全书分为准备篇、基础篇、 统计分析实战和机器学习实战篇。由于目前出版的机器学习大多偏重理论，这对机器学习类书籍的读者带来了极大的挑战，抽象的理论加上成堆的数学公式将大量渴求学习的人们挡在了门外。针对这种情况，本书力求理论联系实际，对理论基础进行一定的介绍，注重机器学习算法的实际运用，让读者明白其中原理，而对机器学习算法涉及的深层数学知识及其复杂的数学推导在本书中涉及较少。
准备篇中首先将介绍机器学习发展及应用前景，使读者对机器学习的应用前景产生深厚的兴趣，同时介绍目前常用的科学计算平台和本书将用到的工程计算平台，使读者消除对机器学习的学习难度的畏惧。这些平台的使用，也降低了机器学习软件实现的门槛。
基础篇将对数学知识基础、计算平台应用实例、生产环境技术进行介绍，推荐配置学习的数学教科文档，介绍计算平台的开发基本知识，应用这些平台实现计算应用以及如何在生产环境配置。
最后，本书将针对统计分析实战和机器学习实战2个部分帮助读者建立机器学习实战指南，在这部分，将大量应用计算平台对统计分析以及机器学习算法进行软件实现和应用，同时附有大量效果图，让读者对机器学习的应用和理论基础有一个形象理解。

机器学习领域经典著作全新升级版，增补内容达40%以上。以算法应用为主线，以全新的角度诠释机器学习的算法理论及实际运用，透过案例系统阐述机器学习的实践方法和应用技巧

我在“陌陌”工作的时候，由于工作关系接触了本书。起初是当作工具书来阅读的，后来才发现这本书的连贯性很好，于是又重新读了一遍。本书这种从实战的角度带入问题，很快地定位问题，而且举一反三地由书中的例子解决实际工作中的问题。机器学习就是需要通过实际的例子让你的机器更“聪明”，更懂得你需要什么。强烈推荐！
—— 网友：tangmash
我从事数据挖掘工作4年，过去使用SAS进行数据挖掘，由于本职工作需要了解机器学习、Python等，而《机器学习实践指南》刚好都有所涉及。这本书真正把知识点与思路很好地串联了起来，由最开始介绍什么是机器学习，如何搭建相关环境，到算法的介绍以及代码实现，都体现作者希望读者能从实践中快速入门、融会贯通的思想。这本书起到了最核心的实践和指南作用，值得一读。期待作者在以后的作品中能带给读者更多的启发。
—— 网友：Keven_guo
我是非计算机专业的一名大专生，本书非常适合初学者，理论不多，偏于实战。一方面能快速提高Python技能，另一方面也能快速理解机器学习。通过本书，可由浅入深、逐步解决在机器学习中遇到的疑惑。在实际开发中，本书对我帮助很大。
—— 网友：MG
本人是计算神经科学专业的在读博士，因需要快速入门机器学习，一个偶然的机会看到了《机器学习实践指南》这本书，该书帮助我快速理解了机器学习并将这些方法应用于自己的研究领域。之前看过一些其他与机器学习相关的书籍，基本上都是偏理论的，没有太多实例或者自己动手的机会。本书包含从基础理论的介绍到最后问题的解决方案和实践思路，并提供详细的源代码和数据。读者可以边看书边上机，步步为营。书中还介绍了MLPY等一些实用机器学习库, 也详细介绍了像神经网络、SVM等技术方法。总之，本书很适合像我这样需要快速入门机器学习的读者。最后作者还建立了书友QQ群，让书友可以一起讨论交流，作者还会在群里与大家一起讨论和分析问题，气氛很好。
—— 网友：Boite
很偶然地看到这本书，正好自己在研究机器学习，感觉机器学习涉及的很多算法是很难懂的，然而本书让我获得了机器学习方面的很多知识并解答了许多疑惑，果断给“满分”。机器学习可以说还是一门很新的技术，它甚至可以上升到一个新学科，其中要研究的东西很多。本书侧重于实践和应用，用于机器学习启蒙是再好不过的了。
—— 网友：skyworthfly
我是深圳市芥末金融信息服务公司的一位技术员工，由于项目需求，在China-pub上看到本书。个人觉得本书是一本非常注重实践的书，比较适合初学者和想快速应用的开发人员。书中的示例比较切合实际。个人认为作者在举例方面很用心，能将难懂的机器学习原理用简单的代码快速地表达和应用。
—— 网友：john_deng

