做输入选项的推荐。这在以前是不曾出现过的，以前的网站更多的是增加功能，让用户选择。现在更多的是推荐给用户，帮助用户选择。这里面既有移动应用屏幕小、操作复杂的原因，也有互联网公司越来越重视用户体验的原因。所以，在此要恭喜这本书的读者，你们选择了一个前途光明的行业。
机器学习算法比较典型的应用是推荐、广告和搜索。我们利用协同过滤技术来推荐商品、利用逻辑回归技术来做点击率的预测、利用分类技术来识别“垃圾”网页等。学好、用好每一种算法都很困难，需要掌握背后的理论基础，以及进行大量的实践，否则就会浮于表面，模仿他人，不能根据自己的业务做出合理的选择。
而市场上的书通常要么只是一些概要性质的介绍，要么是偏向实战，理论基础介绍得比较少。本书是少有的两者兼具的书，每一种算法都先介绍数学基础，再用Python代码做简单版本的实现，并且算法之间循序渐进，层层深入，读来如沐春风。
本书介绍了LR、FM、SVM、协同过滤、矩阵分解等推荐和广告领域常用算法，有很强的实用性。深度学习更是近期主流互联网公司研究的热门领域。无论对机器学习的初学者还是已经具备一些项目经验的人来说，这都是很好的读本。希望本书对更多的人有益，也希望中国的“人工智能+”蓬勃发展。

新浪微博算法经理  陶辉

前言



起源
在读研究生期间，我就对机器学习算法萌生了很浓的兴趣，并对机器学习中的常用算法进行了学习，利用MATLAB对每一个算法进行了实践。在此过程中，每当遇到不懂的概念或者算法时，就会在网上查找相关的资料。也看到很多人在博客中分享算法的学习心得及算法的具体过程，其中有不少内容让我受益匪浅，但是有的内容仅仅是算法的描述，缺少实践的具体过程。
注意到这一点之后，我决定开始在博客中分享自己学习每一个机器学习算法的点点滴滴，为了让更多的初学者能够理解算法的具体过程并从中受益，我计划从三个方面出发，第一是算法过程的简单描述，第二是算法理论的详细推导，第三是算法的具体实践。2014年1月10日，我在CSDN上写下了第一篇博客。当时涉及的方向主要是优化算法和简单易学的机器学习算法。
随着学习的深入，博客的内容越来越多，同时，在写作过程中，博客的质量也在慢慢提高，这期间也是机器学习快速发展的阶段，在行业内出现了很多优秀的算法库，如Java版本的weka、Python版本的sklearn，以及其他的一些开源程序，通过对这些算法库的学习，我丰富了很多算法的知识，同时，我将学习到的心得记录在简单易学的机器学习算法中。工作之后，越发觉得这些基础知识对于算法的理解很有帮助，积累的这些算法学习材料成了我宝贵的财富。
2016年，电子工业出版社博文视点的符隆美编辑联系到我，询问我是否有意向将这些博文汇总写一本书。能够写一本书是很多人的梦想，我也不例外。于是在2016年9月，我开始了对本书的构思，从选择算法开始，选择出使用较多的一些机器学习算法。在选择好算法后，从算法原理和算法实现两个方面对算法进行描述，希望本书能够在内容上既能照顾到初学者，又能使具有一定机器学习基础的读者从中受益。
在写作的过程中，我重新查阅了资料，力求保证知识的准确性，同时，在实践的环节中，我使用了目前比较流行的Python语言实现每一个算法，使得读者能够更容易理解算法的过程，在介绍深度学习的部分时，使用到了目前最热门的TensorFlow框架。为了帮助读者理解机器学习算法在实际工作中的具体应用，本书专门有一章介绍项目实践的部分，综合前面各种机器学习算法，介绍每一类算法在实际工作中的具体应用。
内容组织
本书开篇介绍机器学习的基本概念，包括监督学习、无监督学习和深度学习的基本概念。
第一部分介绍分类算法。分类算法是机器学习中最常用的算法。在分类算法中着重介绍Logistic回归、Softmax Regression、Factorization Machine、支持向量机、随机森林和BP神经网络等算法。
第二部分介绍回归算法。与分类算法不同的是，在回归算法中其目标值是连续的值，而在分类算法中，其目标值是离散的值。在回归算法中着重介绍线性回归、岭回归和CART树回归。
第三部分介绍聚类算法。聚类是将具有某种相同属性的数据聚成一个类别。在聚类算法中着重介绍K-Means算法、Mean Shift算法、DBSCAN算法和Label Propagation算法。
第四部分介绍推荐算法。推荐算法是一类基于具体应用场景的算法的总称。在推荐算法中着重介绍基于协同过滤的推荐、基于矩阵分解的推荐和基于图的推荐。
第五部分介绍深度学习。深度学习是近年来研究最为火热的方向。深度学习的网络模型和算法有很多种，在本书中，主要介绍最基本的两种算法：AutoEncoder和卷积神经网络。
第六部分介绍以上这些算法在具体项目中的实践。通过具体的例子，可以清晰地看到每一类算法的应用场景。
附录介绍在实践中使用到的Python语言、numpy库及TensorFlow框架的具体使用方法。
小结
本书试图从算法原理和实践两个方面来介绍机器学习中的常用算法，对每一类机器学习算法，精心挑选了具有代表性的算法，从理论出发，并配以详细的代码，本书的所有示例代码使用Python语言作为开发语言，读者可以从https://github.com/ zhaozhiyong19890102/Python-Machine-Learning-Algorithm中下载本书的全部示例代码。
由于时间仓促，书中难免存在错误，欢迎广大读者和专家批评、指正，同时，欢迎大家提供意见和反馈。本书作者的电子邮箱：zhaozhiyong1989@126.com。
致谢
首先，我要感谢陶辉和孙永生这两位良师益友，在本书的写作过程中，为我提供了很多意见和建议，包括全书的组织架构。感谢陶辉抽出宝贵的时间帮我写序，感谢孙永生帮我检查程序。
其次，我要感谢符隆美编辑和董雪编辑在写作和审稿的过程中对我的鼓励和悉心指导。
再次，我要感谢姜贵彬、易慧民、潘文彬，感谢他们能够抽出宝贵的时间帮本书写推荐语，感谢他们在读完本书后给出的宝贵意见和建议。
然后，我要感谢July在本书的写作过程中对本书提出的宝贵意见，感谢张俊林、王斌在读完本书初稿后对本书的指点。
最后，感谢我的亲人和朋友，是你们的鼓励才使得本书能够顺利完成。

赵志勇
2017年6月6日于北京

查看更多 > 图书评论

暂无评论

发表图书评论

评论标题：
评论内容：
验证码：: 看不清楚
点击刷新
: 您还没有登录，请登录后再评论。
点击“登录”

购买过本书的顾客还买过

{{data.bookName}}

￥{{data.price}}