前言　　ix
第1章　机器学习流程　　1
1.1　数据　　1
1.2　任务　　1
1.3　模型　　2
1.4　特征　　3
1.5　模型评价　　3
第2章　简单而又奇妙的数值　　4
2.1　标量、向量和空间　　5
2.2　处理计数　　7
2.2.1　二值化　　7
2.2.2　区间量化（分箱）　　9
2.3　对数变换　　13
2.3.1　对数变换实战　　16
2.3.2　指数变换：对数变换的推广　　19
2.4　特征缩放/ 归一化　　24
2.4.1　min-max 缩放　　24
2.4.2　特征标准化/ 方差缩放　　24
2.4.3　ℓ 2 归一化　　25
2.5　交互特征　　28
2.6　特征选择　　30
2.7　小结　　31
2.8　参考文献　　32
第3章　文本数据：扁平化、过滤和分块　　33
3.1　元素袋：将自然文本转换为扁平向量　　34
3.1.1　词袋　　34
3.1.2　n 元词袋　　37
3.2　使用过滤获取清洁特征　　39
3.2.1　停用词　　39
3.2.2　基于频率的过滤　　40
3.2.3　词干提取　　42
3.3　意义的单位：从单词、n 元词到短语　　43
3.3.1　解析与分词　　43
3.3.2　通过搭配提取进行短语检测　　44
3.4　小结　　50
3.5　参考文献　　51
第4章　特征缩放的效果：从词袋到tf-idf　　52
4.1　tf-idf：词袋的一种简单扩展　　52
4.2　tf-idf 方法测试　　54
4.2.1　创建分类数据集　　55
4.2.2　使用tf-idf 变换来缩放词袋　　56
4.2.3　使用逻辑回归进行分类　　57
4.2.4　使用正则化对逻辑回归进行调优　　58
4.3　深入研究：发生了什么　　62
4.4　小结　　64
4.5　参考文献　　64
第5章　分类变量：自动化时代的数据计数　　65
5.1　分类变量的编码　　66
5.1.1　one-hot 编码　　66
5.1.2　虚拟编码　　66
5.1.3　效果编码　　69
5.1.4　各种分类变量编码的优缺点　　70
5.2　处理大型分类变量　　70
5.2.1　特征散列化　　71
5.2.2　分箱计数　　73
5.3　小结　　79
5.4　参考文献　　80
第6章　数据降维：使用PCA 挤压数据　　82
6.1　直观理解　　82
6.2　数学推导　　84
6.2.1　线性投影　　84
6.2.2　方差和经验方差　　85
6.2.3　主成分：第一种表示形式　　86
6.2.4　主成分：矩阵- 向量表示形式　　86
6.2.5　主成分的通用解　　86
6.2.6　特征转换　　87
6.2.7　PCA 实现　　87
6.3　PCA 实战　　88
6.4　白化与ZCA　　89
6.5　PCA 的局限性与注意事项　　90
6.6　用例　　91
6.7　小结　　93
6.8　参考文献　　93
第7章　非线性特征化与k-均值模型堆叠　　94
7.1　k-均值聚类　　95
7.2　使用聚类进行曲面拼接　　97
7.3　用于分类问题的k-均值特征化　　100
7.4　优点、缺点以及陷阱　　105
7.5　小结　　107
7.6　参考文献　　107
第8章　自动特征生成：图像特征提取和深度学习　　108
8.1　最简单的图像特征（以及它们因何失效）　　109
8.2　人工特征提取：SIFT 和HOG　　110
8.2.1　图像梯度　　110
8.2.2　梯度方向直方图　　113
8.2.3　SIFT 体系　　116
8.3　通过深度神经网络学习图像特征　　117
8.3.1　全连接层　　117
8.3.2　卷积层　　118
8.3.3　ReLU 变换　　122
8.3.4　响应归一化层　　123
8.3.5　池化层　　124
8.3.6　AlexNet 的结构　　124
8.4　小结　　127
8.5　参考文献　　128
第9章　回到特征：建立学术论文推荐器　　129
9.1　基于项目的协同过滤　　129
9.2　第一关：数据导入、清理和特征解析　　130
9.3　第二关：更多特征工程和更智能的模型　　136
9.4　第三关：更多特征= 更多信息　　141
9.5　小结　　144
9.6　参考文献　　144
附录A　线性建模与线性代数基础　　145
A.1　线性分类概述　　145
A.2　矩阵的解析　　147
A.2.1　从向量到子空间　　148
A.2.2　奇异值分解（SVD）　　150
A.2.3　数据矩阵的四个基本子空间　　151
A.3　线性系统求解　　153
A.4　参考文献　　155
作者简介　　156
封面简介　　156