Go語言機器學習實戰
Xuanyi Chew
- 出版商: 機械工業
- 出版日期: 2020-04-01
- 定價: $474
- 售價: 8.5 折 $403
- 語言: 簡體中文
- 頁數: 224
- 裝訂: 平裝V
- ISBN: 7111645898
- ISBN-13: 9787111645894
-
相關分類:
Machine Learning
- 此書翻譯自: Go Machine Learning Projects: Eight projects demonstrating end-to-end machine learning and predictive analytics applications in Go
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$580$493 -
$650$585 -
$301區塊鏈 2.0 以太坊應用開發指南
-
$403Go語言編程入門與實戰技巧
-
$301機器學習 : Go語言實現 (Machine Learning With Go)
-
$403HTML 5 與 CSS 3 權威指南 (第4版·下冊)
-
$556HTML 5 與 CSS 3 權威指南 (第4版·上冊)
-
$534$507 -
$352深入學習 Go 語言
-
$520$406 -
$352Go 語言趣學指南
-
$620$484 -
$500$390 -
$534$507 -
$594$564 -
$580$458 -
$199區塊鏈工程實驗與實踐
-
$454Go 微服務實戰
-
$505深度學習與圍棋
-
$600$468 -
$653Go Web 編程實戰派 — 從入門到精通
-
$534$507 -
$880$695 -
$680$537 -
$660$515
相關主題
商品描述
本書主要介紹了Go語言中部署程序從而實現機器學習算法。
主要內容包括:利用Go語言中的庫和功能來配置機器學習環境,
對實際生活中的房價數據集進行回歸分析,
在Go語言中構建分類模型來區分垃圾電子郵件,通過聚類整理個人推特賬戶的時間線。
此外,本書還介紹了神經網絡和閆積神經網絡進行手寫體識別,
以及人臉檢測項目為例,介紹瞭如何選擇適合於具體項目的機器學習算法。
目錄大綱
目錄
譯者序
原書前言
第1章如何解決機器學習中的所有問題// 1
1.1什麼是一個問題// 1
1.2什麼是一個算法// 2
1.3什麼是機器學習// 3
1.4是否需要機器學習// 3
1.5一般問題解決過程// 4
1.6什麼是一個模型// 5
1.6.1什麼是一個好的模型// 6
1.7本書主要內容與章節安排// 6
1.8為什麼選擇Go語言// 7
1.9快速啟動// 7
1.10函數// 7
1.11變量// 8
1.11.1值// 9
1.11.2類型// 9
1.11.3方法// 11
1.11.4接口// 11
1.11.5包和導入// 12
1.12開始// 13
第2章線性回歸———房價預測// 14
2.1項目背景// 15
2.2探索性數據分析// 15
2.2.1數據攝取和索引// 16
2.2.2數據清洗工作// 18
2.2.3進一步的探索性工作// 25
2.2.4標準化// 33
2.3線性回歸// 34
2.3.1回歸// 35
2.3.2交叉驗證// 37
2.4討論和下一步的工作// 39
2.5小結// 40
第3章分類———垃圾郵件檢測// 41
3.1項目背景// 41
3.2探索性數據分析// 42
3.2.1數據標記// 42
3.2. 2規範化和詞幹提取// 45
3.2.3停用詞// 45
3.2.4數據攝取// 46
3.3分類器// 47
3.4樸素貝葉斯// 48
3.4.1 TF-IDF // 48
3.4 .2條件概率// 49
3.4.3特徵// 51
3.4.4貝葉斯定理// 51
3.5分類器實現// 52
3.5.1類// 53
3.5.2分類器第Ⅱ部分// 54
3.6程序整合// 58
3.7小結// 61
第4章利用時間序列分析分解二氧化碳趨勢// 62
4.1探索性數據分析// 62
4.1.1從非HTTP數據源下載// 63
4.1.2處理非標準數據// 63
4.1.3處理小數型日期// 64
4.1.4繪圖// 65
4.2分解// 68
4.2.1 STL // 69
4.2.2更多繪製內容// 81
4.3預測// 86
4.4小結// 89
參考文獻// 89
第5章通過聚類整理個人推特賬戶的時間線// 90
5.1項目背景// 90
5.2 K均值// 90
5.3 DBSCAN // 92
5.4數據採集// 92
5.5探索性數據分析// 92
5.6數據信息// 96
5.6.1處理器// 97
5.6.2單字預處理// 99
5.6.3單條推特處理// 103
5.7聚類// 103
5.7.1 K均值聚類// 104
5.7.2 DBSCAN聚類// 105
5.7.3 DMMClust聚類// 107
5.8實際數據// 108
5.9程序// 111
5.10程序調整// 113
5.10.1距離調整// 114
5.10.2預處理步驟調整// 115
5.11小結// 117
第6章神經網絡———MNIST手寫體識別// 118
6.1神經網絡// 118
6.1.1模擬神經網絡// 119
6.2線性代數101 // 121
6.2.1激活函數探討// 123
6.3學習功能// 125
6.4項目背景// 126
6.4.1 Gorgonia // 126
6.4.2數據獲取// 126
6.4.3什麼是張量// 129
6.4.4構建神經網絡// 138
6.4.5前饋// 139
6.4.6利用maybe類型進行錯誤處理// 140
6.4.7前饋函數說明// 142
6.4.8成本// 143
6.4.9反向傳播// 143
6.5神經網絡訓練// 146
6.6交叉驗證// 148
6.7小結// 150
第7章卷積神經網絡———MNIST手寫體識別// 151
7.1有關神經元的一切認識都是錯誤的// 151
7.2回顧神經網絡// 151
7.2.1 Gorgonia // 152
7.2.2構建一個神經網絡// 161
7.3項目// 164
7.3.1數據獲取// 164
7.3.2上一章的其他內容// 166
7.4 CNN簡介// 168
7.4.1什麼是卷積// 168
7.4.2池化// 176
7.4.出// 176
7.5構建一個CNN // 176
7.5.1反向傳播// 180
7.6運行神經網絡// 182
7.7測試// 186
7.7.1準確率// 188
7.8小結// 189
第8章基本人臉檢測// 190
8.1什麼是人臉// 190
8.1.1 Viola-Jones // 191
8.2 PICO // 194
8.2.1關於學習的注意事項// 194
8.3 GoCV // 195
8.3.1 API // 195
8.4 PIGO // 195
8.5人臉檢測程序// 196
8.5.1從網絡攝像頭獲取圖像// 196
8.5.2圖像顯示// 197
8.5.3在圖像上塗鴉// 198
8.5.4人臉檢測1 // 198
8.5.5人臉檢測2 // 200
8.5.6算法結合// 205
8.6算法評估// 206
8.7小結// 208
第9章熱狗或者不是熱狗———使用外部服務// 209
9.1 MachineBox // 209
9.2什麼是MachineBox // 210
9.2.1登錄和註冊// 210
9.2.2 Docker安裝與設置// 211
9.2.3在Go語言中使用MachineBox // 211
9.3項目// 212
9.3.1訓練// 212
9.3.2從網絡攝像頭讀取圖像// 213
9.3.3美化結果// 214
9.4結果// 216
9.5這一切意味著什麼// 218
9.6為什麼採用MachineBox // 219
9.7小結// 219
第10章今後發展趨勢// 220
10.1讀者應該關注什麼// 221
10.1.1從業者// 221
10.1.2研究人員// 221
10.2研究人員、從業者及其利益相關者// 222
10.3本書未涉及的內容// 222
10.4更多學習資源// 223