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

機器學習入門與實戰(Python實踐應用)/大數據與人工智慧技術叢書

  • 作者：編者:冷雨泉//高慶//閆丹琪|責編:王冰飛
  • 出版社：清華大學
  • ISBN：9787302600480
  • 出版日期：2023/04/01
  • 裝幀：平裝
  • 頁數：204
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要介紹經典的機器學習演算法的原理和改進，以及Python的實例實現。本書的內容可以分成三部分：第一部分是機器學習概念篇（第1章），充分介紹機器學習的相關概念，並且對機器學習的各種演算法進行分類，以便讀者對機器學習的知識框架有整體的了解，從而在後續的學習中更容易接受機器學習涉及的各類演算法；第二部分是Python機器學習基礎篇（第2章和第3章），簡單介紹Python的基本使用方法、機器學習庫scikit-learn和人工智慧工具集OpenAIGym；第三部分是機器學習演算法與Python實踐篇（第4?19章），對監督學習、無/非監督學習、強化學習三大類常用演算法逐一講解，包括機器學習演算法的原理、演算法的優缺點、演算法的實例解釋以及Python的實踐應用。
    本書適合對人工智慧、機器學習感興趣的讀者，希望用機器學習完成設計的電腦或電子信息專業的學生，準備開設機器學習、深度學習實踐課的授課老師，學習過C語言，且希望進一步提高編程水平的開發者，剛從事機器學習、語音、機器視覺、智能機器人研發的演算法工程師閱讀。
作者介紹
編者:冷雨泉//高慶//閆丹琪|責編:王冰飛
目錄
  第一部分  機器學習概念篇
  第1章  機器學習基礎
    1.1  機器學習概述
      1.1.1  機器學習概念
      1.1.2  機器學習的發展史
      1.1.3  機器學習的用途
      1.1.4  機器學習、數據挖掘及人工智慧的關係
    1.2  機器學習的基本術語
    1.3  機器學習的任務及演算法分類
    1.4  如何學習和運用機器學習
      1.4.1  軟體平台的選擇
      1.4.2  機器學習應用的實現流程
    1.5  數據預處理
      1.5.1  數據選取
      1.5.2  數據清理
      1.5.3  數據集成
      1.5.4  數據變換
      1.5.5  數據歸約
    本章參考文獻
第二部分  Python機器學習基礎篇
  第2章  Python基礎入門
    2.1  Python的安裝方法
    2.2  Python學習工具介紹
      2.2.1  PyCharm的安裝
      2.2.2  PyCharm界面介紹
      2.2.3  PyCharm常式的運行
    2.3  Python語法介紹
      2.3.1  語法的基本注意事項
      2.3.2  運算符
      2.3.3  基本語句
    2.4  Python基本繪圖
      2.4.1  建立空白圖
      2.4.2  散點圖
      2.4.3  函數圖
      2.4.4  扇形圖
      2.4.5  柱狀圖
      2.4.6  三維散點
      2.4.7  三維曲線
      2.4.8  三維曲面
    本章參考文獻
  第3章  Python機器學習工具箱
    3.1  機器學習的利器——scikit?learn
      3.1.1  scikit?learn的基礎知識
      3.1.2  scikit?learn的安裝
      3.1.3  基本功能的介紹
    3.2  強化學習的利器——OpenAI Gym
    本章參考文獻
第三部分  機器學習演算法與Python實踐篇
  第4章  k近鄰演算法
    4.1  k近鄰演算法的原理

      4.1.1  k近鄰演算法的實例解釋
      4.1.2  k近鄰演算法的特點
    4.2  基於k近鄰演算法的演算法改進
      4.2.1  快速KNN演算法
      4.2.2  k?d樹KNN演算法
    4.3  k近鄰演算法的Python實踐
    本章參考文獻
  第5章  決策樹
    5.1  決策樹演算法概述
      5.1.1  決策樹演算法的基本原理
      5.1.2  決策樹演算法的特點
      5.1.3  決策樹剪枝
      5.1.4  分類決策樹與回歸決策樹
    5.2  基於決策樹演算法的演算法改進
      5.2.1  ID3決策樹
      5.2.2  C4.5決策樹
      5.2.3  分類回歸樹
      5.2.4  隨機森林
    5.3  決策樹演算法的Python實現
    本章參考文獻
  第6章  支持向量機
    6.1  支持向量機演算法概述
      6.1.1  支持向量機概述
      6.1.2  支持向量機演算法及推導
      6.1.3  支持向量機的核函數
    6.2  改進的支持向量機演算法
    6.3  支持向量機演算法的Python實踐
    本章參考文獻
  第7章  樸素貝葉斯
    7.1  貝葉斯定理
    7.2  樸素貝葉斯分類演算法
    7.3  樸素貝葉斯實例分析
    7.4  樸素貝葉斯分類演算法的改進
      7.4.1  半樸素貝葉斯分類模型
      7.4.2  樹增強樸素貝葉斯分類模型
      7.4.3  貝葉斯網路
      7.4.4  樸素貝葉斯樹
      7.4.5  屬性加權樸素貝葉斯分類演算法
    7.5  樸素貝葉斯演算法的Python實踐
    本章參考文獻
  第8章  線性回歸
    8.1  線性回歸的原理
      8.1.1  簡單線性回歸
      8.1.2  線性回歸實例
    8.2  多元線性回歸
    8.3  線性回歸演算法的Python實踐
    本章參考文獻
  第9章  邏輯回歸
    9.1  邏輯回歸的原理
      9.1.1  Sigmoid函數