内容简介
本书以算法应用为主线，由浅入深细致地讲解，从全新的角度诠释机器学习的算法理论，同时注重机器学习算法的实际运用。为让读者便于理解，首先概述了机器学习算法，并介绍目前常用的科学计算平台和书中将用到的工程计算平台，通过应用计算平台，降低了算法实现的难度；然后，对相关计算平台应用实例进行讲解，介绍计算平台的开发基础，并讲解计算的应用与实例；最后，以数据统计分析实战和机器学习实战为重点，应用计算平台实现数据统计分析以及机器学习算法。第2版相对第1版扩充了很多内容，比如：生产环境部署、假设检验与回归、描述性分析、图像算法与机器视觉、更多的机器学习算法、自然语言处理等。此书可供IT专业人员和机器学习爱好者参考使用。
书中涉及的代码及相关资源请到https://yunpan.cn/cYjhBYGLKkKTb（提取码：65ad）下载，欢迎读者发送邮件到麦好的邮箱myhaspl@myhaspl.com，期待读者的真挚反馈。

最近几年，借着大数据的东风，机器学习一直保持着强劲的发展势头，资本市场也一度为之“疯狂”，到了2015年，人类在机器学习领域取得了一系列重大突破，2016年及未来若干年将是“机器学习”的发力阶段。本书致力于阐述机器学习实践的必备知识，第1版发行以后，深受广大读者的喜爱。然而，由于机器学习涉及的内容繁多，以致必须了解的知识也很庞杂，而第1版成书匆忙，部分内容缺失或描述不够细致，因此第2版在此基础上进行了完善，增补内容达40%以上。本书分为四部分，由浅入深讲解机器学习算法，希望能帮助更多的朋友进入机器学习的精彩世界。本书的读者QQ群为192029861。

作者简介
麦好　计算机专业工程硕士，CSDN专家，青年海归协会成员，中国量化投资学会山西分会成员，目前从事金融智能算法与投资数据分析工作。有十余年架构设计及算法设计经验，先后就职于多家软件科技公司、电子科技公司，实战经验丰富，擅长使用C、C++、Python、汇编、R、SAS等语言，参与过信息系统核心组件、社区插件、垂直搜索引擎、文本分析系统、通信信息隐藏、视频服务、汇编底层设计、基于分布式计算平台的网络数据爬取与分析等项目。近期关注计算神经学、分子生物学、智能机器人、物联网等方向。

