GO语言机器学习实战

图书标准信息

• 作者 [澳]周轩逸（Xuanyi Chew） 著；[澳]周轩逸谭励（Xuanyi Chew）、连晓峰 译
• 出版社 机械工业出版社
• 出版时间 2020-05
• 版次 1
• ISBN 9787111645894
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 223页
• 字数 359千字

【内容简介】

《GO语言机器学习实战》主要介绍了如何在Go语言中部署程序从而实现机器学  习算法。主要内容包括:利用Go语言中的库和功能来配置机器学习环境，对实际生活中的房价数据集进行  回归分析，在Go语言中构建分类模型来区分垃圾电子邮件，通过聚类整理个人推特账户的时间线。此外，  本书还介绍了用神经网络和卷积神经网络进行手写体识别，以及以人脸检测项目为例，介绍了如何选择适  合于具体项目的机器学习算法。

【目录】

目 录

 

       译者序

 

  原书前言  

 

第1章 如何解决机器学习中的所有问题 // 1    

 

1.1 什么是一个问题 // 1    

 

1.2 什么是一个算法 // 2   

 

1.3 什么是机器学习 // 3    

 

1.4 是否需要机器学习 // 3    

 

1.5 一般问题解决过程 // 4    

 

1.6 什么是一个模型 // 5     

 

1.6.1 什么是一个好的模型 // 6   

 

1.7 本书主要内容与章节安排 // 6    

 

1.8 为什么选择Go语言 // 7    

 

1.9 快速启动 // 7    

 

1.10 函数 // 7    

 

1.11 变量 // 8     

 

1.11.1 值 // 9    

 

1.11.2 类型 // 9     

 

1.11.3 方法 // 11     

 

1.11.4 接口 // 11     

 

1.11.5 包和导入 // 12    

 

1.12 开始 // 13  

 

 第2章 线性回归―――房价预测 // 14      

 

2.1 项目背景 // 15    

 

2.2 探索性数据分析 // 15     

 

2.2.1 数据摄取和索引 // 16     

 

2.2.2 数据清洗工作 // 18     

 

2.2.3 进一步的探索性工作 // 25     

 

2.2.4 标准化 // 33    

 

2.3 线性回归 // 34     

 

2.3.1 回归 // 35     

 

2.3.2 交叉验证 // 37    

 

2.4 讨论和下一步的工作 // 39    

 

2.5 小结 // 40   

 

第3章 分类―――垃圾邮件检测 // 41     

 

3.1 项目背景 // 41    

 

3.2 探索性数据分析 // 42     

 

3.2.1 数据标记 // 42     

 

3.2.2 规范化和词干提取 // 45    

 

3.2.3 停用词 // 45     

 

3.2.4 数据摄取 // 46    

 

3.3 分类器 // 47    

 

3.4 朴素贝叶斯 // 48     

 

3.4.1 TF-IDF // 48      

 

3.4.2 条件概率 // 49     

 

3.4.3 特征 // 51     

 

3.4.4 贝叶斯定理 // 51    

 

3.5 分类器实现 // 52     

 

3.5.1 类 // 53     

 

3.5.2 分类器第Ⅱ部分 // 54    

 

3.6 程序整合 // 58    

 

3.7 小结 // 61   

 

第4章 利用时间序列分析分解二氧化碳趋势 // 62    

 

4.1 探索性数据分析 // 62     

 

4.1.1 从非HTTP数据源下载 // 63     

 

4.1.2 处理非标准数据 // 63    

 

4.1.3 处理小数型日期 // 64     

 

4.1.4 绘图 // 65    

 

4.2 分解 // 68     

 

4.2.1 STL // 69     

 

4.2.2 更多绘制内容 // 81    

 

4.3 预测 // 86    

 

4.4 小结 // 89    

 

参考文献 // 89   

 

第5章 通过聚类整理个人推特账户的时间线 // 90     

 

5.1 项目背景 // 90    

 

5.2 K均值 // 90    

 

5.3 DBSCAN // 92    

 

5.4 数据采集 // 92     

 

5.5 探索性数据分析 // 92    

 

5.6 数据信息 // 96     

 

5.6.1 处理器 // 97     

 

