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

Python無監督學習

  • 作者：(德)朱塞佩·博納科爾索|責編:胡俊英|譯者:瞿源//劉江峰
  • 出版社：人民郵電
  • ISBN：9787115540720
  • 出版日期：2020/09/01
  • 裝幀：平裝
  • 頁數：272
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    機器學習是使電腦具有智能的根本途徑，其應用遍及人工智慧的各個領域。無監督學習是機器學習中的一種學習方式，是數據科學的一個重要分支，常用於數據挖掘領域，通過構建模型來為業務決策提供依據。
    本書通過Python語言講解無監督學習，全書內容包括10章，前面9章由淺入深地講解了無監督學習的基礎知識、聚類的基礎知識、高級聚類、層次聚類、軟聚類和高斯混合模型、異常檢測、降維和分量分析、無監督神經網路模型、生成式對抗網路和自組織映射，第10章以問題解答的形式對前面9章涉及的問題給出了解決方案。
    本書適合數據科學家、機器學習從業者和普通的軟體開發人員閱讀，通過學習本書介紹的無監督學習理論和Python編程方法，讀者能夠在業務實踐中獲得有價值的參考。
作者介紹
(德)朱塞佩·博納科爾索|責編:胡俊英|譯者:瞿源//劉江峰
目錄
第1章  無監督學習入門
  1.1  技術要求
  1.2  為什麼需要機器學習
    1.2.1  描述性分析
    1.2.2  診斷性分析
    1.2.3  預測性分析
    1.2.4  規範性分析
  1.3  機器學習演算法的類型
    1.3.1  有監督學習演算法
    1.3.2  無監督學習演算法
    1.3.3  半監督學習演算法
    1.3.4  強化學習演算法
  1.4  為什麼用Python進行數據科學和機器學習
  1.5  總結
  1.6  問題
第2章  聚類基礎知識
  2.1  技術要求
  2.2  聚類介紹
  2.3  K-means
  2.4  威斯康星州乳腺癌數據集分析
  2.5  評估指標
    2.5.1  最小化慣性
    2.5.2  輪廓分數
    2.5.3  完整性分數
    2.5.4  同質性分數
    2.5.5  調整后的相互信息分數
    2.5.6  調整后的蘭德分數
    2.5.7  列聯矩陣
  2.6  K-近鄰
  2.7  向量量化
  2.8  總結
  2.9  問題
第3章  高級聚類
  3.1  技術要求
  3.2  譜聚類
  3.3  均值漂移
  3.4  DBSCAN
    3.4.1  Calinski-Harabasz分數
    3.4.2  使用DBSCAN分析工作數據集中的缺勤率
    3.4.3  聚類不穩定性作為性能指標
  3.5  K-medoids
  3.6  聯機聚類
    3.6.1  Mini-batch K-means
    3.6.2  BIRCH
    3.6.3  Mini-batch K-means與BIRCH的比較
  3.7  總結
  3.8  問題
第4章  實操中的層次聚類
  4.1  技術要求
  4.2  聚類層次結構

  4.3  凝聚聚類
    4.3.1  單一鏈和完整鏈
    4.3.2  平均鏈
    4.3.3  Ward鏈
  4.4  樹狀圖分析
  4.5  同表型相關性係數作為一種性能指標
  4.6  水處理廠數據集的凝聚聚類
  4.7  連通性約束
  4.8  總結
  4.9  問題
第5章  軟聚類和高斯混合模型
  5.1  技術要求
  5.2  軟聚類
  5.3  Fuzzy c-means
  5.4  高斯混合
    5.4.1  高斯混合的EM演算法
    5.4.2  用AIC和BIC方法評估高斯混合的性能
    5.4.3  貝葉斯高斯混合選擇成分
    5.4.4  生成高斯混合
  5.5  總結
  5.6  問題
第6章  異常檢測
  6.1  技術要求
  6.2  概率密度函數
    6.2.1  作為異常值或新值的異常
    6.2.2  數據集結構
  6.3  直方圖
  6.4  核密度估計
    6.4.1  高斯內核
    6.4.2  Epanechnikov內核
    6.4.3  指數內核
    6.4.4  均勻/Tophat內核
    6.4.5  估計密度
  6.5  應用異常檢測
  6.6  單類支持向量機
  6.7  基於孤立森林的異常檢測
  6.8  總結
  6.9  問題
第7章  降維與分量分析
  7.1  技術要求
  7.2  主成分分析
    7.2.1  具有奇異值分解的PCA
    7.2.2  具有MNIST數據集的PCA
    7.2.3  基於內核的主成分分析
    7.2.4  通過因子分析增加異方差雜訊的強壯性
    7.2.5  稀疏主成分分析與字典學習
    7.2.6  非負矩陣分解
  7.3  獨立成分分析
  7.4  具有潛在Dirichlet分配的主題建模
  7.5  總結

  7.6  問題
第8章  無監督神經網路模型
  8.1  技術要求
  8.2  自編碼器
    8.2.1  深度卷積自編碼器示例
    8.2.2  去噪自編碼器
    8.2.3  稀疏自編碼器
    8.2.4  變分自編碼器
  8.3  基於赫布的主成分分析
    8.3.1  Sanger網路
    8.3.2  Rubner-Tavan網路
  8.4  無監督的深度置信網路
    8.4.1  受限玻爾茲曼機
    8.4.2  深度置信網路
    8.4.3  無監督DBN示例
  8.5  總結
  8.6  問題
第9章  生成式對抗網路和自組織映射
  9.1  技術要求
  9.2  生成式對抗網路
    9.2.1  GAN分析
    9.2.2  深度卷積GAN示例
    9.2.3  Wasserstein GAN
  9.3  自組織映射
  9.4  總結
  9.5  問題
第10章  問題解答
  10.1第1章  
  10.2第2章  
  10.3第3章  
  10.4第4章  
  10.5第5章  
  10.6第6章  
  10.7第7章  
  10.8第8章  
  10.9第9章  

  • 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