为什么要写这本书
随着全球第三次工业革命的迅猛发展，机器学习技术异军突起，人类对机器学习技术的研究也开辟出了许多全新的应用领域，这使智能机器的计算能力和可定制性上升到了一个新的层次。到了2015年，人类在机器学习领域取得了一系列重大的突破，这项技术已悄无声息地潜入我们的日常生活，而在未来，机器学习也将拥抱变化，持续发力。如今，它已经在各行各业的技术革新中扮演着日益重要的角色，从各方面影响和改变着我们的生活。
近年来，机器学习技术在国外得到了海量应用和深入发展。2015年11月，谷歌开源了全新的TensorFlow机器学习系统，该系统更快、更智能，也更具有弹性。2015年1月，机器学习平台 GraphLab改名为Dato，并获得了 1850 万美元的新融资（投资方为 Vulcan Capital 、Opus Capital 、New Enterprise Associates、Madrona Venture Group），此前他们曾获得 680 万美元的融资。2015年8月，Facebook推出了“M”，Facebook认为人类不仅会回答人工智能所不能回答的问题，而且从长远来看，人类也会帮助改善人工智能技术，“M”除了能做到回答问题、查阅信息等基本功能外，还可以帮助用户完成如购买商品、餐厅定位、安排旅行计划等操作。在2015年12月召开的“2015年神经信息处理系统”（NIPS）会议上，微软研究人员和工程师公开了20多篇机器学习最新研究成果的论文。此外，微软还宣布，机器学习正在成为Windows 10的一部分：Skype翻译可以将口语几乎实时地翻译成其他语言，就像《星际迷航》中的通用翻译器那样，可以做到面对面的交流。Cortana个人数字助理在与用户的互动中不断学习与改进，从而帮助用户管理日历、跟踪快递，甚至能与用户聊天和讲笑话，实现真正的个性化互动体验。Clutter是微软Office 2016的成员，通过学习它可以识别出哪些电子邮件对用户来说最重要，并自动将不重要的邮件重定向到一个单独的文件夹中，从而保持用户收件箱的整洁。2015年9月，美军军队医疗中心指挥官少将Steve Jones在美军陆军的一次会议上发言表示，未来可以让智能机器人代替人类上战场运送伤员，美国军方甚至高调宣布：未来战场上机器人救起的可能不是人，而是机器人，因为智能机器人军团将代替人类出征。
在国内，机器学习掀起了技术革新的热潮，智能技术得到了广泛的普及和应用。隶属于中国科学院的新松机器人自动化公司生产了智能复合型机器人，这个安装了眼睛和感知器件的智能机器人，可以在车间里自由地行走并十分精确地完成任务，当其他工位人手不足时，接到指令的他还会主动上前帮忙，马上进入角色并开始工作。百度创造和完善了大规模机器学习的技术，搭建了一个能容纳万亿特征数据的、分钟级别模型更新的、高效训练的点击率预估系统；为进一步深入地发展机器学习技术，百度开始研究如何从“机器学习”到“复制人类大脑”； 此外，百度甚至在2016年提出，百度的产品和服务都靠机器学习等技术来驱动。
随着机器学习技术在国内外的大量应用，机器学习工程师成为炙手可热的职位。现在中国已经悄然兴起了机器学习的学习热潮，掌握了机器学习技术的工程师将成为各大IT巨头疯抢的“香馍馍”，良好的发展势头和较高的职业薪水，吸引着越来越多的软件工程师和数据分析师涌入机器学习的领域。国内知名的公司百度、阿里巴巴、腾讯（俗称BAT）为迎接大数据时代带来的挑战，早已全面引进机器学习方面的人才，并有组织地对机器学习技术展开大规模的、更深入的研究。其他各大公司（包括非IT行业的公司）也提出了引进机器学习研发工程师的渴求。
