《GO语言机器学习实战》主要介绍了如何在Go语言中部署程序从而实现机器学  习算法。主要内容包括:利用Go语言中的库和功能来配置机器学习环境，对实际生活中的房价数据集进行  回归分析，在Go语言中构建分类模型来区分垃圾电子邮件，通过聚类整理个人推特账户的时间线。此外，  本书还介绍了用神经网络和卷积神经网络进行手写体识别，以及以人脸检测项目为例，介绍了如何选择适  合于具体项目的机器学习算法。

目 录

       译者序

  原书前言  

第1章 如何解决机器学习中的所有问题 // 1    

1.1 什么是一个问题 // 1    

1.2 什么是一个算法 // 2   

1.3 什么是机器学习 // 3    

1.4 是否需要机器学习 // 3    

1.5 一般问题解决过程 // 4    

1.6 什么是一个模型 // 5     

1.6.1 什么是一个好的模型 // 6   

1.7 本书主要内容与章节安排 // 6    

1.8 为什么选择Go语言 // 7    

1.9 快速启动 // 7    

1.10 函数 // 7    

1.11 变量 // 8     

1.11.1 值 // 9    

1.11.2 类型 // 9     

1.11.3 方法 // 11     

1.11.4 接口 // 11     

1.11.5 包和导入 // 12    

1.12 开始 // 13  

 第2章 线性回归———房价预测 // 14      

2.1 项目背景 // 15    

2.2 探索性数据分析 // 15     

2.2.1 数据摄取和索引 // 16     

2.2.2 数据清洗工作 // 18     

2.2.3 进一步的探索性工作 // 25     

2.2.4 标准化 // 33    

2.3 线性回归 // 34     

2.3.1 回归 // 35     

2.3.2 交叉验证 // 37    

2.4 讨论和下一步的工作 // 39    

2.5 小结 // 40   

第3章 分类———垃圾邮件检测 // 41     

3.1 项目背景 // 41    

3.2 探索性数据分析 // 42     

3.2.1 数据标记 // 42     

3.2.2 规范化和词干提取 // 45    

3.2.3 停用词 // 45     

3.2.4 数据摄取 // 46    

3.3 分类器 // 47    

3.4 朴素贝叶斯 // 48     

3.4.1 TF-IDF // 48      

3.4.2 条件概率 // 49     

3.4.3 特征 // 51     

3.4.4 贝叶斯定理 // 51    

3.5 分类器实现 // 52     

3.5.1 类 // 53     

3.5.2 分类器第Ⅱ部分 // 54    

3.6 程序整合 // 58    

3.7 小结 // 61   

第4章 利用时间序列分析分解二氧化碳趋势 // 62    

4.1 探索性数据分析 // 62     

4.1.1 从非HTTP数据源下载 // 63     

4.1.2 处理非标准数据 // 63    

4.1.3 处理小数型日期 // 64     

4.1.4 绘图 // 65    

4.2 分解 // 68     

4.2.1 STL // 69     

4.2.2 更多绘制内容 // 81    

4.3 预测 // 86    

4.4 小结 // 89    

参考文献 // 89   

第5章 通过聚类整理个人推特账户的时间线 // 90     

5.1 项目背景 // 90    

5.2 K均值 // 90    

5.3 DBSCAN // 92    

5.4 数据采集 // 92     

5.5 探索性数据分析 // 92    

5.6 数据信息 // 96     

5.6.1 处理器 // 97     

5.6.2 单字预处理 // 99    

5.6.3 单条推特处理 // 103    

5.7 聚类 // 103     

5.7.1 K均值聚类 // 104     

5.7.2 DBSCAN聚类 // 105     

5.7.3 DMMClust聚类 // 107    

5.8 实际数据 // 108    

5.9 程序 // 111    

5.10 程序调整 // 113     

5.10.1 距离调整 // 114     

5.10.2 预处理步骤调整 // 115    

5.11 小结 // 117   

第6章 神经网络———MNIST手写体识别 // 118     

6.1 神经网络 // 118     

6.1.1 模拟神经网络 // 119    

6.2 线性代数101 // 121     

6.2.1 激活函数探讨 // 123    

6.3 学习功能 // 125    

6.4 项目背景 // 126     

6.4.1 Gorgonia // 126     

6.4.2 数据获取 // 126     

6.4.3 什么是张量 // 129     

6.4.4 构建神经网络 // 138     

6.4.5 前馈 // 139  

6.4.6 利用maybe类型进行错误处理 // 140

6.4.7 前馈函数说明 // 142     

6.4.8 成本 // 143     

6.4.9 反向传播 // 143    

6.5 神经网络训练 // 146    

6.6 交叉验证 // 148    

6.7 小结 // 150   

第7章 卷积神经网络———MNIST手写体识别 // 151    

7.1 有关神经元的一切认识都是错误的   // 151    

7.2 回顾神经网络 // 151     

7.2.1 Gorgonia // 152    

7.2.2 构建一个神经网络 // 161    

7.3 项目 // 164     

7.3.1 数据获取 // 164     

7.3.2 上一章的其他内容 // 166    

7.4 CNN简介 // 168     

7.4.1 什么是卷积 // 168     

7.4.2 最大池化 // 176     

7.4.3 退出 // 176    

7.5 构建一个CNN // 176     

7.5.1 反向传播 // 180    

7.6 运行神经网络 // 182    

7.7 测试 // 186     

7.7.1 准确率 // 188    

7.8 小结 // 189    

第8章 基本人脸检测 // 190     

8.1 什么是人脸 // 190     

8.1.1 Viola-Jones // 191    

8.2 PICO // 194     

8.2.1 关于学习的注意事项 // 194    

8.3 GoCV // 195     

8.3.1 API // 195    

8.4 PIGO // 195    

8.5 人脸检测程序 // 196     

8.5.1 从网络摄像头获取图像 // 196     

8.5.2 图像显示 // 197     

8.5.3 在图像上涂鸦 // 198     

8.5.4 人脸检测1 // 198     

8.5.5 人脸检测2 // 200     

8.5.6 算法结合 // 205    

8.6 算法评估 // 206    

8.7 小结 // 208   

第9章 热狗或者不是热狗———使用外部服务 // 209     

9.1 MachineBox // 209    

9.2 什么是MachineBox // 210     

9.2.1 登录和注册 // 210     

9.2.2 Docker安装与设置 // 211     

9.2.3 在Go语言中使用   MachineBox // 211    

9.3 项目 // 212     

9.3.1 训练 // 212  

9.3.2 从网络摄像头读取图像 // 213     

9.3.3 美化结果 // 214    

9.4 结果 // 216    

9.5 这一切意味着什么 // 218    

9.6 为什么采用MachineBox // 219    

9.7 小结 // 219   

第10章 今后发展趋势 // 220      

10.1 读者应该关注什么 // 221     

10.1.1 从业者 // 221     

10.1.2 研究人员 // 221    

10.2 研究人员、从业者及其利益相关者 // 222    

10.3 本书未涉及的内容 // 222    

10.4 更多学习资源 // 223