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快樂編程(機器學習從入門到實戰21世紀高等學校電腦專業實用系列教材)/好程序員成長叢書

  • 作者：編者:千鋒教育高教產品研發部|責編:付弘宇//張愛華
  • 出版社：清華大學
  • ISBN：9787302576969
  • 出版日期：2021/08/01
  • 裝幀：平裝
  • 頁數：257
人民幣：RMB 59.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書採用理論與實戰相結合的形式，通過生活中的例子來講解理論知識，結合實際案例代碼，幫助讀者在掌握機器學習理論的同時，打下項目實踐的基礎，同時配有豐富的教學資源，幫助讀者自學或開展教學工作。
    本書共13章，涵蓋機器學習入門所需的數學知識及相關演算法，包括K近鄰演算法、決策樹、樸素貝葉斯、邏輯回歸與梯度下降、支持向量機、AdaBoost演算法、線性回歸、K-means演算法、Apriori演算法、FP-growth演算法、主成分分析和奇異值分解。本書將理論與實際操作相結合，通過豐富的程序實例和詳盡的步驟講解，與讀者一起跳出枯燥的理論知識，快樂學習。
    本書適合剛進入機器學習領域的讀者，也可以作為大專院校相關專業的教材。
作者介紹
編者:千鋒教育高教產品研發部|責編:付弘宇//張愛華
目錄
第1章  初識Python機器學習
  1.1  機器學習簡介
    1.1.1  機器學習的起源及發展
    1.1.2  監督學習
    1.1.3  無監督學習
    1.1.4  半監督學習
    1.1.5  強化學習
    1.1.6  機器學習程序開發步驟
    1.1.7  機器學習發展現狀
    1.1.8  機器學習的未來
  1.2  使用Python語言開發
  1.3  NumPy函數庫基礎
    1.3.1  NumPy函數庫的安裝
    1.3.2  NumPy函數庫入門
  1.4  SciPy函數庫基礎
    1.4.1  SciPy函數庫的安裝
    1.4.2  SciPy函數庫入門
  1.5  Matplotlib庫
    1.5.1  Matplotlib庫的安裝
    1.5.2  Matplotlib庫的使用
  1.6  集成開發環境Anaconda
  1.7  本章小結
  1.8  習題
第2章  K近鄰演算法
  2.1  K近鄰演算法概述
    2.1.1  K近鄰演算法的基本思想
    2.1.2  K近鄰的距離度量表示法
    2.1.3  K值的選擇
  2.2  K近鄰演算法的實現： KD樹
    2.2.1  KD樹簡介
    2.2.2  KD樹的構建
    2.2.3  搜索KD樹
  2.3  實戰： 利用K近鄰演算法改進約會網站
  2.4  本章小結
  2.5  習題
第3章  決策樹
  3.1  決策樹與信息熵
    3.1.1  決策樹簡介
    3.1.2  信息與自信息
    3.1.3  信息熵
    3.1.4  信息增益與劃分數據集
  3.2  構建決策樹
  3.3  可視化決策樹
    3.3.1  註釋結點
    3.3.2  構建完整的註解樹
  3.4  基尼指數與CART演算法
  3.5  決策樹的剪枝
  3.6  本章小結
  3.7  習題
第4章  樸素貝葉斯

  4.1  概率分佈與貝葉斯決策論
  4.2  條件概率
  4.3  貝葉斯分類
  4.4  樸素貝葉斯分類
  4.5  實戰： 利用樸素貝葉斯分類模型進行文檔分類
    4.5.1  將單詞表轉換為向量
    4.5.2  概率計算
    4.5.3  通過樸素貝葉斯模型進行文件分類
  4.6  實戰： 利用樸素貝葉斯分類模型過濾垃圾郵件
    4.6.1  切分文本
    4.6.2  通過樸素貝葉斯模型過濾垃圾郵件
  4.7  本章小結
  4.8  習題
第5章  邏輯回歸與梯度下降
  5.1  邏輯回歸與Sigmoid函數
    5.1.1  邏輯回歸簡介
    5.1.2  Sigmoid函數簡介
  5.2  梯度下降演算法
    5.2.1  二維坐標系中的梯度下降演算法
    5.2.2  三維坐標系中的梯度下降演算法
  5.3  通過梯度下降演算法找到最佳參數
  5.4  決策邊界
  5.5  梯度下降演算法的改進
    5.5.1  批量梯度下降演算法
    5.5.2  隨機梯度下降演算法
  5.6  本章小結
  5.7  習題
第6章  支持向量機
  6.1  支持向量機簡介
  6.2  尋找最大間隔
  6.3  序列最小優化
    6.3.1  序列最小化演算法簡介
    6.3.2  通過序列最小優化演算法處理小規模數據集
    6.3.3  通過完整的序列最小優化演算法進行優化
  6.4  核函數及其應用
    6.4.1  高斯核函數
    6.4.2  高斯核函數的應用
  6.5  本章小結
  6.6  習題
第7章  AdaBoost演算法
  7.1  集成學習演算法簡介
  7.2  AdaBoost演算法原理
  7.3  單層決策樹與AdaBoost演算法
  7.4  實戰： 通過AdaBoost演算法進行分類
  7.5  非均衡分類
    7.5.1  分類性能度量指標： 正確率、召回率
    7.5.2  分類性能度量指標： ROC曲線
    7.5.3  非均衡數據的採樣方法
  7.6  本章小結
  7.7  習題

第8章  線性回歸
  8.1  線性回歸原理
    8.1.1  簡單的線性回歸
    8.1.2  多元線性回歸
  8.2  局部加權線性回歸
  8.3  正則化的線性回歸
    8.3.1  嶺回歸
    8.3.2  Lasso回歸
  8.4  方差與偏差的平衡
  8.5  本章小結
  8.6  習題
第9章  K?means演算法
  9.1  無監督學習演算法
  9.2  K?means演算法簡介
  9.3  構建簡單的K?means模型
  9.4  K值的選擇
    9.4.1  肘部法則
    9.4.2  輪廓係數
    9.4.3  間隔統計量
    9.4.4  Canopy演算法
  9.5  二分K?means演算法
  9.6  本章小結
  9.7  習題
第10章  Apriori演算法
  10.1  關聯分析演算法簡介
  10.2  Apriori演算法的工作原理
  10.3  實戰： Python編程發現頻繁項集
  10.4  實戰： Python編程發現強關聯規則
  10.5  本章小結
  10.6  習題
第11章  FP?growth演算法
  11.1  FP?growth演算法簡介
  11.2  構建FP樹
    11.2.1  創建FP樹的數據結構
    11.2.2  通過Python構建FP樹
  11.3  通過FP?growth演算法提取頻繁項集
    11.3.1  提取條件模式基
    11.3.2  創建條件FP樹
  11.4  實戰： 從超市購物清單中發掘信息
  11.5  本章小結
  11.6  習題
第12章  主成分分析
  12.1  數據降維
  12.2  實戰： 通過Python實現簡單的主成分分析
  12.3  對Iris數據集降維
  12.4  本章小結
  12.5  習題
第13章  奇異值分解
  13.1  特徵值分解
  13.2  奇異值分解簡介

  13.3  實戰： 通過Python實現圖片壓縮
  13.4  基於協同過濾的推薦演算法
    13.4.1  推薦演算法概述
    13.4.2  協同推薦系統概述
    13.4.3  實戰： 通過Python實現基於用戶的協同推薦系統
    13.4.4  實戰： 通過Python實現基於物品的協同推薦系統
    13.4.5  構建推薦引擎面臨的挑戰
  13.5  本章小結
  13.6  習題

  • 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