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(方法及實踐高等院校數字經濟專業創新驅動系列教材)/數字經濟創新驅動與技術賦能叢書

  • 作者：薛薇|責編:王斌//李樂
  • 出版社：機械工業
  • ISBN：9787111819370
  • 出版日期：2026/10/01
  • 裝幀：平裝
  • 頁數：385
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書引領讀者進入Python機器學習領域。機器學習是一套先進、深刻且內容豐富的演算法集合，是數據科學領域主流的一類分析方法；Python是一款簡明、高效且功能強大的開源工具，是數據科學領域最常用的電腦編程語言之一，它們相得益彰，構成了當今大數據技術、人工智慧等前沿領域的必備知識技能，是數據科學人才培養的必修課。
    本書採用理論與實踐相結合的方式，對Python機器學習進行了系統介紹，理論上突出可讀性併兼具知識深度和廣度，實踐上強調可操作性併兼具應用廣泛性。對機器學習的原理部分進行了深入透徹的講解，對機器學習的演算法部分給出了Python實現，且在第3?13章均給出了可操作實現的應用案例。
    本書可作為數據科學應用研究者以及對Python機器學習有興趣的數據分析從業者的參考書，也非常適合作為高校數據科學與大數據技術專業、人工智慧專業、大數據管理與應用或相近專業的「機器學習」「數據挖掘與機器學習」「機器學習與智能計算」「數據分析與建模」等相關課程的教材。
作者介紹
薛薇|責編:王斌//李樂
    薛薇     博士，中國人民大學應用統計研究中心研究員，中國人民大學統計學院副教授。主要開設課程：機器學習，計量經濟學，統計軟體，統計學。研究方向：機器學習與深度學習演算法研究和應用。
目錄
前言
第1章  機器學習概述
  1.1  人工智慧中的機器學習
    1.1.1  符號主義人工智慧
    1.1.2  什麼是機器學習
    1.1.3  機器學習助力人工智慧發展
  1.2  機器學習中的大數據
    1.2.1  機器學習中的結構化數據
    1.2.2  機器學習中的半結構化數據
    1.2.3  機器學習中的非結構化數據
  1.3  機器學習的主要任務
    1.3.1  數據預測
    1.3.2  數據聚類
    1.3.3  其他任務
  1.4  機器學習的典型應用
    1.4.1  機器學習的典型行業應用
    1.4.2  機器學習在客戶細分中的應用
    1.4.3  機器學習在客戶流失分析中的應用
    1.4.4  機器學習在營銷響應分析中的應用
    1.4.5  機器學習在交叉銷售中的應用
    1.4.6  機器學習在欺詐甄別中的應用
  【本章總結】
  【本章習題】
第2章  Python機器學習基礎
  2.1  Python：機器學習的首選工具
  2.2  Python的集成開發環境：Anaconda
    2.2.1  Anaconda概述
    2.2.2  Anaconda Prompt的使用
    2.2.3  Spyder的使用
    2.2.4  Jupyter Notebook的使用
  2.3  Python第三方包的引用
  2.4  NumPy使用示例
    2.4.1  NumPy數組的創建和訪問
    2.4.2  NumPy的計算功能
  2.5  Pandas使用示例
    2.5.1  Pandas的序列和索引
    2.5.2  Pandas的數據框
    2.5.3  Pandas的數據加工處理
  2.6  NumPy和Pandas的綜合應用：空氣質量監測數據的預處理和基本分析
    2.6.1  空氣質量監測數據的預處理
    2.6.2  空氣質量監測數據的基本分析
  2.7  Matplotlib的綜合應用：空氣質量監測數據的圖形化展示
    2.7.1  AQI的時序變化特點
    2.7.2  AQI的分佈特徵及相關性分析
  2.8  Seaborn的綜合應用：空氣質量監測數據的圖形化展示
    2.8.1  探究各年PM2.5的統計分佈特徵
    2.8.2  探究不同空氣質量等級下PM2.5的統計分佈特徵
    2.8.3  探究AQI和各種污染物濃度之間的相關性
  【本章總結】
  【本章相關函數列表】

