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

scikit-learn機器學習實戰(雙色印刷)/人工智慧技術叢書

  • 作者：鄧立國//郭雅秋//陳子堯//鄧淇文|責編:夏毓彥
  • 出版社：清華大學
  • ISBN：9787302604396
  • 出版日期：2022/06/01
  • 裝幀：平裝
  • 頁數：209
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書圍繞scikit-learn庫，詳細介紹機器學習模型、演算法、應用場景及其案例實現方法，通過對相關演算法循序漸進的講解，帶你輕鬆踏上機器學習之旅。本書採用理論與實踐相結合的方式，結合Python3語言的強大功能，以最小的編程代價來實現機器學習演算法。本書配套PPT課件、案例源碼、數據集、開發環境與答疑服務。
    本書共分13章，內容包括機器學習的基礎理論、模型範式、策略、演算法以及機器學習的應用開發，涵蓋特徵提取、簡單線性回歸、k近鄰演算法、多元線性回歸、邏輯回歸、樸素貝葉斯、非線性分類、決策樹回歸、隨機森林、感知機、支持向量機、人工神經網路、K均值演算法、主成分分析等熱點研究領域。
    本書可以作為機器學習初學者、研究人員或從業人員的參考書，也可以作為電腦科學、大數據、人工智慧、統計學和社會科學等專業的大學生或研究生的教材。
作者介紹
鄧立國//郭雅秋//陳子堯//鄧淇文|責編:夏毓彥
目錄
第1章  機器學習概述
  1.1  什麼是機器學習
  1.2  機器學習的作用領域
  1.3  機器學習的分類
  1.4  機器學習理論基礎
  1.5  機器學習應用開發的典型步驟
  1.6  本章小結
  1.7  複習題
第2章  機器學習之數據特徵
  2.1  數據的分佈特徵
    2.1.1  數據分佈集中趨勢的測度
    2.1.2  數據分佈離散程度的測定
    2.1.3  數據分佈偏態與峰度的測定
  2.2  數據的相關性
    2.2.1  相關關係
    2.2.2  相關分析
  2.3  數據的聚類性
  2.4  數據主成分分析
    2.4.1  主成分分析的原理及模型
    2.4.2  主成分分析的幾何解釋
    2.4.3  主成分的導出
    2.4.4  證明主成分的方差是依次遞減的
    2.4.5  主成分分析的計算
  2.5  數據動態性及其分析模型
    2.5.1  動態數據及其特點
    2.5.2  動態數據分析模型分類
    2.5.3  平穩時間序列建模
  2.6  數據可視化
  2.7  本章小結
  2.8  複習題
第3章  用scikit-learn估計器分類
  3.1  scikit-learn基礎
    3.1.1  sklearn包含的機器學習方式
    3.1.2  sklearn的強大資料庫
    3.1.3  sklearm datasets構造數據
  3.2  scikit-learn估計器
    3.2.1  sklearn估計器的類別
    3.2.2  sklearn分類器的比較
  3.3  本章小結
  3.4  複習題
第4章  樸素貝葉斯分類
  4.1  演算法原理
    4.1.1  樸素貝葉斯演算法原理
  4.1  ,2樸素貝葉斯分類法
    4.1.3  拉普拉斯校準
  4.2  樸素貝葉斯分類
    4.2.1  高斯樸素貝葉斯
    4.2.2  伯努利樸素貝葉斯
    4.2.3  多項式樸素貝葉斯
  4.3  樸素貝葉斯分類實例

  4.4  樸素貝葉斯連續值的處理
  4.5  本章小結
  4.6  複習題
第5章  線性回歸
  5.1  簡單線性回歸模型
    5.1.1  一元線性回歸模型
    5.1.2  損失函數
    5.1.3  梯度下降演算法
    5.1.4  二元線性回歸模型
    5.1.5  多元線性回歸模型
  5.2  分割數據集
    5.2.1  訓練集和測試集
    5.2.2  驗證集
  5.3  用簡單線性回歸模型預測考試成績
    5.3.1  創建數據集並提取特徵和標籤
    5.3.2  模型訓練
  5.4  本章小結
  5.5  複習題
第6章  用k近鄰演算法分類和回歸
  6.1  k近鄰演算法模型
    6.1.1  k近鄰演算法的原理
    6.1.2  距離的度量
    6.1.3  演算法的優缺點及演算法的變種
  6.2  用k近鄰演算法處理分類問題
  6.3  用k近鄰演算法對鶯尾花進行分類
    6.3.1  導入數據集
    6.3.2  模型訓練
  6.4  用k近鄰演算法進行回歸擬合
  6.5  本章小結
  6.6  複習題
第7章  從簡單線性回歸到多元線性回歸
  7.1  多變數的線性模型
    7.1.1  簡單線性回歸模型
    7.1.2  多元線性回歸模型的預測函數
    7.1.3  向量形式的預測函數
    7.1.4  向量形式的損失函數
    7.1.5  梯度下降演算法
  7.2  模型的優化
    7.2.1  數據歸一化
    7.2.2  欠擬合和過擬合
    7.2.3  正則化
    7.2.4  線性回歸與多項式
    7.2.5  查准率和召回率
  7.3  用多元線性回歸模型預測波士頓房價
    7.3.1  導入波士頓房價數據
    7.3.2  模型訓練
    7.3.3  模型優化
    7.3.4  學習曲線
  7.4  本章小結
  7.5  複習題

