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(全彩圖解+微課+Python編程)/鳶尾花數學大系

  • 作者：姜偉生|責編:欒大成
  • 出版社：清華大學
  • ISBN：9787302666769
  • 出版日期：2024/08/01
  • 裝幀：平裝
  • 頁數：534
人民幣：RMB 238 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是「鳶尾花數學大系：從加減乘除到機器學習」叢書的最後一冊，前六本解決了編程、可視化、數學、數據方面的諸多問題，而本書將開啟機器學習經典演算法的學習之旅。
    本書設置了24個話題，對應四大類機器學習經典演算法（回歸、分類、降維、聚類），覆蓋演算法包括：回歸分析、多元線性回歸、非線性回歸、正則化回歸、貝葉斯回歸、高斯過程、k最近鄰分類、樸素貝葉斯分類、高斯判別分析、支持向量機、核技巧、決策樹、主成分分析、截斷奇異值分解、主成分分析進階、主成分分析與回歸、核主成分分析、典型相關分析、k均值聚類、高斯混合模型、最大期望演算法、層次聚類、密度聚類、譜聚類。
    本書選取演算法模型的目標是覆蓋Scikit-Learn庫的常用機器學習演算法函數，讓讀者充分理解演算法理論，又能聯繫實際應用。因此，在學習本書時，特別希望調用Scikit-Learn各種函數來解決問題之餘，更要理解演算法背後的數學工具。因此，本書給出適度的數學推導以及擴展閱讀。
    本書提供代碼示例和視頻講解，「鳶尾花書」強調在JupyterLab自主探究學習才能提高編程技能。本書配套微課也主要以配套JupyterNotebooks為核心，希望讀者邊看視頻，邊動手練習。
    本書讀者群包括所有試圖用機器學習解決問題的朋友，尤其適用於機器學習入門、初級程序員轉型、高級數據分析師、機器學習進階。
作者介紹
姜偉生|責編:欒大成
    姜偉生，博士，勤奮的小鎮做題家，熱愛知識可視化和開源分享。自2022年8月開始，在GitHub上開源「鳶尾花書」學習資源，截至2023年5月，已經分享3000多頁PDF、3000多幅矢量圖、約1000個代碼文件，全球讀者數以萬計。
目錄
緒論
第1板塊  綜述
  第1章  機器學習
    1.1  什麼是機器學習
    1.2  回歸：找到自變數與因變數關係
    1.3  分類：針對有標籤數據
    1.4  降維：降低數據維度，提取主要特徵
    1.5  聚類：針對無標籤數據
    1.6  機器學習流程
    1.7  下一步學什麼？
第2板塊  回歸
  第2章  回歸分析
    2.1  線性回歸：一個表格、一條直線
    2.2  方差分析（ANOVA）
    2.3  總離差平方和（SST）
    2.4  回歸平方和（SSR）
    2.5  殘差平方和（SSE）
    2.6  幾何視角：勾股定理
    2.7  擬合優度：評價擬合程度
    2.8  F檢驗：模型參數不全為
    2.9  t檢驗：某個回歸係數是否為
    2.10  置信區間：因變數均值的區間
    2.11  預測區間：因變數特定值的區間
    2.12  對數似然函數：用在最大似然估計（MLE）
    2.13  信息準則：選擇模型的標準
    2.14  殘差分析：假設殘差服從均值為0的正態分佈
    2.15  自相關檢測：Durbin-Watson
    2.16  條件數：多重共線性
  第3章  多元線性回歸
    3.1  多元線性回歸
    3.2  優化問題：OLS
    3.3  幾何解釋：投影
    3.4  二元線性回歸實例
    3.5  多元線性回歸實例
    3.6  正交關係
    3.7  三個平方和
    3.8  t檢驗
    3.9  多重共線性
    3.10  條件概率視角看多元線性回歸
  第4章  非線性回歸
    4.1  線性回歸
    4.2  線性對數模型
    4.3  非線性回歸
    4.4  多項式回歸
    4.5  邏輯回歸
    4.6  邏輯函數完成分類問題
  第5章  正則化回歸
    5.1  正則化：抑制過擬合
    5.2  嶺回歸
    5.3  幾何角度看嶺回歸