      9.1.2  梯度下降法
    9.2  邏輯回歸及公式推導
      9.2.1  公式推導
      9.2.2  向量化
      9.2.3  演算法的步驟
      9.2.4  邏輯回歸的優缺點
    9.3  邏輯回歸演算法的改進
      9.3.1  邏輯回歸的正則化
      9.3.2  主成分改進的邏輯回歸方法
    9.4  邏輯回歸的Python實踐
    本章參考文獻
  第10章  神經網路
    10.1  神經網路演算法概述
      10.1.1  神經網路的工作原理
      10.1.2  神經網路的特點
      10.1.3  人工神經元模型
    10.2  前向神經網路
      10.2.1  感知器
      10.2.2  BP演算法
    10.3  基於神經網路的演算法擴展
      10.3.1  深度學習
      10.3.2  極限學習機
    10.4  神經網路的Python實踐
    本章參考文獻
  第11章  AdaBoost演算法
    11.1  集成學習方法簡介
      11.1.1  集成學習方法的分類
      11.1.2  集成學習之Boosting演算法
    11.2  AdaBoost演算法概述
      11.2.1  AdaBoost演算法的思想
      11.2.2  AdaBoost演算法的理論推導
      11.2.3  AdaBoost演算法的步驟
      11.2.4  AdaBoost演算法的特點
      11.2.5  通過實例理解AdaBoost演算法
    11.3  AdaBoost演算法的改進
      11.3.1  Real AdaBoost演算法
      11.3.2  Gentle AdaBoost演算法
      11.3.3  LogitBoost演算法
    11.4  AdaBoost演算法的Python實踐
    本章參考文獻
  第12章  k均值演算法
    12.1  k均值演算法概述
      12.1.1  k均值演算法的基本原理
      12.1.2  k均值演算法的實現步驟
      12.1.3  k均值演算法的實例
      12.1.4  k均值演算法的特點
    12.2  基於k均值演算法的改進
      12.2.1  改進k值選取方式的k均值改進演算法
      12.2.2  改進初始聚類中心選擇方式的k均值改進演算法
    12.3  k均值演算法的Python實踐

    本章參考文獻
  第13章  期望最大化演算法
    13.1  EM演算法
      13.1.1  EM演算法的思想
      13.1.2  似然函數和極大似然估計
      13.1.3  Jensen不等式
      13.1.4  EM演算法的理論和公式推導
      13.1.5  EM演算法的收斂速度
      13.1.6  EM演算法的特點
    13.2  EM演算法的改進
      13.2.1  Monte Carlo EM演算法
      13.2.2  ECM演算法
      13.2.3  ECME演算法
    13.3  EM演算法的Python實踐
    本章參考文獻
  第14章  k中心點演算法
    14.1  經典k中心點演算法——PAM演算法
      14.1.1  PAM演算法的原理
      14.1.2  PAM演算法的實例
      14.1.3  PAM演算法的特點
    14.2  k中心點演算法的改進
    14.3  k中心點演算法的Python實踐
    本章參考文獻
  第15章  關聯規則挖掘的Apriori演算法
    15.1  關聯規則概述
      15.1.1  關聯規則的基本概念
      15.1.2  關聯規則的分類
    15.2  Apriori演算法的原理
    15.3  Apriori演算法的改進
      15.3.1  基於分片的並行方法
      15.3.2  基於hash的方法
      15.3.3  基於採樣的方法
      15.3.4  減少交易個數的方法
    15.4  Apriori演算法的Python實踐
    本章參考文獻
  第16章  高斯混合模型演算法
    16.1  高斯混合模型的原理
      16.1.1  單高斯模型
      16.1.2  高斯混合模型
      16.1.3  模型的建立
      16.1.4  模型參數的求解
    16.2  高斯混合模型演算法的Python實踐
    本章參考文獻
  第17章  DBSCAN演算法
    17.1  DBSCAN演算法概述
      17.1.1  DBSCAN演算法的基本概念
      17.1.2  DBSCAN演算法的原理
      17.1.3  DBSCAN演算法的實現步驟
      17.1.4  DBSCAN演算法的優缺點
    17.2  DBSCAN演算法的改進

      17.2.1  DPDGA演算法
      17.2.2  並行DBSCAN演算法
    17.3  DBSCAN演算法的Python實踐
    本章參考文獻
  第18章  策略迭代和值迭代
    18.1  基本概念
      18.1.1  強化學習的基本模型
      18.1.2  馬爾可夫決策過程
      18.1.3  策略
      18.1.4  值函數
      18.1.5  貝爾曼方程
    18.2  策略迭代演算法的原理
    18.3  值迭代演算法的原理
    18.4  策略迭代和值迭代演算法的Python實踐
      18.4.1  FrozenLake問題
      18.4.2  OpenAI Gym庫的介紹
      18.4.3  FrozenLake環境的實現過程
      18.4.4  策略迭代演算法的實現
      18.4.5  值迭代演算法的實現
    本章參考文獻
  第19章  SARSA演算法和Q學習演算法
    19.1  SARSA演算法的原理
    19.2  SARSA演算法的Python實踐
      19.2.1  迷宮問題
      19.2.2  SARSA演算法的實現
    19.3  Q學習演算法的原理
    19.4  Q學習演算法的Python實踐
    本章參考文獻

  • 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