  【本章習題】
第3章  數據預測與預測建模
  3.1  認識線性回歸預測模型
    3.1.1  線性回歸預測模型
    3.1.2  線性回歸模型的幾何理解
    3.1.3  回歸預測模型的評價
    3.1.4  線性回歸預測模型的Python應用
  實踐：PM2.5濃度預測
  3.2  認識線性分類預測模型
    3.2.1  線性分類預測模型：Logisitc回歸和Softmax回歸
    3.2.2  線性分類模型的幾何理解
    3.2.3  分類預測模型的評價
    3.2.4  Python應用實踐：空氣質量等級預測
  3.3  從線性預測模型到非線性預測模型
  3.4  預測模型的參數估計
    3.4.1  損失函數與有監督學習
    3.4.2  參數估計的策略
  3.5  預測模型的選擇
    3.5.1  泛化誤差的估計
    3.5.2  Python模擬和啟示：理解泛化誤差
    3.5.3  預測模型的過擬合問題
    3.5.4  模型選擇：偏差和方差
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第4章  數據預測建模：貝葉斯分類器
  4.1  貝葉斯概率和貝葉斯法則
    4.1.1  貝葉斯概率
    4.1.2  貝葉斯法則
  4.2  樸素貝葉斯分類器
    4.2.1  從顧客行為分析看樸素貝葉斯分類器
    4.2.2  Python模擬和啟示：認識樸素貝葉斯分類器的分類邊界
    4.2.3  Python應用實踐：空氣質量等級預測
  4.3  樸素貝葉斯分類器在文本分類中的應用
    4.3.1  Python文本數據的預處理：文本分詞和量化計算
    4.3.2  Python文本描述性分析：詞雲圖和文本相似性
    4.3.3  Python文本分析綜合應用：裁判文書的要素提取
  4.4  貝葉斯參數估計簡介
    4.4.1  從科比投籃分析看貝葉斯參數估計的基本思想
    4.4.2  共軛先驗分佈
    4.4.3  Python應用實踐：科比投籃命中率的研究
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第5章  數據預測建模：近鄰分析
  5.1  近鄰分析：K-近鄰法
    5.1.1  距離：K-近鄰法的近鄰度量
    5.1.2  參數K：1-近鄰法和K-近鄰法
  5.2  回歸預測中的K-近鄰法
    5.2.1  Python模擬和啟示：認識K-近鄰回歸線

    5.2.2  Python模擬和啟示：認識K-近鄰回歸面
  5.3  分類預測中的K-近鄰法
    5.3.1  基於1-近鄰和K-近鄰的分類
    5.3.2  Python模擬和啟示：參數K和分類邊界
  5.4  基於觀測相似性的加權K-近鄰法
    5.4.1  加權K-近鄰法的權重
    5.4.2  Python模擬和啟示：認識加權K-近鄰法的分類邊界
  5.5  K-近鄰法的Python應用實踐
    5.5.1  空氣質量等級的預測
    5.5.2  國產電視劇的大眾評分預測
  5.6  K-近鄰法的適用性探討
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第6章  數據預測建模：決策樹
  6.1  決策樹的基本概念
    6.1.1  什麼是決策樹
    6.1.2  決策樹的深層含義
  6.2  回歸預測中的決策樹
    6.2.1  決策樹的回歸面
    6.2.2  Python模擬和啟示：樹深度對回歸面的影響
  6.3  分類預測中的決策樹
    6.3.1  決策樹的分類邊界
    6.3.2  Python模擬和啟示：樹深度對分類邊界的影響
  6.4  決策樹的生長和剪枝
    6.4.1  決策樹的生長
    6.4.2  決策樹的剪枝
  6.5  經典決策樹演算法：分類與回歸樹CART
    6.5.1  CART的生長
    6.5.2  CART的后剪枝
  6.6  決策樹的Python應用實踐
    6.6.1  PM2.5濃度的預測
    6.6.2  空氣質量等級的預測
    6.6.3  藥物適用性研究
  6.7  決策樹的高方差性
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第7章  數據預測建模：支持向量機
  7.1  支持向量分類概述
    7.1.1  支持向量分類的基本思路
    7.1.2  支持向量分類的三種情況
  7.2  完全線性可分下的支持向量分類
    7.2.1  完全線性可分下的超平面
    7.2.2  參數求解和分類預測
    7.2.3  Python模擬和啟示：認識支持向量
  7.3  廣義線性可分下的支持向量分類
    7.3.1  廣義線性可分下的超平面
    7.3.2  廣義線性可分下的誤差懲罰和目標函數
    7.3.3  Python模擬和啟示：認識誤差懲罰參數C

