VIP会员
内容简介
本书不仅清楚地介绍了在Go世界中机器学习的技术和编程方面的内容，还有助于读者理解现实分析工作中合理的工作流程和理念。本书的第1章~第3章讲述了在机器学习流程中如何准备和分析数据；第4章~第7章详细介绍了机器学习的技术；第8章和第9章对机器学习进行了深入探究；附录介绍了与机器学习相关的算法/技术。本书适合作为对Go感兴趣的数据科学家、分析师、工程师和相关专业学生的参考书。
目录
译者序
前言
第1章 数据的收集和组织1
1.1 数据处理-Gopher方式2
1.2 Go语言收集和组织数据的实践4
1.3 CSV文件5
1.3.1 从文件中读取CSV数据5
1.3.2 处理非预期的域6
1.3.3 处理非预期的类型7
1.3.4 用数据帧操作CSV数据9
1.4 JSON11
1.4.1 JSON的解析11
1.4.2 JSON的输出14
1.5 SQL-like数据库14
1.5.1 连接到一个SQL数据库15
1.5.2 查询数据库15
1.5.3 修改数据库17
1.6 缓存17
1.6.1 在内存中缓存数据17
1.6.2 在本地磁盘中缓存数据18
1.7 数据版本控制19
1.7.1 Pachyderm术语20
1.7.2 部署/安装Pachyderm20
1.7.3 创建用于数据版本控制的数据仓库21
1.7.4 把数据存储到数据仓库中21
1.7.5 从版本化的数据仓库中获取数据22
1.8 参考书目22
1.9 小结23
第2章 矩阵、概率论和统计学24
2.1 矩阵和向量24
2.1.1 向量24
2.1.2 向量操作25
2.1.3 矩阵26
2.1.4 矩阵操作27
2.2 统计学29
2.2.1 分布29
2.2.2 统计方法30
2.2.3 分布可视化34
2.3 概率论39
2.3.1 随机变量40
2.3.2 概率测量40
2.3.3 独立和条件概率40
2.3.4 假设检验41
2.4 参考书目43
2.5 小结44
第3章 评估和验证45
3.1 评估45
3.1.1 连续指标46
3.1.2 分类指标49
3.2 验证55
3.2.1 训练和测试集56
3.2.2 保留集59
3.2.3 交叉验证60
3.3 参考书目61
3.4 小结62
第4章 回归63
4.1 理解回归模型的术语63
4.2 线性回归64
4.2.1 线性回归概述64
4.2.2 线性回归假设和陷阱66
4.2.3 线性回归示例66
4.3 多元线性回归78
4.4 非线性和其他类型的回归81
4.5 参考书目85
4.6 小结86
第5章 分类87
5.1 理解分类模型的术语87
5.2 逻辑回归88
5.2.1 逻辑回归概述88
5.2.2 逻辑回归的假设和陷阱91
5.2.3 逻辑回归示例92
5.3 k-邻103
5.3.1 kNN概述103
5.3.2 kNN假设和陷阱104
5.3.3 kNN示例105
5.4 决策树和随机森林106
5.4.1 决策树和随机森林概述107
5.4.2 决策树和随机森林的假设及陷阱107
5.4.3 决策树示例108
5.4.4 随机森林的例子109
5.5 朴素贝叶斯109
5.5.1 朴素贝叶斯概念及其重要假设110
5.5.2 朴素贝叶斯例子110
5.6 参考书目111
5.7 小结112
第6章 集群113
6.1 理解集群模型术语113
6.2 距离或相似度的度量114
6.3 集群技术的评估115
6.3.1 内部集群评估115
6.3.2 外部集群评估120
6.4 k-均值集群120
6.4.1 k-均值集群综述120
6.4.2 k-均值的假设和陷阱122
6.4.3 k-均值集群的例子123
6.5 其他集群技术129
6.6 参考书目130
6.7 小结130
第7章 时间序列和异常检测131
7.1 在Go中表示时序数据131
7.2 理解时间序列的术语134
7.3 与时间序列有关的统计135
7.3.1 自相关135
7.3.2 偏自相关139
7.4 预测的自回归模型141
7.4.1 自回归模型概述141
7.4.2 自回归模型假设和陷阱142
7.4.3 自回归模型示例142
7.5 自回归移动平均和其他时间序列模型151
7.6 异常检测151
7.7 参考书目153
7.8 小结154
第8章 神经网络和深度学习155
8.1 理解神经网络术语155
8.2 构建一个简单的神经网络157
8.2.1 网络中的节点157
8.2.2 网络架构158
8.2.3 为什么期望这种架构有作用159
8.2.4 训练神经网络160
8.3 使用简单的神经网