幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習演算法(原書第2版)/智能系統與技術叢書

  • 作者：(意)朱塞佩·博納科爾索|責編:柯敬賢|譯者:羅娜//汪文發
  • 出版社：機械工業
  • ISBN：9787111645788
  • 出版日期：2020/03/01
  • 裝幀：平裝
  • 頁數：353
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    與機器學習領域很多偏重於理論的書相比，本書在簡明扼要地闡明基本原理的基礎上，側重於介紹如何在Python環境下使用機器學習方法庫，並通過大量實例清晰形象地展示了不同場景下機器學習方法的應用。從這個角度來說，本書是一本使機器學習演算法通過Python實現真正「落地」的書，而這無疑將給想要或致力於機器學習應用的讀者帶來方法理解和實現上的巨大裨益。
    書中所有實例都是用Python編寫，使用了scikit-learn機器學習框架、自然語言工具包(NLTK)、Crab、langdetect、Spark(PySpark)、Gensim、Keras和TensorFlow(深度學習框架)。這些程序適用於基於Linux、macOS X和Windows系統的Python 2.7和3.3+版本。
    本書主要面向希望在預測分析和機器學習領域建立紮實基礎的機器學習工程師、數據工程師和數據科學家。
作者介紹
(意)朱塞佩·博納科爾索|責編:柯敬賢|譯者:羅娜//汪文發
目錄
譯者序
前言
第1章  機器學習簡介
  1.1  簡介——經典機器和自適應的機器
    1.1.1  描述性分析
    1.1.2  預測性分析
  1.2  關於學習
    1.2.1  監督學習
    1.2.2  無監督學習
    1.2.3  半監督學習
    1.2.4  強化學習
    1.2.5  計算神經科學
  1.3  機器學習——深度學習和基於生物啟發的適應
  1.4  機器學習和大數據
  1.5  本章小結
第2章  機器學習的重要元素
  2.1  數據格式
  2.2  可學習性
    2.2.1  欠擬合和過擬合
    2.2.2  誤差度量和成本函數
    2.2.3  PAC學習
  2.3  統計學習方法介紹
    2.3.1  大后驗概率學習
    2.3.2  大似然學習
  2.4  類平衡
    2.4.1  可置換的重採樣
    2.4.2  少數類過採樣
  2.5  資訊理論的要素
    2.5.1  熵
    2.5.2  交叉熵和互信息
    2.5.3  兩個概率分佈的散度
  2.6  本章小結
第3章  特徵選擇與特徵工程
  3.1  scikit-learn的toy數據集
  3.2  創建訓練集和測試集
  3.3  管理分類數據
  3.4  管理缺失特徵
  3.5  數據縮放和歸一化
  3.6  特徵選擇和過濾
  3.7  主成分分析
    3.7.1  非負矩陣分解
    3.7.2  稀疏PCA
    3.7.3  核PCA
  3.8  獨立成分分析
  3.9  原子提取和字典學習
  3.10  使用t-SNE可視化高維數據集
  3.11  本章小結
第4章  回歸演算法
  4.1  線性模型
  4.2  一個二維的例子

  4.3  基於scikit-learn的線性回歸和更高維
    4.3.1  決定係數
    4.3.2  可解釋方差
    4.3.3  回歸的解析表達
  4.4  Ridge回歸、Lasso回歸和ElasticNet
    4.4.1  Ridge回歸
    4.4.2  Lasso回歸
    4.4.3  ElasticNet
  4.5  穩健回歸
    4.5.1  隨機抽樣一致演算法
    4.5.2  Huber回歸
  4.6  貝葉斯回歸
  4.7  多項式回歸
  4.8  保序回歸
  4.9  本章小結
第5章  線性分類演算法
  5.1  線性分類
  5.2  邏輯回歸
  5.3  實現和優化
  5.4  隨機梯度下降演算法
  5.5  被動攻擊演算法
  5.6  通過網格搜索找到優超參數
  5.7  評估分類的指標
    5.7.1  混淆矩陣
    5.7.2  率
    5.7.3  召回率
    5.7.4  F-Beta
    5.7.5  Kappa係數
    5.7.6  分類報告
    5.7.7  學習曲線
  5.8  ROC曲線
  5.9  本章小結
第6章  樸素貝葉斯和判別分析
  6.1  貝葉斯定理
  6.2  樸素貝葉斯分類器
  6.3  scikit-learn中的樸素貝葉斯
    6.3.1  伯努利樸素貝葉斯
    6.3.2  多項式樸素貝葉斯
    6.3.3  高斯樸素貝葉斯
  6.4  判別分析
  6.5  本章小結
第7章  支持向量機
  7.1  線性支持向量機
  7.2  scikit-learn實現
  7.3  基於內核的分類
    7.3.1  徑向基函數
    7.3.2  多項式核
    7.3.3  Sigmoid核
    7.3.4  自定義核
    7.3.5  非線性例子

