前言　　xi
第1章　测试驱动的机器学习　　1
1.1　TDD的历史　　2
1.2　TDD与科学方法　　2
1.2.1　TDD可构建有效的逻辑命题　　3
1.2.2　TDD要求你将假设以文字或代码的形式记录下来　　5
1.2.3　TDD和科学方法的闭环反馈机制　　5
1.3　机器学习中的风险　　5
1.3.1　数据的不稳定性　　6
1.3.2　欠拟合　　6
1.3.3　过拟合　　7
1.3.4　未来的不可预测性　　8
1.4　为降低风险应采用的测试　　8
1.4.1　利用接缝测试减少数据中的不稳定因素　　8
1.4.2　通过交叉验证检验拟合效果　　9
1.4.3　通过测试训练速度降低过拟合风险　　10
1.4.4　检测未来的精度和查全率漂移情况　　11
1.5　小结　　11
第2章　机器学习概述　　13
2.1　什么是机器学习　　13
2.1.1　有监督学习　　13
2.1.2　无监督学习　　14
2.1.3　强化学习　　15
2.2　机器学习可完成的任务　　15
2.3　本书采用的数学符号　　16
2.4　小结　　16
第3章　K近邻分类　　17
3.1　K近邻分类的历史　　18
3.2　基于邻居的居住幸福度　　18
3.3　如何选择K　　21
3.3.1　猜测K的值　　21
3.3.2　选择K的启发式策略　　21
3.3.3　K的选择算法　　24
3.4　何谓“近”　　24
3.4.1　Minkowski距离　　25
3.4.2　Mahalanobis距离　　26
3.5　各类别的确定　　27
3.6　利用KNN算法和OpenCV实现胡须和眼镜的检测　　29
3.6.1　类图　　29
3.6.2　从原始图像到人脸图像　　30
3.6.3　Face类　　33
3.6.4　Neighborhood类　　36
3.7　小结　　43
第4章　朴素贝叶斯分类　　45
4.1　利用贝叶斯定理找出欺诈性订单　　45
4.1.1　条件概率　　46
4.1.2　逆条件概率　　47
4.2　朴素贝叶斯分类器　　48
4.2.1　链式法则　　48
4.2.2　贝叶斯推理中的朴素性　　49
4.2.3　伪计数　　50
4.3　垃圾邮件过滤器　　51
4.3.1　类图　　51
4.3.2　数据源　　52
4.3.3　Email类　　52
4.3.4　符号化与上下文　　55
4.3.5　SpamTrainer类　　56
4.3.6　通过交叉验证将错误率最小化　　63
4.4　小结　　66
第5章　隐马尔可夫模型　　67
5.1　利用状态机跟踪用户行为　　67
5.1.1　隐含状态的输出和观测　　69
5.1.2　利用马尔可夫假设简化问题　　70
5.1.3　利用马尔可夫链而非有限状态机　　71
5.1.4　隐马尔可夫模型　　71
5.2　评估：前向-后向算法　　72
5.3　利用维特比算法求解解码问题　　75
5.4　学习问题　　76
5.5　利用布朗语料库进行词性标注　　76
5.5.1　词性标注器的首要问题：CorpusParser　　77
5.5.2　编写词性标注器　　79
5.5.3　通过交叉验证获取模型的置信度　　86
5.5.4　模型的改进方案　　88
5.6　小结　　88
第6章　支持向量机　　89
6.1　求解忠诚度映射问题　　89
6.2　SVM的推导过程　　91
6.3　非线性数据　　92
6.3.1　核技巧　　92
6.3.2　软间隔　　96
6.4　利用SVM进行情绪分析　　97
6.4.1　类图　　98
6.4.2　Corpus类　　99
6.4.3　从语料库返回一个无重复元素的单词集　　102
6.4.4　CorpusSet类　　103
6.4.5　SentimentClassifier类　　107
6.4.6　随时间提升结果　　111
6.5　小结　　111
第7章　神经网络　　113
7.1　神经网络的历史　　113
7.2　何为人工神经网络　　114
7.2.1　输入层　　115
7.2.2　隐含层　　116
7.2.3　神经元　　117
7.2.4　输出层　　122
7.2.5　训练算法　　122
7.3　构建神经网络　　125
7.3.1　隐含层数目的选择　　126
7.3.2　每层中神经元数目的选择　　126
7.3.3　误差容限和最大epoch的选择　　126
7.4　利用神经网络对语言分类　　127
7.4.1　为语言编写接缝测试　　129
7.4.2　网络类的交叉验证　　132
7.4.3　神经网络的参数调校　　135
7.4.4　收敛性测试　　136
7.4.5　神经网络的精度和查全率　　136
7.4.6　案例总结　　136
7.5　小结　　136
第8章　聚类　　137
8.1　用户组　　138
8.2　K均值聚类　　139
8.2.1　K均值算法　　139
8.2.2　K均值聚类的缺陷　　140
8.3　EM聚类算法　　141
8.4　不可能性定理　　142
8.5　音乐归类　　142
8.5.1　数据收集　　143
8.5.2　用K均值聚类分析数据　　144
8.5.3　EM聚类　　146
8.5.4　爵士乐的EM聚类结果　　149
8.6　小结　　151
第9章　核岭回归　　153
9.1　协同过滤　　153
9.2　应用于协同过滤的线性回归　　154
9.3　正则化技术与岭回归　　157
9.4　核岭回归　　158
9.5　理论总结　　158
9.6　用协同过滤推荐啤酒风格　　159
9.6.1　数据集　　159
9.6.2　我们所需的工具　　159
9.6.3　评论者　　162
9.6.4　编写代码确定某人的偏好　　164
9.6.5　利用用户偏好实现协同过滤　　166
9.7　小结　　167
第10章　模型改进与数据提取　　169
10.1　维数灾难问题　　169
10.2　特征选择　　171
10.3　特征变换　　173
10.4　主分量分析　　175
10.5　独立分量分析　　177
10.6　监测机器学习算法　　179
10.6.1　精度与查全率：垃圾邮件过滤　　179
10.6.2　混淆矩阵　　181
10.7　均方误差　　182
10.8　产品环境的复杂性　　183
10.9　小结　　183
第11章　结语　　185
11.1　机器学习算法回顾　　185
11.2　如何利用这些信息来求解问题　　186
11.3　未来的学习路线　　187
作者介绍　　188
封面介绍　　188
· · · · · · (收起)