机器学习：Go语言实现

译者序 

前言 

第1章　数据的收集和组织1 

1.1　数据处理-Gopher方式2 

1.2　Go语言收集和组织数据的最佳实践4 

1.3　CSV文件5 

1.3.1　从文件中读取CSV数据5 

1.3.2　处理非预期的域6 

1.3.3　处理非预期的类型7 

1.3.4　用数据帧操作CSV数据9 

1.4　JSON11 

1.4.1　JSON的解析11 

1.4.2　JSON的输出14 

1.5　SQL-like数据库14 

1.5.1　连接到一个SQL数据库15 

1.5.2　查询数据库15 

1.5.3　修改数据库17 

1.6　缓存17 

1.6.1　在内存中缓存数据17 

1.6.2　在本地磁盘中缓存数据18 

1.7　数据版本控制19 

1.7.1　Pachyderm术语20 

1.7.2　部署/安装Pachyderm20 

1.7.3　创建用于数据版本控制的数据仓库21 

1.7.4　把数据存储到数据仓库中21 

1.7.5　从版本化的数据仓库中获取数据22 

1.8　参考书目22 

1.9　小结23 

第2章　矩阵、概率论和统计学24 

2.1　矩阵和向量24 

2.1.1　向量24 

2.1.2　向量操作25 

2.1.3　矩阵26 

2.1.4　矩阵操作27 

2.2　统计学29 

2.2.1　分布29 

2.2.2　统计方法30 

2.2.3　分布可视化34 

2.3　概率论39 

2.3.1　随机变量40 

2.3.2　概率测量40 

2.3.3　独立和条件概率40 

2.3.4　假设检验41 

2.4　参考书目43 

2.5　小结44 

第3章　评估和验证45 

3.1　评估45 

3.1.1　连续指标46 

3.1.2　分类指标49 

3.2　验证55 

3.2.1　训练和测试集56 

3.2.2　保留集59 

3.2.3　交叉验证60 

3.3　参考书目61 

3.4　小结62 

第4章　回归63 

4.1　理解回归模型的术语63 

4.2　线性回归64 

4.2.1　线性回归概述64 

4.2.2　线性回归假设和陷阱66 

4.2.3　线性回归示例66 

4.3　多元线性回归78 

4.4　非线性和其他类型的回归81 

4.5　参考书目85 

4.6　小结86 

第5章　分类87 

5.1　理解分类模型的术语87 

5.2　逻辑回归88 

5.2.1　逻辑回归概述88 

5.2.2　逻辑回归的假设和陷阱91 

5.2.3　逻辑回归示例92 

5.3　k-最近邻103 

5.3.1　kNN概述103 

5.3.2　kNN假设和陷阱104 

5.3.3　kNN示例105 

5.4　决策树和随机森林106 

5.4.1　决策树和随机森林概述107 

5.4.2　决策树和随机森林的假设及陷阱107 

5.4.3　决策树示例108 

5.4.4　随机森林的例子109 

5.5　朴素贝叶斯109 

5.5.1　朴素贝叶斯概念及其重要假设110 

5.5.2　朴素贝叶斯例子110 

5.6　参考书目111 

5.7　小结112 

第6章　集群113 

6.1　理解集群模型术语113 

6.2　距离或相似度的度量114 

6.3　集群技术的评估115 

6.3.1　内部集群评估115 

6.3.2　外部集群评估120 

6.4　k-均值集群120 

6.4.1　k-均值集群综述120 

6.4.2　k-均值的假设和陷阱122 

6.4.3　k-均值集群的例子123 

6.5　其他集群技术129 

6.6　参考书目130 

6.7　小结130 

第7章　时间序列和异常检测131 

7.1　在Go中表示时序数据131 

7.2　理解时间序列的术语134 

7.3　与时间序列有关的统计135 

7.3.1　自相关135 

7.3.2　偏自相关139 

7.4　预测的自回归模型141 

7.4.1　自回归模型概述141 

7.4.2　自回归模型假设和陷阱142 

7.4.3　自回归模型示例142 

7.5　自回归移动平均和其他时间序列模型151 

7.6　异常检测151 

7.7　参考书目153 

7.8　小结154 

第8章　神经网络和深度学习155 

8.1　理解神经网络术语155 

8.2　构建一个简单的神经网络157 

8.2.1　网络中的节点157 

8.2.2　网络架构158 

8.2.3　为什么期望这种架构有作用159 

8.2.4　训练神经网络160 

8.3　使用简单的神经网络165 

8.3.1　在实际数据上训练神经网络166 

8.3.2　评估神经网络168 

8.4　引入深度学习169 

8.4.1　什么是深度学习模型170 

8.4.2　基于Go语言的深度学习171 

8.5　参考书目177 

8.6　小结178 

第9章　部署、分布分析和模型179 

9.1　在远程机器上可靠地运行模型179 

9.1.1　Docker和Docker术语简介180 

9.1.2　Docker化机器学习的应用181 

9.2　构建可拓展和可重现的机器学习流水线191 

9.2.1　搭建Pachyderm和Kubernetes集群192 

9.2.2　构建一个Pachyderm机器学习流水线193 

9.2.3　更新流水线并检查出处202 

9.2.4　缩放流水线阶段204 

9.3　参考书目206 

9.4　小结206 

附录　与机器学习相关的算法/技术207