但是，机器学习的入门门槛较高，尤其是对研究者的数学理解能力有较高的要求，相对于数据结构、算法导论中讲述的计算机算法及系统架构知识来说，机器学习是一个全新的领域，理解机器学习算法往往要从理解它所涉及的数学公式和数学知识开始，打好数学基础是非常有必要的，一旦掌握了数学分析、线性代数、概率与统计、统计学、离散数学、抽象代数、数学建模等数学理论后，理解机器学习算法就会容易很多，不再畏惧那些让人生厌的、麻烦的数学符号和数学公式，说不定还会喜欢上这些数学公式，并亲自推导一番。希望本书能帮助朋友们进入机器学习的精彩世界。
读者对象
开发人员。在理解机器学习算法的基础上，调用机器学习的中间库进行开发，将机器学习应用于各种场景，如数据分析、图像识别、文本分类、搜索引擎、中文智能输入法等。
架构师。在理解机器学习算法的基础上，适应现代云计算平台的发展，将机器学习算法应用在大规模的并行计算上。同时，机器学习算法是大数据分析的基础，如神经网络、SVM、相似度分析、统计分析等技术。
机器学习的初、中级读者。人类对机器学习的研究只是一个开始，还远远没有结束。近年来，机器学习一直保持着强劲的发展势头，并拥有美好的发展前景，这点不同于某些软件开发领域中的程序语言或架构知识。掌握机器学习技术有一定的难度，但也意味着，掌握机器学习的技术就能获得更高的薪水和更具前景的职业。
如何阅读本书
全书分为准备篇、基础篇、 统计分析实战篇和机器学习实战篇。机器学习算法建立在复杂的计算理论基础之上，并涉及多门数学学科。抽象的理论加上成堆的数学公式，给部分读者带来了极大的挑战，将渴求学习的人们挡在了门外。针对这种情况，本书力求理论联系实际，在介绍理论基础的同时，注重机器学习算法的实际运用，让读者更好地明白其中的原理。
准备篇中首先将介绍机器学习的发展及应用前景，使读者产生浓厚的兴趣，同时也将介绍目前常用的科学计算平台和本书将用到的工程计算平台，使读者消除对机器学习的畏难情绪，这些平台的使用也降低了机器学习软件实现的难度。
基础篇将介绍数学知识基础和计算平台应用实例，介绍计算平台的开发基本知识，并应用这些平台实现计算应用。
最后，本书将针对统计分析实战和机器学习实战两个部分帮助读者建立机器学习实战指南，应用计算平台对统计分析及机器学习算法进行实现和应用，同时还会附上效果图，让读者对机器学习的基本应用和理论基础有一个形象的理解。
勘误和支持
由于作者的水平有限，编写的时间也很仓促，书中难免会出现一些错误或不准确的地方，不妥之处恳请读者批评指正。如果遇到任何问题，或有更多的宝贵意见，欢迎发送邮件至我的邮箱myhaspl@myhaspl.com，很期待能够听到您的真挚反馈。此外，本书的代码及相关资源（包括思考题中涉及的数据等）的下载地址为：https://yunpan.cn/cYjhBYGLKkKTb（提取码：65ad）。
致谢
首先我要感谢伟大的电影《机械公敌》及其主角威尔 史密斯，这位美国演员主演了《当幸福来敲门》《拳王阿里》《绝地战警》《全民超人汉考克》《黑衣人》《机械公敌》，他曾获奥斯卡奖和金球奖提名。他主演的《当幸福来敲门》让很多人理解到了幸福是什么，而《机械公敌》让我看到了人工智能的未来，我相信《机械公敌》描述的以下场景在将来一定能实现：
公元2035年，智能型机器人已被人类广泛利用，作为最好的生产工具和人类伙伴，机器人在各个领域扮演着日益重要的角色。而由于众所周知的机器人“三大安全法则”的限制，人类对这些能够胜任各种工作且毫无怨言的伙伴充满信任，它们中的很多甚至已经成为各个家庭的组成成员。
在此，我衷心地感谢机械工业出版社华章分社的编辑杨福川老师和策划编辑杨绣国老师，由于他们的魄力和远见，让我顺利地完成了全部书稿。最后我要感谢家人的大力支持和无私奉献，正因为有他们的关心和照顾，我才有足够的时间和精力来完成本书的撰写工作。
谨以此书，献给热爱机器学习的朋友，以及喜欢威尔 史密斯的影迷。