    5.4  套索回歸
    5.5  幾何角度看套索回歸
    5.6  彈性網路回歸
  第6章  貝葉斯回歸
    6.1  回顧貝葉斯推斷
    6.2  貝葉斯回歸：無信息先驗
    6.3  使用PyMC完成貝葉斯回歸
    6.4  貝葉斯視角理解嶺正則化
    6.5  貝葉斯視角理解套索正則化
  第7章  高斯過程
    7.1  高斯過程原理
    7.2  解決回歸問題
    7.3  解決分類問題
第3板塊  分類
  第8章  k最近鄰分類
    8.1  k最近鄰分類原理：近朱者赤，近墨者黑
    8.2  二分類：非紅，即藍
    8.3  三分類：非紅，要麼藍，要麼灰
    8.4  近鄰數量k影響投票結果
    8.5  投票權重：越近，影響力越高
    8.6  最近質心分類：分類邊界為中垂線
    8.7  k-NN回歸：非參數回歸
  第9章  樸素貝葉斯分類
    9.1  重逢貝葉斯
    9.2  樸素貝葉斯的「樸素」之處
    9.3  高斯，你好
  第10章  高斯判別分析
    10.1  又見高斯
    10.2  六類協方差矩陣
    10.3  決策邊界解析解
    10.4  第一類
    10.5  第二類
    10.6  第三類
    10.7  第四類
    10.8  第五類
    10.9  第六類
    10.10  線性和二次判別分析
  第11章  支持向量機
    11.1  支持向量機
    11.2  硬間隔：處理線性可分
    11.3  構造優化問題
    11.4  支持向量機處理二分類問題
    11.5  軟間隔：處理線性不可分
  第12章  核技巧
    12.1  映射函數：實現升維
    12.2  核技巧SVM優化問題
    12.3  線性核：最基本的核函數
    12.4  多項式核
    12.5  二次核：二次曲面
    12.6  三次核：三次曲面

    12.7  高斯核：基於徑向基函數
    12.8  Sigmoid核
  第13章  決策樹
    13.1  決策樹：可以分類，也可以回歸
    13.2  信息熵：不確定性度量
    13.3  信息增益：通過劃分，提高確定度
    13.4  基尼指數：指數越大，不確定性越高
    13.5  最大葉節點：影響決策邊界
    13.6  最大深度：控制樹形大小
第4板塊  降維
  第14章  主成分分析
    14.1  主成分分析
    14.2  原始數據
    14.3  特徵值分解
    14.4  正交空間
    14.5  投影結果
    14.6  還原
    14.7  雙標圖
    14.8  陡坡圖
  第15章  截斷奇異值分解
    15.1  幾何視角看奇異值分解
    15.2  四種SVD分解
    15.3  幾何視角看截斷型SVD
    15.4  優化視角看截斷型SVD
    15.5  分析鳶尾花照片
  第16章  主成分分析進階
    16.1  從「六條技術路線」說起
    16.2  協方差矩陣：中心化數據
    16.3  格拉姆矩陣：原始數據
    16.4  相關性係數矩陣：標準化數據
  第17章  主成分分析與回歸
    17.1  正交回歸
    17.2  一元正交回歸
    17.3  幾何角度看正交回歸
    17.4  二元正交回歸
    17.5  多元正交回歸
    17.6  主元回歸
    17.7  偏最小二乘回歸
  第18章  核主成分分析
    18.1  核主成分分析
    18.2  從主成分分析說起
    18.3  用核技巧完成核主成分分析
  第19章  典型相關分析
    19.1  典型相關分析原理
    19.2  從一個協方差矩陣考慮
    19.3  以鳶尾花數據為例
第5板塊  聚類
  第20章  K均值聚類
    20.1  K均值聚類
    20.2  優化問題

    20.3  迭代過程
    20.4  肘部法則：選定聚類簇值
    20.5  輪廓圖：選定聚類簇值
    20.6  沃羅諾伊圖
  第21章  高斯混合模型
    21.1  高斯混合模型
    21.2  四類協方差矩陣
    21.3  分量數量
    21.4  硬聚類和軟聚類
  第22章  最大期望演算法
    22.1  最大期望
    22.2  E步：最大化期望
    22.3  M步：最大化似然概率
    22.4  迭代過程
    22.5  多元GMM迭代
  第23章  層次聚類
    23.1  層次聚類
    23.2  樹形圖
    23.3  簇間距離
    23.4  親近度層次聚類
  第24章  密度聚類
    24.1  DBSCAN聚類
    24.2  調節參數
  第25章  譜聚類
    25.1  譜聚類
    25.2  距離矩陣
    25.3  相似度
    25.4  無向圖
    25.5  拉普拉斯矩陣
    25.6  特徵值分解
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