Python机器人学习实例及代码分析—识别·预测·异常检测

第1章 什么是机器学习 1.1 机器学习简介 1.2 围绕机器学习的环境变化 1.3 关于本书 1.4 关于机器学习的书籍 1.5 机器学习的分类 1.6 机器学习的流程 1.7 k近邻算法分类 源代码1.1 通过k近邻算法对Iris数据集进行分类和绘制识别边界面 第2章 基本的分类器和预测器 2.1 决策树学习 源代码2.1 基于决策树学习的识别和绘制决策树 2.2 朴素贝叶斯分类器 源代码2.2 朴素贝叶斯分类器分类与ROC曲线评价 2.3 逻辑回归 源代码2.3 使用逻辑回归识别手写字符 2.4 多层感知器 源代码2.4 使用MLP识别手写字符 2.5 支持向量机 源代码2.5 使用SVM识别Breast Cancer数据集 2.6 线性回归 源代码2.6 通过线性回归推测Housing数据住宅价格 2.7 深度学习 源代码2.7 使用AutoEncoder事先学习的深层神经网络识别手写字符 第3章 针对机器振动数据的异常检测 3.1 异常检测问题 3.2 异常检测的评价方法 3.3 典型的异常检测法 3.4 机器异常检测的应用案例 3.5 特征提取 3.6 各种异常检测法的应用 3.6.1 异常检测的代码1（图3.8，源代码3.1） 3.6.2 异常检测的代码2（图3.9，源代码3.2） 3.6.3 异常检测的代码3：LOF（图3.10，源代码3.3） 3.6.4 异常检测的代码4：One-Class SVM（图3.12，源代码3.4） 3.6.5 异常检测的代码5：Isolation Forest（图3.14，源代码3.5） 3.6.6 异常检测的代码6：分别比较（图3.16，源代码3.6） 3.6.7 另行定义的函数 3.7 总结 3.8 本章所用源代码一览 源代码3.1 异常检测的代码 源代码3.2 异常检测的代码 源代码3.3 异常检测的代码 源代码3.4 异常检测的代码 源代码3.5 异常检测的代码 源代码3.6 异常检测的代码 源代码3.7 显示平均精度、平均重现率、平均F值及混淆矩阵的函数 源代码3.8 绘制ROC曲线的函数 源代码3.9 返回平均F值的函数 源代码3.10 绘制F值图表的函数 第4章 序列数据分析 4.1 睡眠数据 4.2 隐马尔可夫模型判断睡眠好坏 4.2.1 判断睡眠好坏的流程 4.2.2 Burst提取法检测睡眠相关的声音事件 4.2.3 输入向量的准备 4.2.4 声音事件的自动分类 4.2.5 通过隐马尔可夫模型进行睡眠模式时间序列的建模 4.2.6 睡眠好坏的判断 4.2.7 总结 结束语 参考文献