麦好（Myhaspl）
2016年3月于中国广东

计算机科学/大数据分析与处理

针对本书第1版，豆瓣网友的评论
我在“陌陌”工作的时候，由于工作关系接触了本书。起初是当作工具书来阅读的，后来才发现这本书的连贯性很好，于是又重新读了一遍。很喜欢本书这种从实战的角度带入问题，并能很快地定位问题，而且举一反三地由书中的例子解决实际工作中问题的方式。机器学习就是需要通过实际的例子让你的机器更“聪明”，更懂得你需要什么。强烈推荐！
——网友：tangmash

我在深圳市海数互联科技公司工作，从事数据挖掘工作4年，过去使用SAS进行数据挖掘，由于本职工作需要了解机器学习、Python等，而《机器学习实践指南》刚好都有所涉及。这本书真正把知识点与思路很好地串联起来，由最开始介绍什么是机器学习，如何搭建相关环境，到算法的介绍以及代码实现，都体现作者希望读者能从实践中快速入门、融会贯通的思想。从广度上来说，本书还涉及了声音、图像、文本等主流领域，在有限的篇幅里指导读者进入该领域。这本书达到了最核心的实践和指南作用，值得一读。期待作者在以后的作品中能带给读者更多的启发。
——网友：Keven_guo

我是非计算机专业的一名大专生，此书非常适合初学者，理论不多，偏于实战。一方面能快速提高Python技能，另一方面也能快速理解机器学习。通过本书，可由浅入深、逐步解决在机器学习中遇到的疑惑。在实际开发中，本书对我帮助很大。
——网友：MG

本人是一个计算神经科学专业的在读博士，因需要快速入门机器学习，一个偶然的机会看到了《机器学习实践指南》这本书，该书帮助我快速理解了机器学习并将这些方法应用于自己的研究领域。之前看过一些其他与机器学习相关的书籍，基本上都是偏理论的，没有太多实例或者自己动手的机会。本书包含从基础理论的介绍到最后问题的解决方案和实践思路，并提供详细的源代码和数据。读者可以边看书边上机，步步为营。书中还介绍了MLPY等一些实用机器学习库, 也详细介绍了像神经网络、SVM等技术方法。总之，本书很适合像我这样需要快速入门机器学习的读者。最后作者还建立了书友QQ群，让书友可以一起讨论交流，作者还会在群里与大家一起讨论和分析问题，气氛很好。
——网友：Boite

很偶然地看到这本书，正好自己在研究机器学习，感觉机器学习涉及的很多算法是很难懂的，然而本书让我获得了很多机器学习方面的知识和解答了许多疑惑，果断给“满分”。机器学习可以说还是很新的一门技术，甚至可以说上升到一个新学科这样的地位，感觉要研究的东西很多。本书侧重于实践和应用，用于机器学习启蒙是再好不过的了。
——网友：skyworthfly

我是深圳市芥末金融信息服务公司的一位技术员工，由于项目需求，在China-pub上看到本书。个人觉得本书是一本非常注重实践的书，比较适合初学者和想快速应用的开发人员。书中的示例比较切合实际。个人认为作者在举例方面很用心，能将难懂的机器学习原理用简单的代码快速地表达和应用。
——网友：john_deng

