当当正版 机器学习理论与实践 刘海军 9787512146464 北京交通大学出版社

编写本书的缘起，是为给本科生开设的机器学习课程。开课时的问题就是教材的选择。市面上的机器学习类图书不多，即便有的几本也普遍偏重理论推导。这些书的作者都是大师级的人物，他们的著作比较适合学霸们看，但是对于二本院校的学生，尤其是数学基础不太好、恐惧公式的学生们来说，理论推导真是太难了。在现有的机器学习图书中，只讲了机器学习，没有图像处理基础、没有特征提取基础、没有编程语言基础，即使学习了各种机器学习模型后，也不知道如何应用模型解决问题。于是，编写一本数学基础不是很好的学生也能看得懂的机器学习书，是编写本书的初衷。
为了方便阅读，本书弱化了公式推导与复杂的算法、原理，更着重介绍算法的应用，为每一个模型均配备了编程实例，以便读者能掌握运用理论解决实际问题的方法。
本书在撰写过程中，我的研究生李良超同学做了大量的代码编写和校正工作，在此，深表感谢。谨以此书献给热爱机器学习、想学习机器学习，却又数学基础不好，编程能力也不强的人。书中为每一种模型都配备了实验代码，也方便读者学完理论后能直接将理论模型落实到解决问题上。

编  者
2022年4月

《机器学习理论与实践》用通俗易懂的语言介绍了浅层机器学习、深度学习的主要模型原理及实现程序，以及编写机器学习程序所需要的编程语言背景与数据处理方法等。主要内容包括浅层监督学习模型，如线性模型、决策树模型、贝叶斯模型、支持向量机模型、k-近邻模型、人工神经网络模型、集成学习模型；浅层无监督学习模型，如k均值聚类方法、DBSCAN聚类方法；深度学习模型，如自动编码器、卷积神经网络；编程语言基础，包括Python基本语法，numpy库、pandas库、matplotlib库、os模块等；数据预处理方法，如图像处理方法（线性增强、空间域滤波、频率域滤波）、数据规范化方法（min-max数据规范化方法、z-score数据规范化方法）、类别编码方法（one-hot编码）、数据降维方法（主成分分析）；机器视觉领域常见的特征提取方法等。 《机器学习理论与实践》可作为高等院校相关专业学生的教材，还可作为对机器学习感兴趣读者的参考书。

