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機器學習與可視化分析實戰/大數據技術叢書

  • 作者：王曉華|責編:夏毓彥
  • 出版社：清華大學
  • ISBN：9787302616177
  • 出版日期：2022/09/01
  • 裝幀：平裝
  • 頁數：229
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    使用機器學習進行數據可視化分析是近年來研究的熱點內容之一。本書使用最新的Python作為機器學習的基本語言和工具，從搭建環境開始，逐步深入到理論、代碼、應用實踐中去，從而使初學者能夠獨立使用機器學習完成數據分析。本書配套示例代碼、PPT課件和答疑服務。
    本書分為10章，內容包括：機器學習與Python開發環境、用於數據處理及可視化展示的Python類庫、NBA賽季數據可視化分析、聚類演算法與可視化實戰、線性回歸與可視化實戰、邏輯回歸與可視化實戰、決策樹演算法與可視化實戰、基於深度學習的酒店評論情感分類實戰、基於深度學習的手寫體圖像識別實戰、TensorFlowDatasets和TensorBoard訓練可視化。
    本書內容詳盡、示例豐富，是機器學習初學者的入門書和必備的參考書，也可作為高等院校電腦及大數據相關專業的教材使用。
作者介紹
王曉華|責編:夏毓彥
目錄
第1章  機器學習與Python開發環境
  1.1  機器學習概述
    1.1.1  機器學習的前世今生
    1.1.2  機器學習的研究現狀與方向
    1.1.3  機器學習之美——數據的可視化
  1.2  Python的基本安裝和用法
    1.2.1  Anaconda的下載與安裝
    1.2.2  Python編譯器PyCharm的安裝
    1.2.3  使用Python實現softmax函數計算
  1.3  Python常用類庫中的threading
    1.3.1  threading模塊中的Thread類
    1.3.2  threading中Lock類
    1.3.3  threading中Join類
  1.4  本章小結
第2章  用於數據處理及可視化展示的 Python類庫
  2.1  從小例子起步——NumPy的初步使用
    2.1.1  數據的矩陣化
    2.1.2  數據分析
    2.1.3  基於統計分析的數據處理
  2.2  圖形化數據處理——Matplotlib包的使用
    2.2.1  差異的可視化
    2.2.2  坐標圖的展示
    2.2.3  大數據的可視化展示
  2.3  常用的統計分析方法——相似度計算
    2.3.1  歐幾里得相似度計算
    2.3.2  餘弦相似度計算
    2.3.3  歐幾里得相似度與餘弦相似度的比較
  2.4  數據的統計學可視化展示
    2.4.1  數據的四分位數
    2.4.2  數據的四分位數示例
    2.4.3  數據的標準化
    2.4.4  數據的平行化處理
    2.4.5  熱力圖——屬性相關性檢測
  2.5  Python分析某地降雨量變化規律
    2.5.1  不同年份的相同月份統計
    2.5.2  不同月份之間的增減程度比較
    2.5.3  每月降雨是否相關
  2.6  本章小結
第3章  NBA賽季數據可視化分析
  3.1  基於球員薪資的數據分析
    3.1.1  關於球員薪資的一些基本分析
    3.1.2  關於球員RPM相關性的分析
    3.1.3  關於球員RPM數據的分析
  3.2  Seaborn常用的數據可視化方法
    3.2.1  關於RPM、薪資和年齡的一元可視化分析
    3.2.2  關於RPM、薪資、年齡的二元可視化分析
    3.2.3  關於衍生變數的可視化分析
    3.2.4  NBA球隊數據的分析結果
  3.3  NBA賽季數據分析
    3.3.1  關於賽季發展的一些基本分析

