机器学习实践 测试驱动的开发方法 内容简介

《机器学习实践：测试驱动的开发方法》面技术开发人员、CTO和咨询顾问人员，介绍了机器学习的基本原理，涵盖了测试驱动的机器学习、机器学习概述、K近邻分类、朴素贝叶斯分类、隐马尔科夫模型、支持向量机、神经网络、聚类、核岭回归、模型改进与数据提取等内容。

机器学习实践 测试驱动的开发方法 目录

第1章 测试驱动的机器学习

1.1 TDD的历史

1.2 TDD与科学方法

1.2.1 TDD可构建有效的逻辑命题

1.2.2 TDD要求你将假设以文字或代码的形式记录下来

1.2.3 TDD和科学方法的闭环反馈机制

1.3 机器学习中的风险

1.3.1 数据的不稳定性

1.3.2 欠拟合

1.3.3 过拟合

1.3.4 未来的不可预测性

1.4 为降低风险应采用的测试

1.4.1 利用接缝测试减少数据中的不稳定因素

1.4.2 通过交叉验证检验拟合效果

1.4.3 通过测试训练速度降低过拟合风险

1.4.4 检测未来的精度和查全率漂移情况

1.5 小结

第2章 机器学习概述

2.1 什么是机器学习

2.1.1 有监督学习

2.1.2 无监督学习

2.1.3 强化学习

2.2 机器学习可完成的任务

2.3 本书采用的数学符号

2.4 小结

第3章 K近邻分类

3.1 K近邻分类的历史

3.2 基于邻居的居住幸福度

3.3 如何选择K

3.3.1 猜测K的值

3.3.2 选择K的启发式策略

3.3.3 K的选择算法

3.4 何谓“近”

3.4.1 Minkowski 距离

3.4.2 Mahalanobis 距离

3.5 各类别的确定

3.6 利用KNN算法和OpenCV实现胡须和眼镜的检测

3.6.1 类图

3.6.2 从原始图像到人脸图像

3.6.3 Face类

3.6.4 Neighborhood类

3.7 小结

第4章 朴素贝叶斯分类

4.1 利用贝叶斯定理找出欺诈性订单

4.1.1 条件概率

4.1.2 逆条件概率

4.2 朴素贝叶斯分类器

4.2.1 链式法则

4.2.2 贝叶斯推理中的朴素性

4.2.3 伪计数

4.3 垃圾邮件过滤器

4.3.1 类图

4.3.2 数据源

4.3.3 Email类

4.3.4 符号化与上下文

4.3.5 SpamTrainer类

4.3.6 通过交叉验证将错误率最小化

4.4 小结

第5章 隐马尔可夫模型

5.1 利用状态机跟踪用户行为

5.1.1 隐含状态的输出和观测

5.1.2 利用马尔可夫假设简化问题

5.1.3 利用马尔可夫链而非有限状态机

5.1.4 隐马尔可夫模型

5.2 评估：前向-后向算法

5.3 利用维特比算法求解解码问题

5.4 学习问题

5.5 利用布朗语料库进行词性标注

5.5.1 词性标注器的首要问题：CorpusParser

5.5.2 编写词性标注器

5.5.3 通过交叉验证获取模型的置信度

5.5.4 模型的改进方案

5.6 小结

第6章 支持向量机

6.1 求解忠诚度映射问题

6.2 SVM的推导过程

6.3 非线性数据

6.3.1 核技巧

6.3.2 软间隔

6.4 利用SVM进行情绪分析

6.4.1 类图

6.4.2 Corpus类

6.4.3 从语料库返回一个无重复元素的单词集

6.4.4 CorpusSet类

6.4.5 SentimentClassifier类

6.4.6 随时间提升结果

6.5 小结

第7章 神经网络

7.1 神经网络的历史

7.2 何为人工神经网络

7.2.1 输入层

7.2.2 隐含层

7.2.3 神经元

7.2.4 输出层

7.2.5 训练算法

7.3 构建神经网络

7.3.1 隐含层数目的选择

7.3.2 每层中神经元数目的选择

7.3.3 误差容限和最大epoch的选择

7.4 利用神经网络对语言分类

7.4.1 为语言编写接缝测试

7.4.2 网络类的交叉验证

7.4.3 神经网络的参数调校

7.4.4 收敛性测试

7.4.5 神经网络的精度和查全率

7.4.6 案例总结

7.5 小结

第8章 聚类

8.1 用户组

8.2 K均值聚类

8.2.1 K均值算法

8.2.2 K均值聚类的缺陷

8.3 EM聚类算法

8.4 不可能性定理

8.5 音乐归类

8.5.1 数据收集

8.5.2 用K均值聚类分析数据

8.5.3 EM聚类

8.5.4 爵士乐的EM聚类结果

8.6 小结

第9章 核岭回归

9.1 协同过滤

9.2 应用于协同过滤的线性回归

9.3 正则化技术与岭回归

9.4 核岭回归

9.5 理论总结

9.6 用协同过滤推荐啤酒风格

9.6.1 数据集

9.6.2 我们所需的工具

9.6.3 评论者

9.6.4 编写代码确定某人的偏好

9.6.5 利用用户偏好实现协同过滤

9.7 小结

第10章 模型改进与数据提取

10.1 维数灾难问题

10.2 特征选择

10.3 特征变换

10.4 主分量分析

10.5 独立分量分析

10.6 监测机器学习算法

10.6.1 精度与查全率：垃圾邮件过滤

10.6.2 混淆矩阵

10.7 均方误差

10.8 产品环境的复杂性

10.9 小结

第11章 结语

11.1 机器学习算法回顾

11.2 如何利用这些信息来求解问题

11.3 未来的学习路线

机器学习实践 测试驱动的开发方法 精彩文摘

1.2.1　TDD可构建有效的逻辑命题

科学家们在使用科学方法时，首先尝试着去求解一个问题，然后证明方法的有效性。问题求解需要创造性猜想，但如果没有严格的证明，它只能算是一种“信念”。

柏拉图认为，知识是一种被证明为正确的信念。我们不但需要正确的信念，而且也需要能够证明其正确的确凿证据。为证明我们的信念的正确性，我们需要构建一个稳定的逻辑命题。在逻辑学中，用于证明某个观点是否正确的条件有两种——必要条件和充分条件。

必要条件是指那些如果缺少了它们假设便无法成立的条件。例如，全票通过或飞行前的检查都属于必要条件。这里要强调的是，为确保我们所做的测试是正确的，所有的条件都必须满足。

与必要条件不同，充分条件意味着某个论点拥有充足的证据。例如，打雷是闪电的充分条件，因为二者总是相伴出现的，但打雷并不是闪电的必要条件。很多情形下，充分条件是以统计假设的形式出现的。它可能不够完善，但要证明我们所做测试的合理性已然足够充分了。

为论证所提出的解的有效性，科学家们需要使用必要条件和充分条件。科学方法和 TDD 都需要严格地使用这两种条件，以使所提出的一系列论点成为一个有机整体。然而，二者的不同之处在于，科学方法使用的是假设检验和公理，而 TDD 使用的则是集成和单元测试（参见表 1-1）。