譯者序
前言
第1章　數據的收集和組織 1
1.1　數據處理-Gopher方式 2
1.2　Go語言收集和組織數據的最佳實踐 4
1.3　CSV文件 5
1.3.1　從文件中讀取CSV數據 5
1.3.2　處理非預期的域 6
1.3.3　處理非預期的類型 7
1.3.4　用數據幀操作CSV數據 9
1.4　JSON 11
1.4.1　JSON的解析 11
1.4.2　JSON的輸齣 14
1.5　SQL-like數據庫 14
1.5.1　連接到一個SQL數據庫 15
1.5.2　查詢數據庫 15
1.5.3　修改數據庫 17
1.6　緩存 17
1.6.1　在內存中緩存數據 17
1.6.2　在本地磁盤中緩存數據 18
1.7　數據版本控製 19
1.7.1　Pachyderm術語 20
1.7.2　部署/安裝Pachyderm 20
1.7.3　創建用於數據版本控製的數據倉庫 21
1.7.4　把數據存儲到數據倉庫中 21
1.7.5　從版本化的數據倉庫中獲取數據 22
1.8　參考書目 22
1.9　小結 23
第2章　矩陣、概率論和統計學 24
2.1　矩陣和嚮量 24
2.1.1　嚮量 24
2.1.2　嚮量操作 25
2.1.3　矩陣 26
2.1.4　矩陣操作 27
2.2　統計學 29
2.2.1　分布 29
2.2.2　統計方法 30
2.2.3　分布可視化 34
2.3　概率論 39
2.3.1　隨機變量 40
2.3.2　概率測量 40
2.3.3　獨立和條件概率 40
2.3.4　假設檢驗 41
2.4　參考書目 43
2.5　小結 44
第3章　評估和驗證 45
3.1　評估 45
3.1.1　連續指標 46
3.1.2　分類指標 49
3.2　驗證 55
3.2.1　訓練和測試集 56
3.2.2　保留集 59
3.2.3　交叉驗證 60
3.3　參考書目 61
3.4　小結 62
第4章　迴歸 63
4.1　理解迴歸模型的術語 63
4.2　綫性迴歸 64
4.2.1　綫性迴歸概述 64
4.2.2　綫性迴歸假設和陷阱 66
4.2.3　綫性迴歸示例 66
4.3　多元綫性迴歸 78
4.4　非綫性和其他類型的迴歸 81
4.5　參考書目 85
4.6　小結 86
第5章　分類 87
5.1　理解分類模型的術語 87
5.2　邏輯迴歸 88
5.2.1　邏輯迴歸概述 88
5.2.2　邏輯迴歸的假設和陷阱 91
5.2.3　邏輯迴歸示例 92
5.3　k-最近鄰 103
5.3.1　kNN概述 103
5.3.2　kNN假設和陷阱 104
5.3.3　kNN示例 105
5.4　決策樹和隨機森林 106
5.4.1　決策樹和隨機森林概述 107
5.4.2　決策樹和隨機森林的假設及陷阱 107
5.4.3　決策樹示例 108
5.4.4　隨機森林的例子 109
5.5　樸素貝葉斯 109
5.5.1　樸素貝葉斯概念及其重要假設 110
5.5.2　樸素貝葉斯例子 110
5.6　參考書目 111
5.7　小結 112
第6章　集群 113
6.1　理解集群模型術語 113
6.2　距離或相似度的度量 114
6.3　集群技術的評估 115
6.3.1　內部集群評估 115
6.3.2　外部集群評估 120
6.4　k-均值集群 120
6.4.1　k-均值集群綜述 120
6.4.2　k-均值的假設和陷阱 122
6.4.3　k-均值集群的例子 123
6.5　其他集群技術 129
6.6　參考書目 130
6.7　小結 130
第7章　時間序列和異常檢測 131
7.1　在Go中錶示時序數據 131
7.2　理解時間序列的術語 134
7.3　與時間序列有關的統計 135
7.3.1　自相關 135
7.3.2　偏自相關 139
7.4　預測的自迴歸模型 141
7.4.1　自迴歸模型概述 141
7.4.2　自迴歸模型假設和陷阱 142
7.4.3　自迴歸模型示例 142
7.5　自迴歸移動平均和其他時間序列模型 151
7.6　異常檢測 151
7.7　參考書目 153
7.8　小結 154
第8章　神經網絡和深度學習 155
8.1　理解神經網絡術語 155
8.2　構建一個簡單的神經網絡 157
8.2.1　網絡中的節點 157
8.2.2　網絡架構 158
8.2.3　為什麼期望這種架構有作用 159
8.2.4　訓練神經網絡 160
8.3　使用簡單的神經網絡 165
8.3.1　在實際數據上訓練神經網絡 166
8.3.2　評估神經網絡 168
8.4　引入深度學習 169
8.4.1　什麼是深度學習模型 170
8.4.2　基於Go語言的深度學習 171
8.5　參考書目 177
8.6　小結 178
第9章　部署、分布分析和模型 179
9.1　在遠程機器上可靠地運行模型 179
9.1.1　Docker和Docker術語簡介 180
9.1.2　Docker化機器學習的應用 181
9.2　構建可拓展和可重現的機器學習流水綫 191
9.2.1　搭建Pachyderm和Kubernetes集群 192
9.2.2　構建一個Pachyderm機器學習流水綫 193
9.2.3　更新流水綫並檢查齣處 202
9.2.4　縮放流水綫階段 204
9.3　參考書目 206
9.4　小結 206
附錄　與機器學習相關的算法/技術 207
· · · · · · (收起)