Go 語言機器學習實戰

購買商店

Go語言機器學習實戰

$474.00

馬上購買

內容描述

本書主要介紹了Go語言中部署程序從而實現機器學習算法。
主要內容包括：利用Go語言中的庫和功能來配置機器學習環境，
對實際生活中的房價數據集進行回歸分析，
在Go語言中構建分類模型來區分垃圾電子郵件，通過聚類整理個人推特賬戶的時間線。
此外，本書還介紹了神經網絡和閆積神經網絡進行手寫體識別，
以及人臉檢測項目為例，介紹瞭如何選擇適合於具體項目的機器學習算法。

目錄大綱

目錄
       譯者序
  原書前言  
第1章如何解決機器學習中的所有問題// 1    
1.1什麼是一個問題// 1    
1.2什麼是一個算法// 2   
1.3什麼是機器學習// 3    
1.4是否需要機器學習// 3    
1.5一般問題解決過程// 4    
1.6什麼是一個模型// 5     
1.6.1什麼是一個好的模型// 6   
1.7本書主要內容與章節安排// 6    
1.8為什麼選擇Go語言// 7    
1.9快速啟動// 7    
1.10函數// 7    
1.11變量// 8     
1.11.1值// 9    
1.11.2類型// 9     
1.11.3方法// 11     
1.11.4接口// 11     
1.11.5包和導入// 12    
1.12開始// 13  
第2章線性回歸———房價預測// 14      
2.1項目背景// 15    
2.2探索性數據分析// 15     
2.2.1數據攝取和索引// 16     
2.2.2數據清洗工作// 18     
2.2.3進一步的探索性工作// 25     
2.2.4標準化// 33    
2.3線性回歸// 34     
2.3.1回歸// 35     
2.3.2交叉驗證// 37    
2.4討論和下一步的工作// 39    
2.5小結// 40   
第3章分類———垃圾郵件檢測// 41     
3.1項目背景// 41    
3.2探索性數據分析// 42     
3.2.1數據標記// 42     
3.2. 2規範化和詞幹提取// 45    
3.2.3停用詞// 45     
3.2.4數據攝取// 46    
3.3分類器// 47    
3.4樸素貝葉斯// 48     
3.4.1 TF-IDF // 48      
3.4 .2條件概率// 49     
3.4.3特徵// 51     
3.4.4貝葉斯定理// 51    
3.5分類器實現// 52     
3.5.1類// 53     
3.5.2分類器第Ⅱ部分// 54    
3.6程序整合// 58    
3.7小結// 61   
第4章利用時間序列分析分解二氧化碳趨勢// 62    
4.1探索性數據分析// 62     
4.1.1從非HTTP數據源下載// 63     
4.1.2處理非標準數據// 63    
4.1.3處理小數型日期// 64     
4.1.4繪圖// 65    
4.2分解// 68     
4.2.1 STL // 69     
4.2.2更多繪製內容// 81    
4.3預測// 86    
4.4小結// 89    
參考文獻// 89   
第5章通過聚類整理個人推特賬戶的時間線// 90     
5.1項目背景// 90    
5.2 K均值// 90    
5.3 DBSCAN // 92    
5.4數據採集// 92     
5.5探索性數據分析// 92    
5.6數據信息// 96     
5.6.1處理器// 97     
5.6.2單字預處理// 99    
5.6.3單條推特處理// 103    
5.7聚類// 103     
5.7.1 K均值聚類// 104     
5.7.2 DBSCAN聚類// 105     
5.7.3 DMMClust聚類// 107    
5.8實際數據// 108    
5.9程序// 111    
5.10程序調整// 113     
5.10.1距離調整// 114     
5.10.2預處理步驟調整// 115    
5.11小結// 117   
第6章神經網絡———MNIST手寫體識別// 118     
6.1神經網絡// 118     
6.1.1模擬神經網絡// 119    
6.2線性代數101 // 121     
6.2.1激活函數探討// 123    
6.3學習功能// 125    
6.4項目背景// 126     
6.4.1 Gorgonia // 126     
6.4.2數據獲取// 126     
6.4.3什麼是張量// 129     
6.4.4構建神經網絡// 138     
6.4.5前饋// 139  
6.4.6利用maybe類型進行錯誤處理// 140
6.4.7前饋函數說明// 142     
6.4.8成本// 143     
6.4.9反向傳播// 143    
6.5神經網絡訓練// 146    
6.6交叉驗證// 148    
6.7小結// 150   
第7章卷積神經網絡———MNIST手寫體識別// 151    
7.1有關神經元的一切認識都是錯誤的// 151    
7.2回顧神經網絡// 151     
7.2.1 Gorgonia // 152    
7.2.2構建一個神經網絡// 161    
7.3項目// 164     
7.3.1數據獲取// 164     
7.3.2上一章的其他內容// 166    
7.4 CNN簡介// 168     
7.4.1什麼是卷積// 168     
7.4.2池化// 176     
7.4.出// 176    
7.5構建一個CNN // 176     
7.5.1反向傳播// 180    
7.6運行神經網絡// 182    
7.7測試// 186     
7.7.1準確率// 188    
7.8小結// 189 
   
第8章基本人臉檢測// 190     
8.1什麼是人臉// 190     
8.1.1 Viola-Jones // 191    
8.2 PICO // 194     
8.2.1關於學習的注意事項// 194    
8.3 GoCV // 195     
8.3.1 API // 195    
8.4 PIGO // 195    
8.5人臉檢測程序// 196     
8.5.1從網絡攝像頭獲取圖像// 196     
8.5.2圖像顯示// 197     
8.5.3在圖像上塗鴉// 198     
8.5.4人臉檢測1 // 198     
8.5.5人臉檢測2 // 200     
8.5.6算法結合// 205    
8.6算法評估// 206    
8.7小結// 208   
第9章熱狗或者不是熱狗———使用外部服務// 209     
9.1 MachineBox // 209    
9.2什麼是MachineBox // 210     
9.2.1登錄和註冊// 210     
9.2.2 Docker安裝與設置// 211     
9.2.3在Go語言中使用MachineBox // 211    
9.3項目// 212     
9.3.1訓練// 212  
9.3.2從網絡攝像頭讀取圖像// 213     
9.3.3美化結果// 214    
9.4結果// 216    
9.5這一切意味著什麼// 218    
9.6為什麼採用MachineBox // 219    
9.7小結// 219   
第10章今後發展趨勢// 220      
10.1讀者應該關注什麼// 221     
10.1.1從業者// 221     
10.1.2研究人員// 221    
10.2研究人員、從業者及其利益相關者// 222    
10.3本書未涉及的內容// 222    
10.4更多學習資源// 223