麦好 著：暂无简介

在2013年的中国大数据创新峰会上，我偶然结识了作者，期间聊到了人工智能革命和机器学习的话题，被作者的渊博知识所折服，慢慢地结下了深厚的友谊。时间一晃而过，机器学习现在已经得到了井喷式发展，按照麻省理工学院罗德尼?布鲁克斯的预测：到2100年以前，我们的日常生活中将充满智能机器人，而且人类无法将自己同它们区分开来，我们也将是机器人，同机器人互相联系。
追忆2011年，当时我在吉林大学读研三，幸运地拿到了百度研发工程师的offer，进入百度商务搜索架构部，一直做着与凤巢广告相关的工作。现代广告业的奠基人大卫?奥格威曾经说过，除非你的广告建立在伟大的创意之上，否则它就像夜航的船，不为人所注意。广告的创意是广告的灵魂，我也一直沿着广告内容技术的方向，优化创意，提升用户的体验，提升广告主的转化。在这个方向上，我采用了机器学习的相关技术，取得了毕昇（获得2014年度百度最高奖）、图片凤巢、知识凤巢、地域识别等项目的成功，深刻地体会到了机器学习的强大，正是有了机器学习的闪闪发光，才推动了很多令人惊艳的产品的诞生。对于互联网、IT从业人员，机器学习已经成为必备利器，掌握了它，就等于站在了巨人的肩膀上工作，可帮助自己提高个人的核心竞争力。
我和作者认识近3年，同时也是《机器学习实践指南》第1版的读者，并在工作之余与作者一起管理《机器学习实践指南》的读者QQ群（群号：192029861），在群里认识了更多专注机器学习的朋友和学者。《机器学习实践指南》第1版主要针对初、中级读者，作者出书的目标就是：以机器学习算法的实践应用为主，将更多的“门外汉”带入机器学习殿堂，让更多拥有机器学习理论却无法下手的朋友掌握机器学习实践思维，轻松步入机器学习实战领域。实践思维对IT行业非常重要，一旦形成了适当的思维方式，很多工作中遇到的技术难题将迎刃而解，学习新知识的速度也更快，因为只有实践与理论相结合才能更精准地理解知识。也希望对机器学习有兴趣的读者能从中受益。
《机器学习实践指南》第2版出版在即，我高兴地接受了作者的邀请——为本书写推荐序。第2版比第1版增加了更多的案例和算法解析，全书详细介绍了机器学习发展及应用前景、科学计算平台、Python计算平台应用、R语言计算平台应用、生产环境基础、统计分析基础、描述性分析案例、假设检验与回归模型案例、神经网络、统计算法、欧氏距离与余弦相似度、SVM、回归算法、PCA降维、关联规则、聚类与分类算法、数据拟合案例、图像算法案例、机器视觉案例、文本分类案例等机器学习实践与应用。
第2版致力推动机器学习理论在国内的普及和应用，为公司创建更多的商业价值；同时，力争让更多的学生、IT工程师等进入人工智能相关领域，适应智能时代工作的需要。
最后，希望大家喜欢这本书，进而从中受益。

