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機器學習實踐(大數據人才培養校企合作專業教材)

  • 作者：張建偉//陳銳//馬軍霞//王鵬|責編:夏毓彥
  • 出版社：清華大學
  • ISBN：9787302612605
  • 出版日期：2022/09/01
  • 裝幀：平裝
  • 頁數：267
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書介紹機器學習經典演算法的原理、實現及應用，並通過綜合案例講解如何將實際問題轉換為機器學習能處理的問題進行求解。本書配套源碼、PPT課件、習題答案、開發環境與QQ群答疑。
    本書共分14章。內容包括k近鄰演算法、樸素貝葉斯、聚類、EM演算法、支持向量機、決策樹、線性回歸、邏輯回歸、BP神經網路經典演算法，以及垃圾郵件分類、手寫數字識別、零售商品銷售量分析與預測、個性化推薦等綜合案例。本書演算法首先給出了數學原理及公式推導過程，然後給出演算法實現，最後所有演算法及案例均以Python實現，方便讀者在動手編程中理解機器學習的經典演算法。
    本書適合Python機器學習初學者、機器學習開發人員和研究人員使用，也可作為高等院校電腦、軟體工程、大數據、人工智慧等相關專業的本科生、研究生學習人工智慧、機器學習的教材。
作者介紹
張建偉//陳銳//馬軍霞//王鵬|責編:夏毓彥
目錄
第1章  機器學習基礎
  1.1  機器學習概述
    1.1.1  什麼是機器學習
    1.1.2  機器學習發展史
    1.1.3  機器學習、人工智慧、深度學習的關係
  1.2  機器學習相關概念
  1.3  機器學習的任務
    1.3.1  監督學習
    1.3.2  無監督學習
    1.3.3  半監督學習
  1.4  機器學習的一般步驟
  1.5  機器學習Python基礎
    1.5.1  Python開發環境
    1.5.2  Python基本語法
    1.5.3  Python列表、元組、字典、集合
  1.6  本章小結
  1.7  習題
第2章  k近鄰演算法
  2.1  k近鄰演算法原理
    2.1.1  非參數估計與參數估計
    2.1.2  非參數估計的一般推導
  2.2  基於k近鄰演算法的實現
    2.2.1  利用直方圖估計概率密度、分類
    2.2.2  利用Parzen矩形窗估計概率密度、分類
    2.2.3  利用Parzen正態核估計概率密度、分類
  2.3  k近鄰演算法應用——鳶尾花的分類
  2.4  本章小結
  2.5  習題
第3章  貝葉斯分類器
  3.1  貝葉斯定理相關概念
    3.1.1  先驗概率、條件概率、后驗概率與類條件概率
    3.1.2  貝葉斯決策理論
    3.1.3  極大似然估計
  3.2  樸素貝葉斯分類器
    3.2.1  手工設計貝葉斯分類器
    3.2.2  貝葉斯分類器的實現
    3.2.3  平滑方法
  3.3  樸素貝葉斯分類演算法實現——三文魚和鱸魚的分類
    3.3.1  演算法實現
    3.3.2  調用系統函數實現
  3.4  正態貝葉斯分類器
  3.5  本章小結
  3.6  習題
第4章  聚類
  4.1  聚類演算法簡介
    4.1.1  聚類演算法分類
    4.1.2  距離度量方法
  4.2  K-means聚類
  4.3  基於密度的聚類——DBSCAN聚類
    4.3.1  DBSCAN演算法原理及相關概念

