機器學習算法框架實戰：Java和Python實現（簡體書）

隨著互聯網技術的飛速發展，全球逐漸步入了大數據時代，智能化的趨勢越來越明顯，各行各業幾乎都喊出了智能化的口號，機器學習作為人工智能的一個重要研究方向，在一定程度上成為了IT人才的必要技能。本書以一個自研機器學習算法框架的構建為主線，首先介紹了機器學習的相關概念和背景，然後按照代數矩陣運算層、最優化方法層、算法模型層和業務功能層的分層順序對算法框架展開講述，旨在通過理論和實踐相結合的方式，幫助廣大零算法基礎的開發人員瞭解和掌握一定的算法能力，同時作為算法設計人員在工程實現上的參考範例。
本書實用性強，既面向零算法基礎的開發人員，也面向具備一定算法能力，並且在工程實現上希望有所借鑒或參考學習的算法設計人員及機器學習算法愛好者。

以一個自研機器學習算法框架的構建為主線，首先介紹了機器學習算法的實踐

前言
第1篇 緒論
第1章 背景 2
1.1 機器學習的概念 2
1.2 機器學習所解決的問題 3
1.2.1 有監督學習問題 3
1.2.2 無監督學習 4
1.3 如何選擇機器學習算法 5
1.4 習題 5
第2章 機器學習算法框架概要 7
2.1 算法框架的分層模型 7
2.2 分層模型中各層級的職責 8
2.3 開始搭建框架的準備工作 8
2.3.1 使用Java開發的準備工作 8
2.3.2 使用Python開發的準備工作 13
第2篇 代數矩陣運算層
第3章 矩陣運算庫 20
3.1 矩陣運算庫概述 20
3.2 矩陣基本運算的實現 20
3.2.1 矩陣的數據結構 20
3.2.2 矩陣的加法和減法 22
3.2.3 矩陣的乘法和點乘 24
3.2.4 矩陣的轉置 26
3.3 矩陣的其他操作 27
3.2.1 生成單位矩陣 27
3.3.2 矩陣的複製 28
3.3.3 矩陣的合併 29
3.4 習題 32
第4章 矩陣相關函數的實現 33
4.1 常用函數 33
4.1.1 協方差函數 33
4.1.2 均值函數 34
4.1.3 歸一化函數 36
4.1.4 最大值函數 38
4.1.5 最小值函數 40
4.2 行列式函數 41
4.3 矩陣求逆函數 43
4.4 矩陣特徵值和特徵向量函數 44
4.5 矩陣正交化函數 45
4.5.1 向量單位化 45
4.5.2 矩陣正交化 47
4.6 習題 49
第3篇 最優化方法層
第5章 最速下降優化器 52
5.1 最速下降優化方法概述 52
5.1.1 模型參數優化的目標 52
5.1.2 最速下降優化方法 53
5.2 最速下降優化器的實現 54
5.2.1 參數優化器的接口設計 54
5.2.2 最速下降優化器的具體實現 57
5.3 一個目標函數的優化例子 62
5.3.1 單元測試示例：偏導數的計算 62
5.3.2 單元測試示例：目標函數的參數優化 64
5.4 習題 66
第6章 遺傳算法優化器 67
6.1 遺傳算法概述 67
6.1.1 遺傳算法的目標 67
6.1.2 遺傳算法的基本過程 68
6.2 遺傳算法優化器的實現 71
6.2.1 遺傳算法優化器主體流程的實現 71
6.2.2 遺傳算法優化器各算子的實現 74
6.3 一個目標函數的優化例子 82
6.4 習題 85
第4篇 算法模型層
第7章 分類和回歸模型 88
7.1 分類和回歸模型概述 88
7.2 基礎回歸模型 89
7.2.1 線性回歸模型 89
7.2.2 對數回歸模型 92
7.2.3 指數回歸模型 94
7.2.4 冪函數回歸模型 97
7.2.5 多項式回歸模型 100
7.3 分類回歸分析的例子 102
7.3.1 示例：驗證對數回歸模型 102
7.3.2 示例：對比不同模型 104
7.4 習題 108
第8章 多層神經網絡模型 109
8.1 多層神經網絡模型概述 109
8.1.1 網絡模型的表達形式 109
8.1.2 前饋運算 111
8.1.3 反向傳播 112
8.2 多層神經網絡模型的實現 115
8.3 多層神經網絡模型示例 122
8.4 習題 125
第9章 聚類模型 126
9.1 K-means模型 126
9.1.1 K-means聚類模型概述 126
9.1.2 K-means模型的實現 128
9.1.3 示例：一個聚類的例子 131
9.2 GMM 134
9.2.1 從一維高斯函數到多維高斯函數 134
9.2.2 GMM概述 136
9.2.3 GMM的實現 139
9.2.4 示例：對比K-means模型 144
9.3 習題 147
第10章 時間序列模型 148
10.1 指數平滑模型 148
10.1.1 移動平均模型 148
10.1.2 一次指數平滑模型 149
10.1.3 二次指數平滑模型 150
10.2 Holt-Winters模型 150
10.2.1 Holt-Winters模型概述 150
10.2.2 Holt-Winters模型的實現 151
10.2.3 示例：時間序列的預測 156
10.3 習題 160
第11章 降維和特徵提取 161
11.1 降維的目的 161
11.2 主成分分析模型 162
11.2.1 主成分分析方法概述 162
11.2.2 主成分分析模型的實現 165
11.2.3 示例：降維提取主要特徵 167
11.3 自動編碼機模型 170
11.3.1 非線性的主成分分析 170
11.3.2 自動編碼機原理概述 171
11.3.3 自動編碼機模型的實現 172
11.3.4 示例：對比主成分分析 173
11.4 習題 176
第5篇 業務功能層
第12章 時間序列異常檢測 178
12.1 時間序列異常檢測的應用場景 178
12.2 時間序列異常檢測的基本原理 178
12.2.1 基於預測的時間序列異常檢測 179
12.2.2 閾值的估計 179
12.3 時間序列異常檢測功能服務的實現 180
12.4 應用實例：找出數據中的異常記錄 182
12.5 習題 183
第13章 離群點檢測 184
13.1 離群點檢測的應用場景 184
13.2 離群點檢測的基本原理 185
13.2.1 基於多維高斯函數檢測離群點 186
13.2.2 數據的有效降維 188
13.3 離群點檢測功能服務的實現 188
13.4 應用實例：找出數據中的異常記錄 191
13.5 習題 193
第14章 趨勢線擬合 194
14.1 趨勢線擬合的應用場景 194
14.2 趨勢線擬合的基本原理 195
14.2.1 基於不同基礎回歸模型的擬合 196
14.2.2 選取合適的回歸模型 196
14.3 趨勢線擬合功能服務的實現 196
14.4 應用實例：對樣本數據進行趨勢線擬合 201
14.5 習題 203