    3.3.2  群星璀璨的NBA
    3.3.3  關於球員高級數據的一些基本分析
  3.4  本章小結
第4章  聚類演算法與可視化實戰
  4.1  聚類的定義
    4.1.1  衡量距離的方法
    4.1.2  聚類演算法介紹
  4.2  經典K-means聚類演算法實戰
    4.2.1  經典K-means演算法的Python實現
    4.2.2  基於Iris數據集的可視化分析
    4.2.3  投某音還是投某寶？基於K-means的廣告效果聚類分析
  4.3  基於密度的聚類演算法DBSCAN
    4.3.1  DBSCAN演算法原理與Python實現
    4.3.2  基於sklearn的DBSCAN實戰
    4.3.3  DBSCAN的優缺點比較
  4.4  基於層次的聚類演算法
    4.4.1  基於層次演算法的原理
    4.4.2  Agglomerative演算法與示例
  4.5  本章小結
第5章  線性回歸與可視化實戰
  5.1  線性回歸的基本內容與Python實現
    5.1.1  什麼是線性回歸
    5.1.2  最小二乘法詳解
    5.1.3  道士下山的故事——隨機梯度下降演算法
    5.1.4  基於一元線性回歸的比薩餅價格計算
    5.1.5  線性回歸的評價指標
    5.1.6  線性回歸應用
  5.2  多元線性回歸實戰
    5.2.1  多元線性回歸的基本內容
    5.2.2  多元線性回歸的Python實現
    5.2.3  基於多元線性回歸的房價預測實戰
  5.3  本章小結
第6章  邏輯回歸與可視化實戰
  6.1  邏輯回歸的基本內容與Python實現
    6.1.1  邏輯回歸是一個分類任務
    6.1.2  邏輯回歸的基本內容
    6.1.3  鏈式求導法則
    6.1.4  邏輯回歸中的Sigmoid函數
  6.2  基於邏輯回歸的鳶尾花（Iris）分類
    6.2.1  鳶尾花數據集簡介與基礎可視化分析
    6.2.2  鳶尾花數據集進階可視化分析
    6.2.3  基於鳶尾花數據集的數據挖掘
    6.2.4  基於線性回歸與K-means的鳶尾花數據集分類
    6.2.5  基於邏輯回歸的鳶尾花數據集分類
  6.3  本章小結
第7章  決策樹演算法與可視化實戰
  7.1  水晶球的秘密
    7.1.1  決策樹
    7.1.2  決策樹的演算法基礎——信息熵
    7.1.3  決策樹的演算法基礎——ID3演算法

  7.2  決策樹背後的信息——信息熵與交叉熵
    7.2.1  交叉熵基本原理詳解
    7.2.2  交叉熵的表述
  7.3  決策樹實戰——分類與回歸樹
    7.3.1  分類樹與回歸樹的區別
    7.3.2  基於分類樹的鳶尾花分類實戰
    7.3.2  基於回歸樹的波士頓房價預測
  7.4  基於隨機森林的信用卡違約實戰
    7.4.1  隨機森林的基本內容
    7.4.2  隨機森林與決策樹的可視化比較
    7.4.3  基於隨機森林的信用卡違約檢測
  7.5  本章小結
第8章  基於深度學習的酒店評論情感分類實戰
  8.1  深度學習
    8.1.1  何為深度學習
    8.1.2  與傳統的「淺層學習」的區別
  8.2  酒店評論情感分類——深度學習入門
  8.3  深度學習的流程、應用場景和模型分類
    8.3.1  深度學習的流程與應用場景
    8.3.2  深度學習的模型分類
  8.3  本章小結
第9章  基於深度學習的手寫體圖像識別實戰
  9.1  卷積運算的基本概念
    9.1.1  卷積運算
    9.1.2  TensorFlow中卷積函數的實現
    9.1.3  池化運算
    9.1.4  softmax激活函數
    9.1.5  卷積神經網路原理
  9.2  MNIST手寫體識別
    9.2.1  MNIST數據集
    9.2.2  MNIST數據集特徵和標籤
    9.2.3  卷積神經網路編程實戰：MNIST數據集
  9.3  基於多層感知機的手寫體識別
    9.3.1  多層感知機的原理與實現
    9.3.2  多層感知機的激活函數
  9.4  消除過擬合——正則化與dropout
    9.4.1  正則化與dropout概述
    9.4.2  使用防過擬合處理的多層感知機
    9.4.3  Keras創建多層感知機的細節問題
  9.5  本章小結
第10章  TensorFlow Datasets和TensorBoard 訓練可視化
  10.1  TensorFlow Datasets簡介
    10.1.1  TensorFlow Datasets的安裝
    10.1.2  TensorFlow Datasets的使用
  10.2  TensorFlow Datasets數據集的使用——FashionMNIST
    10.2.1  FashionMNIST數據集的下載與展示
    10.2.2  模型的建立與訓練
  10.3  使用Keras對FashionMNIST數據集進行處理
    10.3.1  獲取數據集
    10.3.2  數據集的調整

    10.3.3  使用Python類函數建立模型
    10.3.4  Model的查看和參數列印
    10.3.5  模型的訓練和評估
  10.4  使用TensorBoard可視化訓練過程
    10.4.1  TensorBoard的文件夾的設置
    10.4.2  TensorBoard的顯式調用
    10.4.3  TensorBoard的使用
  10.5  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