徐培治
百度在线网络技术（北京）有限公司
2016年3月于北京

推荐序
前言
第一部分　准备篇
第1章 机器学习发展及应用前景　2
1.1 机器学习概述　2
1.1.1 什么是机器学习　3
1.1.2 机器学习的发展　3
1.1.3 机器学习的未来　4
1.2 机器学习应用前景　5
1.2.1 数据分析与挖掘　5
1.2.2 模式识别　6
1.2.3 更广阔的领域　6
1.3 小结　7
第2章 科学计算平台　8
2.1 科学计算软件平台概述　9
2.1.1 常用的科学计算软件　9
2.1.2 本书使用的工程计算平台　10
2.2 计算平台的配置　11
2.2.1 Numpy等Python科学计算包的安装与配置　11
2.2.2 OpenCV 安装与配置　14
2.2.3 mlpy 安装与配置　14
2.2.4 BeautifulSoup安装与配置　15
2.2.5 Neurolab安装与配置　15
2.2.6 R安装与配置　16
2.3 小结　16
第二部分　基础篇
第3章 计算平台应用实例　18
3.1 Python计算平台简介及应用实例　18
3.1.1 Python语言基础　18
3.1.2 Numpy库　29
3.1.3 pylab、matplotlib绘图　36
3.1.4 图像基础　38
3.1.5 图像融合与图像镜像　46
3.1.6 图像灰度化与图像加噪　48
3.1.7 声音基础　51
3.1.8 声音音量调节　53
3.1.9 图像信息隐藏　58
3.1.10 声音信息隐藏　62
3.2 R语言基础　68
3.2.1 基本操作　69
3.2.2 向量　71
3.2.3 对象集属性　77
3.2.4 因子和有序因子　78
3.2.5 循环语句　79
3.2.6 条件语句　79
3.3 R语言科学计算　80
3.3.1 分类（组）统计　80
3.3.2 数组与矩阵基础　81
3.3.3 数组运算　84
3.3.4 矩阵运算　85
3.4 R语言计算实例　93
3.4.1 学生数据集读写　93
3.4.2 最小二乘法拟合　94
3.4.3 交叉因子频率分析　96
3.4.4 向量模长计算　97
3.4.5 欧氏距离计算　98
3.5 小结　99
思考题　99
第4章 生产环境基础　100
4.1 Windows Server 2008基础　100
4.1.1 Windows Server 2008 R2概述　101
4.1.2 Windows PowerShell　102
4.2 Linux基础　103
4.2.1 Linux命令　104
4.2.2 Shell基础　114
4.3 Vim编辑器　122
4.3.1 Vim编辑器概述　122
4.3.2 Vim常用命令　123
4.4 虚拟化平台　124
4.4.1 Citrix Xenserver概述　125
4.4.2 Citrix Xenserver部署　126
4.4.3 基于XenCenter的虚拟服务器管理　126
4.5 Linux环境下的NumPy安装　135
4.6 Linux环境下的R运行环境　136
4.7 PyPy编译器　136
4.7.1 PyPy概述　136
4.7.2 PyPy安装与配置　137
4.7.3 PyPy性能　137
4.7.4 PyPy实践之Lempel-Ziv压缩　138
4.8 小结　145
思考题　146
第三部分　统计分析实战篇
第5章 统计分析基础　148
5.1 数据分析概述　148
5.2 数学基础　149
5.3 回归分析　154
5.3.1 单变量线性回归　154
5.3.2 多元线性回归　156
5.3.3 非线性回归　157
5.4 数据分析基础　159
5.4.1 区间频率分布　159
5.4.2 数据直方图　161
5.4.3 数据散点图　162
5.4.4 五分位数　 164
5.4.5 累积分布函数　165
5.4.6 核密度估计　166
5.5 数据分布分析　167
5.6 小结　169
思考题　170
第6章 描述性分析案例　171
6.1 数据图形化案例解析　171
6.1.1 点图　171
6.1.2 饼图和条形图　172
6.1.3 茎叶图和箱线图　173
6.2 数据分布趋势案例解析　175
6.2.1 平均值　175
6.2.2 加权平均值　175
6.2.3 数据排序　176
6.2.4 中位数　177
6.2.5 极差、半极差　177
6.2.6 方差　178
6.2.7 标准差　178
6.2.8 变异系数、样本平方和　178
6.2.9 偏度系数、峰度系数　179
6.3 正态分布案例解析　180
6.3.1 正态分布函数　180
6.3.2 峰度系数分析　181
6.3.3 累积分布概率　181
6.3.4 概率密度函数　182
6.3.5 分位点　183
6.3.6 频率直方图　185
6.3.7 核概率密度与正态概率分布图　185
6.3.8 正态检验与分布拟合　186
6.3.9 其他分布及其拟合　188
6.4 多变量分析　189
6.4.1 多变量数据分析　189
6.4.2 多元数据相关性分析　197
6.5 小结　201
思考题　201
第7章 假设检验与回归模型案例　202
7.1 假设检验　202
7.1.1 二项分布假设检验　202
7.1.2 数据分布检验　204
7.1.3 正态总体均值检验　205
7.1.4 列联表　206
7.1.5 符号检测　207
7.1.6 秩相关检验　210
7.1.7 Kendall相关检验　213