第8章  從線性回歸到邏輯回歸
  8.1  邏輯回歸模型
    8.1.1  基本公式
    8.1.2  邏輯回歸演算法的代價函數
    8.1.3  邏輯回歸演算法的損失函數
    8.1.4  梯度下降演算法
  8.2  多元分類問題
    8.2.1  OVR
    8.2.2  softmax函數
  8.3  正則化項
    8.3.1  線性回歸的正則化
    8.3.2  邏輯回歸的正則化
  8.4  模型優化
    8.4.1  判定邊界
    8.4.2  L1和L2的區別
  8.5  用邏輯回歸演算法處理二分類問題
    8.5.1  導入數據集
    8.5.2  模型訓練
    8.5.3  學習曲線
  8.6  識別手寫數字的多元分類問題
    8.6.1  導入數據集
    8.6.2  模型訓練
    8.6.3  模型優化
  8.7  本章小結
  8.8  複習題
第9章  非線性分類和決策樹回歸
  9.1  決策樹的特點
  9.2  決策樹分類
  9.3  決策樹回歸
  9.4  決策樹的複雜度及使用技巧
  9.5決策樹演算法：ID3、C4.5和CART
    9.5.1  ID3演算法
    9.5.2  C4.5演算法
    9.5.3  CART演算法
  9.6  本章小結
  9.7  複習題
第10章  集成方法：從決策樹到隨機森林
  10.1  Bagging元估計器
  10.2  由隨機樹組成的森林
    10.2.1  隨機森林
    10.2.2  極限隨機樹
    10.2.3  參數
    10.2.4  並行化
    10.2.5  特徵重要性評估
  10.3  AdaBoost
    10.3.1  AdaBoost演算法
    10.3.2  AdaBoost使用方法
  10.4  梯度提升回歸樹
    10.4.1  分類
    10.4.2  回歸

    10.4.3  訓練額外的弱學習器
    10.4.4  控制樹的大小
    10.4.5  數學公式
    10.4.6  正則化
    10.4.7  投票分類器
    10.4.8  投票回歸器
  10.5  本章小結
  10.6  複習題
第11章  從感知機到支持向量機
  11.1  線性支持向量機分類
    11.1.1  線性支持向量機分類示例
    11.1.2  軟間隔分類
  11.2  非線性支持向量機分類
    11.2.1  多項式內核
    1L.2.2  相似特徵
    11.2.3  高斯RBF內核
    11.2.4  計算複雜度
  11.3  支持向量機回歸
  11.4  本章小結
  11.5  複習題
第12章  從感知機到人工神經網路
  12.1  從神經元到人工神經元
    12.1.1  生物神經元
    12.1.2  神經元的邏輯計算
  12.2  感知機
  12.3  多層感知機
    12.3.1  反向傳播演算法
    12.3.2  激活函數
    12.3.3  分類MLP
    12.3.4  回歸MLP
    12.3.5  實用技巧
  12.4  本章小結
  12.5  複習題
第13章  主成分分析降維
  13.1  數據的向量表示及降維問題
  13.2  向量的表示及基變換
    13.2.1  內積與投影
    13.2.2  基
    13.2.3  基變換的矩陣表示
  13.3  協方差矩陣及優化目標
    13.3.1  方差
    13.3.2  協方差
    13.3.3  協方差矩陣
    13.3.4  協方差矩陣對角化
  13.4  PCA演算法流程
  13.5  PCA實例
  13.6  scikit-learn PCA降維實例
  13.7  核主成分分析KPCA簡介
  13.8  本章小結
  13.9  複習題

參考文獻

  • 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