GO语言机器学习实战 PDF下载

目 录
译者序
原书前言 
第1章 如何解决机器学习中的所有问题 // 1 
1.1 什么是一个问题 // 1 
1.2 什么是一个算法 // 2 
1.3 什么是机器学习 // 3 
1.4 是否需要机器学习 // 3 
1.5 一般问题解决过程 // 4 
1.6 什么是一个模型 // 5 
1.6.1 什么是一个好的模型 // 6 
1.7 本书主要内容与章节安排 // 6 
1.8 为什么选择Go语言 // 7 
1.9 快速启动 // 7 
1.10 函数 // 7 
1.11 变量 // 8 
1.11.1 值 // 9 
1.11.2 类型 // 9 
1.11.3 方法 // 11 
1.11.4 接口 // 11 
1.11.5 包和导入 // 12 
1.12 开始 // 13 
第2章 线性回归———房价预测 // 14 
2.1 项目背景 // 15 
2.2 探索性数据分析 // 15 
2.2.1 数据摄取和索引 // 16 
2.2.2 数据清洗工作 // 18 
2.2.3 进一步的探索性工作 // 25 
2.2.4 标准化 // 33 
2.3 线性回归 // 34 
2.3.1 回归 // 35 
2.3.2 交叉验证 // 37 
2.4 讨论和下一步的工作 // 39 
2.5 小结 // 40 
第3章 分类———垃圾邮件检测 // 41 
3.1 项目背景 // 41 
3.2 探索性数据分析 // 42 
3.2.1 数据标记 // 42 
3.2.2 规范化和词干提取 // 45 
3.2.3 停用词 // 45 
3.2.4 数据摄取 // 46 
3.3 分类器 // 47 
3.4 朴素贝叶斯 // 48 
3.4.1 TF-IDF // 48 
3.4.2 条件概率 // 49 
3.4.3 特征 // 51 
3.4.4 贝叶斯定理 // 51 
3.5 分类器实现 // 52 
3.5.1 类 // 53 
3.5.2 分类器第Ⅱ部分 // 54 
3.6 程序整合 // 58 
3.7 小结 // 61 
第4章 利用时间序列分析分解二氧化碳趋势 // 62 
4.1 探索性数据分析 // 62 
4.1.1 从非HTTP数据源下载 // 63 
4.1.2 处理非标准数据 // 63 
4.1.3 处理小数型日期 // 64 
4.1.4 绘图 // 65 
4.2 分解 // 68 
4.2.1 STL // 69 
4.2.2 更多绘制内容 // 81 
4.3 预测 // 86 
4.4 小结 // 89 
参考文献 // 89 
第5章 通过聚类整理个人推特账户的时间线 // 90 
5.1 项目背景 // 90 
5.2 K均值 // 90 
5.3 DBSCAN // 92 
5.4 数据采集 // 92 
5.5 探索性数据分析 // 92 
5.6 数据信息 // 96 
5.6.1 处理器 // 97 
5.6.2 单字预处理 // 99 
5.6.3 单条推特处理 // 103 
5.7 聚类 // 103 
5.7.1 K均值聚类 // 104 
5.7.2 DBSCAN聚类 // 105 
5.7.3 DMMClust聚类 // 107 
5.8 实际数据 // 108 
5.9 程序 // 111 
5.10 程序调整 // 113 
5.10.1 距离调整 // 114 
5.10.2 预处理步骤调整 // 115 
5.11 小结 // 117 
第6章 神经网络———MNIST手写体识别 // 118 
6.1 神经网络 // 118 
6.1.1 模拟神经网络 // 119 
6.2 线性代数101 // 121 
6.2.1 激活函数探讨 // 123 
6.3 学习功能 // 125 
6.4 项目背景 // 126 
6.4.1 Gorgonia // 126 
6.4.2 数据获取 // 126 
6.4.3 什么是张量 // 129 
6.4.4 构建神经网络 // 138 
6.4.5 前馈 // 139 
6.4.6 利用maybe类型进行错误处理 // 140
6.4.7 前馈函数说明 // 142 
6.4.8 成本 // 143 
6.4.9 反向传播 // 143 
6.5 神经网络训练 // 146 
6.6 交叉验证 // 148 
6.7 小结 // 150 
第7章 卷积神经网络———MNIST手写体识别 // 151 
7.1 有关神经元的一切认识都是错误的 // 151 
7.2 回顾神经网络 // 151 
7.2.1 Gorgonia // 152 
7.2.2 构建一个神经网络 // 161 
7.3 项目 // 164 
7.3.1 数据获取 // 164 
7.3.2 上一章的其他内容 // 166 
7.4 CNN简介 // 168 
7.4.1 什么是卷积 // 168 
7.4.2 最大池化 // 176 
7.4.3 退出 // 176 
7.5 构建一个CNN // 176 
7.5.1 反向传播 // 180 
7.6 运行神经网络 // 182 
7.7 测试 // 186 
7.7.1 准确率 // 188 
7.8 小结 // 189 
第8章 基本人脸检测 // 190 
8.1 什么是人脸 // 190 
8.1.1 Viola-Jones // 191 
8.2 PICO // 194 
8.2.1 关于学习的注意事项 // 194 
8.3 GoCV // 195 
8.3.1 API // 195 
8.4 PIGO // 195 
8.5 人脸检测程序 // 196 
8.5.1 从网络摄像头获取图像 // 196 
8.5.2 图像显示 // 197 
8.5.3 在图像上涂鸦 // 198 
8.5.4 人脸检测1 // 198 
8.5.5 人脸检测2 // 200 
8.5.6 算法结合 // 205 
8.6 算法评估 // 206 
8.7 小结 // 208 
第9章 热狗或者不是热狗———使用外部服务 // 209 
9.1 MachineBox // 209 
9.2 什么是MachineBox // 210 
9.2.1 登录和注册 // 210 
9.2.2 Docker安装与设置 // 211 
9.2.3 在Go语言中使用 MachineBox // 211 
9.3 项目 // 212