機器學習駭客秘笈

機器學習駭客秘笈

by Drew Conway, John Myles White
Released May 2015
Publisher(s): GoTop Information, Inc.
ISBN: None

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

「本書提供許多絕佳的機器學習實用案例。有別於工具書或理論證明，本書著重於實際問題處理，因此具備程式設計背景及對機器學習有興趣的讀者們均可輕鬆入門。」
- Max Shron, OkCupid

如果你是平時喜歡上網蒐集各種資料的程式設計師，想尋找並學習資料分析的方法與工具，本書將會是您了解機器學習最好的起點。在Machine Learning領域中，包含各種分析問題的工具與方法，可以讓我們很方便地架構出一套自動分析資料系統，使電腦可以自動分析。不過這些方法的背後，通常都蘊含著艱澀、難懂的數學理論，因而提高了學習門檻。有鑑於此，本書作者Drew Conway和John Myles準備了許多實用案例。在本書中，他們將以生動活潑的方式，使用案例導向方式，透過生活實例，帶領我們一起學習這些Machine Learning工具和統計工具的實際應用。經由這些過程學習機器學習領域的核心與價值，而非傳統數學導向的介紹方式。

本書採用實例導向、問題導向的介紹方式，在每一個章節中，透過實際問題，介紹機器學習典型問題與解決方法。其中包含：分類問題、預測問題、最佳化問題、推薦系統建置問題...等，在書中都會一一介紹。本書所有程式均以R語言撰寫，於每個章節中將學到：如何以R語言分析資料，並撰寫簡易機器學習演算法。《機器學習駭客秘笈》本書，是專為機器學習領域的初學者所寫的，無論是商業、政府機關或學術界...等都適用。

在本書中，您將學到：
● 建立單純貝氏分類器(Naive Bayesian Classifier)對電子郵件內容進行垃圾信件判別
● 以線性回歸，預測網站的瀏覽人次
● 以最佳化技術破解簡易字母密碼
● 運用記名投票紀錄，以統計方式對美國參議員進行分類
● 以推特社群資料建立「潛在關注對象」推薦系統

 

Table of contents

  1. 封面
  2. 書名頁
  3. 英文版權頁
  4. 前言 (1/2)
  5. 前言 (2/2)
  6. 目錄
  7. 第一章 使用R語言
  8. R語言與機器學習
  9. 下載與安裝
  10. 整合開發環境與文字編輯器
  11. R語言套件載入與安裝
  12. R語言基本介紹 (1/3)
  13. R語言基本介紹 (2/3)
  14. R語言基本介紹 (3/3)
  15. R語言延伸閱讀
  16. 第二章 資料探索
  17. 資料探索與資料驗證
  18. 何謂資料？
  19. 猜測資料欄位的型態
  20. 推斷資料涵義
  21. 數值總結
  22. 平均數、中位數與眾數
  23. 分位數
  24. 標準差與變異數
  25. 視覺化資料探索 (1/4)
  26. 視覺化資料探索 (2/4)
  27. 視覺化資料探索 (3/4)
  28. 視覺化資料探索 (4/4)
  29. 視覺化呈現資料欄位關聯性 (1/3)
  30. 視覺化呈現資料欄位關聯性 (2/3)
  31. 視覺化呈現資料欄位關聯性 (3/3)
  32. 第三章 文本分類：垃圾郵件判斷
  33. 非此即彼：二分法
  34. 條件機率
  35. 嘗試撰寫貝氏垃圾郵件分類器 (1/2)
  36. 嘗試撰寫貝氏垃圾郵件分類器 (2/2)
  37. 建立分類器並測試難判別正常郵件
  38. 測試各種郵件型態
  39. 改善結果
  40. 第四章 項目排序：優先收件匣
  41. 如何在未知順序的情況下進行排序？
  42. 以優先性對電子郵件進行排序
  43. 電子郵件優先性
  44. 撰寫優先收件匣
  45. 擷取郵件屬性的指令 (1/2)
  46. 擷取郵件屬性的指令 (2/2)
  47. 設計權重計算策略以進行排序 (1/2)
  48. 設計權重計算策略以進行排序 (2/2)
  49. 以信件群組活躍度定義權重
  50. 訓練並測試郵件排序演算法 (1/2)
  51. 訓練並測試郵件排序演算法 (2/2)
  52. 第五章 回歸分析：預測網頁瀏覽人次
  53. 回歸分析簡介
  54. 模型根據
  55. 以虛變數進行回歸
  56. 淺談線性回歸 (1/2)
  57. 淺談線性回歸 (2/2)
  58. 預測網頁流量 (1/3)
  59. 預測網頁流量 (2/3)
  60. 預測網頁流量 (3/3)
  61. 定義相關性
  62. 第六章 正則化：文本回歸
  63. 欄位之間的非線性關聯性
  64. 多項式回歸簡介 (1/2)
  65. 多項式回歸簡介 (2/2)
  66. 過度擬合的避免方法
  67. 以正則化避免過度擬合
  68. 文本回歸
  69. 邏輯回歸前來解救
  70. 第七章 最佳化：破解密碼
  71. 最佳化導論
  72. 山脊型回歸（Ridge Regression）
  73. 將破解密碼視為最佳化問題 (1/3)
  74. 將破解密碼視為最佳化問題 (2/3)
  75. 將破解密碼視為最佳化問題 (3/3)
  76. 第八章 PCA：建立股價指數
  77. 非監督式學習
  78. 第九章 MDS：視覺化呈現美國參議員相似度
  79. 根據相似度進行分群（Clustering）
  80. 距離測度與MDS的簡介
  81. 美國參議員如何分群？
  82. 分析參議員唱名表決資料（第101至111屆國會） (1/2)
  83. 分析參議員唱名表決資料（第101至111屆國會） (2/2)
  84. 第十章 kNN：推薦系統
  85. 最近相鄰演算法（k-Nearest Neighbors Algorithm）
  86. R套件安裝資料
  87. 第十一章 分析社群關係圖
  88. 社群網路分析
  89. 圖式思考
  90. 駭入Twitter社群資料
  91. 使用Google SocialGraph API
  92. Twitter網路圖分析
  93. 區域社群結構
  94. 使用Gephi對Twitter網路圖的分群結果繪圖 (1/2)
  95. 使用Gephi對Twitter網路圖的分群結果繪圖 (2/2)
  96. 建立「可能想關注的對象」推薦系統 (1/2)
  97. 建立「可能想關注的對象」推薦系統 (2/2)
  98. 第十二章 模型比較
  99. SVM：支援向量機
  100. 演算法比較 (1/2)
  101. 演算法比較 (2/2)
  102. 參考文獻
  103. 索引 (1/2)
  104. 索引 (2/2)
  105. 關於作者
  106. 出版記事

Product information

  • Title: 機器學習駭客秘笈
  • Author(s): Drew Conway, John Myles White
  • Release date: May 2015
  • Publisher(s): GoTop Information, Inc.
  • ISBN: None