  7.4  受控支持向量機
  7.5  支持向量回歸
  7.6  半監督支持向量機簡介
  7.7  本章小結
第8章  決策樹和集成學習
  8.1  二元決策樹
    8.1.1  二元決策
    8.1.2  不純度的衡量
    8.1.3  特徵重要度
  8.2  基於scikit-learn的決策樹分類
  8.3  決策樹回歸
  8.4  集成學習簡介
    8.4.1  隨機森林
    8.4.2  AdaBoost
    8.4.3  梯度樹提升
    8.4.4  投票分類器
  8.5  本章小結
第9章  聚類原理
  9.1  聚類基礎
  9.2  k-NN演算法
  9.3  高斯混合
  9.4  k-means
  9.5  基於樣本標記的評價方法
    9.5.1  同質性
    9.5.2  完整性
    9.5.3  修正蘭德指數
  9.6  本章小結
第10章  聚類
  10.1  DBSCAN
  10.2  譜聚類
  10.3  在線聚類
    10.3.1  mini-batch k-means
    10.3.2  BIRCH
  10.4  雙聚類
  10.5  本章小結
第11章  層次聚類
  11.1  分層策略
  11.2  凝聚聚類
    11.2.1  樹形圖
    11.2.2  scikit-learn中的凝聚聚類
    11.2.3  連接限制
  11.3  本章小結
第12章  介紹
  12.1  樸素的基於用戶的
  12.2  基於內容的
  12.3  無模式（或基於內存的）協同過濾
  12.4  基於模型的協同過濾
    12.4.1  奇異值分解策略
    12.4.2  交替小二乘法策略
    12.4.3  用Apache Spark MLlib實現交替小二乘法策略

  12.5  本章小結
第13章  自然語言處理簡介
  13.1  NLTK和內置語料庫
  13.2  詞袋策略
    13.2.1  標記
    13.2.2  停止詞的刪除
    13.2.3  詞幹抽取
    13.2.4  向量化
  13.3  詞性
  13.4  示例文本分類器
  13.5  本章小結
第14章  NLP中的主題建模與情感分析
  14.1  主題建模
    14.1.1  隱性語義分析
    14.1.2  概率隱性語義分析
    14.1.3  隱性狄利克雷分配
  14.2  使用Gensim的Word2vec簡介
  14.3  情感分析
  14.4  本章小結
第15章  神經網路介紹
  15.1  深度學習簡介
  15.2  基於Keras的MLP
  15.3  本章小結
第16章  深度學習模型
  16.1  深層結構
  16.2  基於Keras的深度卷積網路示例
  16.3  基於Kears的LSTM網路示例
  16.4  TensorFlow簡介
    16.4.1  梯度計算
    16.4.2  邏輯回歸
    16.4.3  用多層感知器進行分類
    16.4.4  圖像卷積
  16.5  本章小結
第17章  創建機器學習架構
  17.1  機器學習框架
    17.1.1  數據收集
    17.1.2  歸一化
    17.1.3  降維
    17.1.4  數據擴充
    17.1.5  數據轉換
    17.1.6  建模、網格搜索和交叉驗證
    17.1.7  可視化
    17.1.8  GPU支持
    17.1.9  分散式架構簡介
  17.2  用於機器學習架構的scikit-learn工具
    17.2.1  管道
    17.2.2  特徵聯合
  17.3  本章小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032