机器学习项目开发实战

目录

　

第1章　256级灰度　1

　1.1 什么是机器学习　2

　1.2 经典的机器学习问题：图像分类　3

　1.2.1 挑战：构建一个数字识别程序　3

　1.2.2 机器学习中的距离函数　5

　1.2.3 从简单的方法入手　5

　1.3 我们的第一个模型（C#版本）　6

　1.3.1 数据集组织　6

　1.3.2 读取数据　7

　1.3.3 计算图像之间的距离　9

　1.3.4 编写分类器　11

　1.4 那么，如何知道程序有效？　12

　1.4.1 交叉验证　12

　1.4.2 评估模型质量　13

　1.4.3 改进模型　14

　1.5 介绍用于机器学习的F#　15

　1.5.1 使用F#交互执行进行实时脚本编写和数据研究　15

　1.5.2 创建第一个F#脚本　18

　1.5.3 剖析第一个F#脚本　19

　1.5.4 创建函数管道　22

　1.5.5 用元组和模式匹配操纵数据　23

　1.5.6 训练和评估分类器函数　24

　1.6 改进我们的模型　26

　1.6.1 试验距离的另一种定义　26

　1.6.2 重构距离函数　27

　1.7 我们学到了什么　30

　1.7.1 在好的距离函数中能找到什么　30

　1.7.2 模型不一定要很复杂　31

　1.7.3 为什么使用F#?　31

　1.8 更进一步　32

第2章　垃圾邮件还是非垃圾邮件？　33

　2.1 挑战：构建一个垃圾邮件检测引擎　34

　2.1.1 了解我们的数据集　34

　2.1.2 使用可区分联合建立标签模型　35

　2.1.3 读取数据集　36

　2.2 根据一个单词决定　38

　2.2.1 以单词作为线索　38

　2.2.2 用一个数字表示我们的确定程度　39

　2.2.3 贝叶斯定理　40

　2.2.4 处理罕见的单词　42

　2.3 组合多个单词　42

　2.3.1 将文本分解为标记　42

　2.3.2 简单组合得分　43

　2.3.3 简化的文档得分　44

　2.4 实现分类器　45

　2.4.1 将代码提取到模块中　46

　2.4.2 文档评分与分类　47

　2.4.3 集合和序列简介　49

　2.4.4 从文档语料库中学习　51

　2.5 训练第一个分类器　53

　2.5.1