    4.3.2  DBSCAN聚類演算法
  4.4  基於層次的聚類——AGNES聚類
    4.4.1  AGNES聚類演算法思想
    4.4.2  AGNES演算法實現
  4.5  聚類應用舉例
  4.6  各種聚類演算法的比較
  4.7  本章小結
  4.8  習題
第5章  EM演算法
  5.1  EM演算法原理及推導過程
    5.1.1  EM演算法思想
    5.1.2  EM演算法推導過程
  5.2  高斯混合聚類
    5.2.1  概率密度函數
    5.2.2  高斯混合聚類演算法推導過程
    5.2.3  高斯混合聚類演算法思想
    5.2.4  高斯混合聚類應用舉例
  5.3  服從0-1二項分佈的EM演算法
    5.3.1  服從0-1二項分佈的EM演算法思想
    5.3.2  服從0-1二項分佈的EM演算法過程模擬
    5.3.3  服從0-1二項分佈的EM演算法實現
  5.4  本章小結
  5.5  習題
第6章  支持向量機
  6.1  SVM簡介
    6.1.1  線性可分與感知機
    6.1.2  間隔最大化及線性SVM
  6.2  線性SVM演算法實現
  6.3  非線性SVM與核函數
    6.3.1  線性不可分
    6.3.2  對偶問題與核函數
    6.3.3  非線性SVM演算法實現
  6.4  SVM回歸
  6.5  SVM演算法實現——鳶尾花的分類
    6.5.1  sklearn中的SVC參數介紹
    6.5.2  使用SVC對鳶尾花數據進行分類
  6.6  本章小結
  6.7  習題
第7章  決策樹
  7.1  決策樹構造基本原理
  7.2  決策樹構造過程
  7.3  決策樹學習演算法思想及實現
  7.4  決策樹演算法實現——泰坦尼克號倖存者預測
  7.5  本章小結
  7.6  習題
第8章  線性回歸
  8.1  回歸分析概述
  8.2  單變數線性回歸
    8.2.1  梯度下降法求解線性回歸原理與實現
    8.2.2  牛頓法求解線性回歸原理與實現

  8.3  多變數回歸分析
    8.3.1  多變數回歸分析原理
    8.3.2  多變數線性回歸演算法實現
  8.4  多項式回歸分析
  8.5  本章小結
  8.6  習題
第9章  邏輯回歸
  9.1  sigmoid函數與邏輯回歸模型
  9.2  梯度下降與推導過程
  9.3  參數學習向量化
  9.4  邏輯回歸的Python實現——乳腺良性與惡性腫瘤的預測
  9.5  評估方法
  9.6  本章小結
  9.7  習題
第10章  人工神經網路
  10.1  從感知機到多層感知機
  10.2  神經網路模型
  10.3  BP神經網路演算法思想及實現
    10.3.1  BP神經演算法模型參數學習過程
    10.3.2  BP神經網路演算法實現
  10.4  BP神經網路演算法實現——鳶尾花分類
  10.5  本章小結
  10.6  習題
第11章  綜合案例分析：垃圾郵件分類
  11.1  文本預處理
    11.1.1  中文分詞
    11.1.2  文本向量化
  11.2  中文垃圾郵件分類演算法及實現
  11.3  本章小結
  11.4  習題
第12章  綜合案例分析：手寫數字識別
  12.1  圖像的存儲表示
  12.2  數據預處理
    12.2.1  將圖像轉換為文本
    12.2.2  將矩陣轉換為向量
  12.3  基於kNN的手寫數字識別
    12.3.1  劃分訓練集和測試集
    12.3.2  kNN分類模型
    12.3.3  kNN分類模型評估
  12.4  基於神經網路的手寫數字識別
    12.4.1  定義神經網路模型
    12.4.2  主函數
  12.5  本章小結
  12.6  習題
第13章  綜合案例分析：零售商品銷售額分析與預測
  13.1  問題描述與分析
  13.2  數據探索與預處理
    13.2.1  數據探索
    13.2.2  屬性特徵的數值化
    13.2.3  缺失值處理

  13.3  特徵選擇
  13.4  建立回歸模型
    13.4.1  線性回歸模型
    13.4.2  嶺回歸模型
    13.4.3  Lasso回歸模型
    13.4.4  多項式回歸模型
    13.4.5  隨機森林回歸模型
  13.5  超參數選擇
  13.6  本章小結
  13.7  習題
第14章  綜合案例分析：基於協同過濾的推薦系統
  14.1  推薦系統簡介
    14.1.1  信息檢索與推薦系統
    14.1.2  推薦系統的前世今生
    14.1.3  推薦系統的原理與分類
    14.1.4  推薦系統的評估方法
  14.2  基於最近鄰的協同過濾推薦演算法原理與實現
    14.2.1  基於近鄰用戶的協同過濾推薦
    14.2.2  基於近鄰項目的協同過濾推薦
  14.3  基於隱語義分析的推薦模型
  14.4  基於標籤的推薦演算法
  14.5  本章小結
  14.6  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