5.6.2 单字预处理 // 99    

 

5.6.3 单条推特处理 // 103    

 

5.7 聚类 // 103     

 

5.7.1 K均值聚类 // 104     

 

5.7.2 DBSCAN聚类 // 105     

 

5.7.3 DMMClust聚类 // 107    

 

5.8 实际数据 // 108    

 

5.9 程序 // 111    

 

5.10 程序调整 // 113     

 

5.10.1 距离调整 // 114     

 

5.10.2 预处理步骤调整 // 115    

 

5.11 小结 // 117   

 

第6章 神经网络―――MNIST手写体识别 // 118     

 

6.1 神经网络 // 118     

 

6.1.1 模拟神经网络 // 119    

 

6.2 线性代数101 // 121     

 

6.2.1 激活函数探讨 // 123    

 

6.3 学习功能 // 125    

 

6.4 项目背景 // 126     

 

6.4.1 Gorgonia // 126     

 

6.4.2 数据获取 // 126     

 

6.4.3 什么是张量 // 129     

 

6.4.4 构建神经网络 // 138     

 

6.4.5 前馈 // 139  

 

6.4.6 利用maybe类型进行错误处理 // 140

 

6.4.7 前馈函数说明 // 142     

 

6.4.8 成本 // 143     

 

6.4.9 反向传播 // 143    

 

6.5 神经网络训练 // 146    

 

6.6 交叉验证 // 148    

 

6.7 小结 // 150   

 

第7章 卷积神经网络―――MNIST手写体识别 // 151    

 

7.1 有关神经元的一切认识都是错误的   // 151    

 

7.2 回顾神经网络 // 151     

 

7.2.1 Gorgonia // 152    

 

7.2.2 构建一个神经网络 // 161    

 

7.3 项目 // 164     

 

7.3.1 数据获取 // 164     

 

7.3.2 上一章的其他内容 // 166    

 

7.4 CNN简介 // 168     

 

7.4.1 什么是卷积 // 168     

 

7.4.2 最大池化 // 176     

 

7.4.3 退出 // 176    

 

7.5 构建一个CNN // 176     

 

7.5.1 反向传播 // 180    

 

7.6 运行神经网络 // 182    

 

7.7 测试 // 186     

 

7.7.1 准确率 // 188    

 

7.8 小结 // 189    

 

第8章 基本人脸检测 // 190     

 

8.1 什么是人脸 // 190     

 

8.1.1 Viola-Jones // 191    

 

8.2 PICO // 194     

 

8.2.1 关于学习的注意事项 // 194    

 

8.3 GoCV // 195     

 

8.3.1 API // 195    

 

8.4 PIGO // 195    

 

8.5 人脸检测程序 // 196     

 

8.5.1 从网络摄像头获取图像 // 196     

 

8.5.2 图像显示 // 197     

 

8.5.3 在图像上涂鸦 // 198     

 

8.5.4 人脸检测1 // 198     

 

8.5.5 人脸检测2 // 200     

 

8.5.6 算法结合 // 205    

 

8.6 算法评估 // 206    

 

8.7 小结 // 208   

 

第9章 热狗或者不是热狗―――使用外部服务 // 209     

 

9.1 MachineBox // 209    

 

9.2 什么是MachineBox // 210     

 

9.2.1 登录和注册 // 210     

 

9.2.2 Docker安装与设置 // 211     

 

9.2.3 在Go语言中使用   MachineBox // 211    

 

9.3 项目 // 212     

 

9.3.1 训练 // 212  

 

9.3.2 从网络摄像头读取图像 // 213     

 

9.3.3 美化结果 // 214    

 

9.4 结果 // 216    

 

9.5 这一切意味着什么 // 218    

 

9.6 为什么采用MachineBox // 219    

 

9.7 小结 // 219   

 

第10章 今后发展趋势 // 220      

 

10.1 读者应该关注什么 // 221     

 

10.1.1 从业者 // 221     

 

10.1.2 研究人员 // 221    

 

10.2 研究人员、从业者及其利益相关者 // 222    

 

10.3 本书未涉及的内容 // 222    

 

10.4 更多学习资源 // 223