7.2 回归模型　214
7.2.1 回归预测与显著性检验　214
7.2.2 回归诊断　216
7.2.3 回归优化　217
7.2.4 主成分回归　219
7.2.5 广义线性模型　221
7.3 小结　226
思考题　226
第四部分　机器学习实战篇
第8章 机器学习算法　230
8.1 神经网络　230
8.1.1 Rosenblatt感知器　232
8.1.2 梯度下降　245
8.1.3 反向传播与多层感知器　251
8.1.4 Python神经网络库　270
8.2 统计算法　272
8.2.1 平均值　272
8.2.2 方差与标准差　274
8.2.3 贝叶斯算法　276
8.3 欧氏距离　279
8.4 余弦相似度　280
8.5 SVM　281
8.5.1 数学原理　281
8.5.2 SMO算法　283
8.5.3 算法应用　283
8.6 回归算法　287
8.6.1 线性代数基础　288
8.6.2 最小二乘法原理　289
8.6.3 线性回归　290
8.6.4 多元非线性回归　292
8.6.5 岭回归方法　294
8.6.6 伪逆方法　295
8.7 PCA降维　296
8.8 关联规则　297
8.8.1 关联规则概述　297
8.8.2 频繁项集算法　298
8.8.3 关联规则生成　301
8.8.4 实例分析　302
8.9 自动分类　306
8.9.1 聚类算法　306
8.9.2 决策树　313
8.9.3 AdaBoost　316
8.9.4 竞争型神经网络　317
8.9.5 Hamming神经网络　323
8.10 小结　325
思考题　325
第9章 数据拟合案例　327
9.1 数据拟合　327
9.1.1 图像分析法　327
9.1.2 神经网络拟合法　338
9.2 线性滤波　352
9.2.1 WAV声音文件　352
9.2.2 线性滤波算法过程　352
9.2.3 滤波Python实现　353
9.3 数据或曲线平滑　358
9.3.1 平滑概述　358
9.3.2 移动平均　359
9.3.3 递归线性过滤　362
9.3.4 指数平滑　364
9.4 小结　368
思考题　368
第10章 图像算法案例　370
10.1 图像边缘算法　370
　10.1.1 数字图像基础　370
　10.1.2 算法描述　371
10.2 图像匹配　372
　10.2.1 差分矩阵求和　373
　10.2.2 差分矩阵均值　375
　10.2.3 欧氏距离匹配　376
10.3 图像分类　382
　10.3.1 余弦相似度　382
　10.3.2 PCA图像特征提取算法　388
　10.3.3 基于神经网络的图像分类　389
　10.3.4 基于SVM的图像分类　394
10.4 高斯噪声生成　397
10.5 二值化　401
　10.5.1 threshold　401
　10.5.2 adaptiveThreshold　402
10.6 插值与缩放　404
10.7 仿射　405
　10.7.1 仿射原理　405
　10.7.2 仿射变换实例　405
10.8 透视投影与透视变换　406
　10.8.1 透视投影原理　406
　10.8.2 透视投影实例　407
10.9 灰度变换与图像增强　409
　10.9.1 灰度变换概述　409
　10.9.2 对数变换　409
　10.9.3 分段线性变换　410
　10.9.4 指数变换　411
　10.9.5 直方图均衡化　412
10.10　图像滤波与除噪　415
　　10.10.1　均一化块滤波　415
　　10.10.2　邻域平均法　420
　　10.10.3　中值滤波　423
　　10.10.4　高斯滤波　427
　　10.10.5　双边滤波　429
　　10.10.6　卷积滤波　431
　　10.10.7　边缘检测　433
10.11　小结　435
思考题　435
第11章 机器视觉案例　437
11.1 人脸辨识　437
　11.1.1 人脸定位　437
　11.1.2 人脸辨识　439
11.2 手写数字识别　446
　11.2.1 手写数字识别算法　446
　11.2.2 算法的Python实现　447
11.3 运动侦测　449
　11.3.1 视频采集　450
　11.3.2 差分算法　452
　11.3.3 光流法　456
11.4 形状检测　458
　11.4.1 KNN算法概述　458
　11.4.2 形状特征提取　459
　11.4.3 形状分类　459
11.5 小结　462
思考题　462
第12章 文本分类案例　463
12.1 文本分类概述　463
12.2 余弦相似度分类　464
　12.2.1 中文分词　465
　12.2.2 停用词清理　467
　12.2.3 算法实战　468
12.3 朴素贝叶斯分类　473
　12.3.1 算法描述　473
　12.3.2 先验概率计算　474
　12.3.3 最大后验概率　474
　12.3.4 算法实现　474
12.4 自然语言处理　480
　12.4.1 NLTK简介　480
　12.4.2 NLTK与jieba的配置　481
　12.4.3 中文分词并标注词性　483
　12.4.4 词特征指标分析　484
　12.4.5 Web文档分析　499
　12.4.6 Web文档的朴素贝叶斯分类　503
　12.4.7 语法结构分析　515
　12.4.8 Web文档聚类　518
12.5 小结　526
思考题　526