第1篇  Python语言基础知识
1　机器学习编程语言基础 3
1.1　Python开发环境简介 4
1.2　Python编程基础 4
1.3　Python基本数据类型 6
1.3.1　数值类型 6
1.3.2　字符串类型 7
1.3.3　列表类型 8
1.3.4　元组类型 10
1.3.5　字典类型 11
1.3.6　集合类型 12
1.4　赋值 13
1.5　分支结构 14
1.5.1　关系运算符和逻辑运算符 14
1.5.2　分支结构的类型 15
1.6　循环结构 17
1.7　函数 20
1.8　矩阵计算——numpy模块 21
1.8.1　numpy模块简介 21
1.8.2　ndarray对象及其创建 21
1.8.3　数组对象的创建 22
1.8.4　数组的运算 28
1.8.5　数组的属性 29
1.8.6　numpy中的常见函数 30
1.8.7　数组的索引和切片 35
1.9　绘图 38
1.9.1　绘制坐标图 38
1.9.2　绘制饼状图 44
1.9.3　绘制条形图 45
1.9.4　绘制散点图 47
1.10　文件批量处理 48
1.10.1　文件和目录处理 48
1.10.2　文件读写 49
第2篇  机 器 学 习
2　机器学习的基本概念和应用领域 53
2.1　机器学习的基本概念 53
2.2　机器学习的应用领域 56
3　数据集的划分与模型的评价方法 57
3.1　数据集的划分方法 57
3.1.1　留出法 57
3.1.2　交叉验证法 59
3.1.3　自助法 60
3.2　模型的评价方法 61
3.2.1　分类任务的评价指标 61
3.2.2　回归任务的评价指标 64
4　线性模型 68
4.1　一元线性回归 68
4.1.1　一元线性回归原理 68
4.1.2　一元线性回归的实现 71
4.2　多元线性回归 73
4.2.1　多元线性回归原理 73
4.2.2　多元线性回归编程实现 74
4.2.3　梯度下降法 75
4.2.4　线性回归的基本形式 79
4.3　逻辑回归 80
4.3.1　逻辑回归原理 80
4.3.2　极大似然估计 81
4.3.3　逻辑回归的应用 83
4.4　线性模型总结 85
5　决策树 86
5.1　决策树模型一般结构 86
5.2　属性选择 87
5.2.1　信息增益与ID3算法 87
5.2.2　信息增益率 97
5.2.3　基尼指数 98
5.3　决策树剪枝 98
5.3.1　预剪枝 100
5.3.2　后剪枝 103
5.3.3　连续属性的处理 105
5.4　决策树的应用 106
5.4.1　绘制决策树的方法 106
5.4.2　sklearn中的决策树函数 106
5.4.3　决策树应用实例 107
6　贝叶斯方法 110
6.1　引言 110
6.2　贝叶斯方法基本原理 110
6.3　朴素贝叶斯方法决策过程 112
6.4　朴素贝叶斯方法实战 115
6.4.1　高斯朴素贝叶斯方法 115
6.4.2　伯努利朴素贝叶斯方法 117
6.4.3　多项式分布朴素贝叶斯方法 118
6.4.4　朴素贝叶斯方法应用实例 119
7　支持向量机 120
7.1　引言 120
7.2　支持向量与间隔 122
7.3　对偶问题 124
7.4　线性不可分问题——核技巧 126
7.5　软间隔与正则化 128
7.6　支持向量机应用 129
7.6.1　支持向量机的特点 130
7.6.2　支持向量机分类 130
7.6.3　支持向量机回归 133
8　人工神经网络 134
8.1　神经元模型 134
8.2　激活函数 135
8.3　拓扑结构 137
8.4　神经网络的工作原理 139
8.4.1　神经网络的前向计算 139
8.4.2　前向神经网络的代价函数 140
8.4.3　误差反向传播算法 142
8.5　人工神经网络编程实例 142
8.5.1　sklearn库中的人工神经网络分类器 142
8.5.2　人工神经网络应用实例 144
9　k-近邻 146
9.1　k-近邻基本原理 146
9.2　距离度量方法 146
9.3　k值的选择与特征规范化的必要性 147
9.3.1　选取k值及它的影响 147
9.3.2　特征规范化 148
9.4　k维树 151
9.4.1　k维树的构造 151
9.4.2　k维树的搜索 153
9.5　k-近邻算法的应用 155
10　集成学习 158
10.1　集成学习基本原理 158
10.2　boosting系列算法 159
10.2.1　AdaBoost算法 159
10.2.2　GBDT算法 161
10.3　bagging方法 165
11　特征提取 167
11.1　LBP纹理特征 167
11.2　灰度共生矩阵 169
11.3　HOG特征提取方法 170
11.4　Haar-like特征 171
11.4.1　Haar-like特征原理 171
11.4.2　Haar-like特征计算——积分图 172
11.4.3　Haar-like特征的扩展 173
12　数据降维 175
12.1　主成分分析法 175
12.2　主成分分析原理 175
12.2.1　投影 175
12.2.2　基变换的矩阵表示 176
12.2.3　方差和协方差 176
12.2.4　协方差矩阵 177
12.2.5　矩阵对角化 177
12.2.6　SVD分解 178
12.3　PCA降维实例 179
13　深度学习 181
13.1　自动编码器 182
13.1.1　自动编码器原理 182
13.1.2　自动编码器实例 183
13.2　卷积神经网络 185
13.2.1　卷积神经网络的基本结构 186
13.2.2　序贯式模型搭建法 190
13.2.3　函数式模型搭建法 196
13.2.4　共享输入层的卷积神经网络搭建 200
13.2.5　含有共享卷积层的卷积神经网络搭建 204
13.2.6　多输入层的卷积神经网络 206
13.2.7  主流的卷积神经网络 209
14　图像处理 213
14.1　计算机视觉库——OpenCV 213
14.1.1　OpenCV的安装 213
14.1.2　图像读和显示 213
14.1.3　彩色图像灰度化 214
14.2　图像的几何变换 215
14.2.1　图像的平移 215
14.2.2　图像比例缩放 216
14.2.3　图像的旋转 216
14.2.4　图像的仿射变换 217
14.2.5　图像的镜像 218
14.3　图像的点运算 219
14.3.1　图像的二值化 219
14.3.2　图像的线性变换 221
14.3.3　图像的指数变换（伽马变换） 223
14.3.4　直方图均衡化 223
14.4　图像空间域滤波 224
14.4.1　空间域图像平滑 226
14.4.2　空间域图像锐化 229
14.5　图像频率域滤波 230
14.5.1　频率域理想低通滤波器 232
14.5.2　频率域巴特沃思低通滤波器 236
14.5.3　频率域高斯低通滤波器 239
14.5.4　频率域理想高通滤波器 243
14.5.5　巴特沃思高通滤波器 246
14.5.6　高斯高通滤波器 249
15　聚类 253
15.1　基于划分的聚类算法 253
15.1.1　k均值聚类算法原理 253
15.1.2　k均值聚类算法应用实例 255
15.1.3　k均值聚类算法的特点 256
15.2　基于密度的聚类算法 256
15.2.1　DBSCAN算法原理 257
15.2.2　DBSCAN算法应用 260
附录A　相关数据集介绍 262
参考文献 264

《机器学习理论与实践》用通俗易懂的语言介绍了浅层机器学习、深度学习的主要模型原理及实现程序，以及编写机器学习程序所需要的编程语言背景与数据处理方法等。主要内容包括浅层监督学习模型，如线性模型、决策树模型、贝叶斯模型、支持向量机模型、k-近邻模型、人工神经网络模型、集成学习模型；浅层无监督学习模型，如k均值聚类方法、DBSCAN聚类方法；深度学习模型，如自动编码器、卷积神经网络；编程语言基础，包括Python基本语法，numpy库、pandas库、matplotlib库、os模块等；数据预处理方法，如图像处理方法（线性增强、空间域滤波、频率域滤波）、数据规范化方法（min-max数据规范化方法、z-score数据规范化方法）、类别编码方法（one-hot编码）、数据降维方法（主成分分析）；机器视觉领域常见的特征提取方法等。 《机器学习理论与实践》可作为高等院校相关专业学生的教材，还可作为对机器学习感兴趣读者的参考书。

《机器学习理论与实践》弱化了公式推导与复杂的算法、原理，更着重介绍算法的应用，为每一个模型均配备了编程实例，以便读者能掌握运用理论解决实际问题的方法。