    7.3.4  參數求解和分類預測
  7.4  線性不可分下的支持向量分類
    7.4.1  線性不可分問題的一般解決方式
    7.4.2  支持向量分類克服維災難的途徑
    7.4.3  Python模擬和啟示：認識核函數
  7.5  支持向量回歸概述
    7.5.1  支持向量回歸的基本思路
    7.5.2  支持向量回歸的目標函數和約束條件
    7.5.3  Python模擬和啟示：認識
  7.6  支持向量機的Python應用實踐：老年人危險體位預警
    7.6.1  案例背景和數據說明
    7.6.2  Python實現
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第8章  數據預測建模：集成學習
  8.1  集成學習概述
    8.1.1  高方差問題的解決途徑
    8.1.2  從弱模型到強模型的構建
  8.2  基於重抽樣自舉法的集成學習
    8.2.1  重抽樣自舉法
    8.2.2  袋裝法的基本思想
    8.2.3  隨機森林的基本思想
    8.2.4  Python應用實踐：基於袋裝法和隨機森林預測PM2.5濃度
  8.3  從弱模型到強模型的構建：提升法
    8.3.1  提升法的基本思路
    8.3.2  Python模擬和啟示：弱模型聯合成為強模型
    8.3.3  分類預測中的提升法：AdaBoost.M1演算法
    8.3.4  Python模擬和啟示：認識AdaBoost.M1演算法中高權重樣本
    8.3.5  回歸預測中的提升法
    8.3.6  Python應用實踐：基於AdaBoost預測PM2.5濃度
    8.3.7  提升法的推廣演算法
  8.4  梯度提升樹
    8.4.1  梯度提升演算法
    8.4.2  梯度提升回歸樹
    8.4.3  Python模擬和啟示：認識梯度提升回歸樹
    8.4.4  梯度提升分類樹
    8.4.5  Python模擬和啟示：認識梯度提升分類樹
  8.5  XGBoost演算法
    8.5.1  XGBoost的目標函數
    8.5.2  目標函數的近似表達
    8.5.3  決策樹的求解
    8.5.4  Python應用實踐：基於XGBoost預測空氣質量等級
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第9章  數據預測建模：人工神經網路
  9.1  人工神經網路的基本概念
    9.1.1  人工神經網路的基本構成
    9.1.2  人工神經網路節點的功能

  9.2  感知機網路
    9.2.1  感知機網路中的節點
    9.2.2  感知機節點中的加法器
    9.2.3  感知機節點中的激活函數
    9.2.4  Python模擬和啟示：認識激活函數
    9.2.5  感知機的權重訓練
  9.3  多層感知機網路
    9.3.1  多層感知機網路的結構
    9.3.2  多層感知機網路中的隱藏節點
    9.3.3  Python模擬和啟示：認識隱藏節點
  9.4  B-P反向傳播演算法
    9.4.1  反向傳播演算法的基本思想
    9.4.2  局部梯度和權重更新
  9.5  多層網路的其他問題
  9.6  人工神經網路的Python應用實踐
    9.6.1  手寫體郵政編碼的識別
    9.6.2  PM2.5濃度的回歸預測
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第10章  特徵選擇：過濾、包裹和嵌入策略
  10.1  過濾式策略下的特徵選擇
    10.1.1  低方差過濾法
    10.1.2  高相關過濾法中的方差分析
    10.1.3  高相關過濾法中的卡方檢驗
    10.1.4  Python應用實踐：過濾法下手寫體郵政編碼數字的特徵選擇
    10.1.5  其他高相關過濾法
  10.2  包裹式策略下的特徵選擇
    10.2.1  包裹式策略的基本思路
    10.2.2  遞歸式特徵剔除法
    10.2.3  基於交叉驗證的遞歸式特徵剔除法
    10.2.4  Python應用實踐：包裹式策略下手寫體郵政編碼數字的特徵選擇
  10.3  嵌入式策略下的特徵選擇
    10.3.1  嶺回歸和Lasso回歸
    10.3.2  彈性網回歸
    10.3.3  Python應用實踐：嵌入式策略下手寫體郵政編碼數據的特徵選擇
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第11章  特徵提取：空間變換策略
  11.1  主成分分析
    11.1.1  主成分分析的基本出發點
    11.1.2  主成分分析的基本原理
    11.1.3  確定主成分
    11.1.4  Python模擬和啟示：認識主成分
  11.2  矩陣的奇異值分解
    11.2.1  奇異值分解的基本思路
    11.2.2  奇異值分解的Python應用實踐：臉部數據特徵提取
  11.3  核主成分分析
    11.3.1  核主成分分析的出發點

    11.3.2  核主成分分析的基本原理
    11.3.3  Python模擬和啟示：認識核主成分
  11.4  因子分析
    11.4.1  因子分析的基本出發點
    11.4.2  因子分析的基本原理
    11.4.3  Python模擬和啟示：認識因子分析的計算過程
    11.4.4  因子分析的其他問題
    11.4.5  因子分析的Python應用實踐：空氣質量綜合評測
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第12章  揭示數據內在結構：聚類分析
  12.1  聚類分析概述
    12.1.1  聚類分析的目的
    12.1.2  聚類演算法概述
    12.1.3  聚類解的評價
    12.1.4  聚類解的可視化
  12.2  基於質心的聚類模型：K-均值聚類
    12.2.1  K-均值聚類基本過程
    12.2.2  基於K-均值聚類的類別預測
    12.2.3  Python模擬和啟示：認識K-均值聚類中的K
  12.3  基於連通性的聚類模型：系統聚類
    12.3.1  系統聚類的基本過程
    12.3.2  系統聚類中距離的連通性測度
    12.3.3  Python模擬和啟示：認識系統聚類中的聚類數目K
  12.4  基於高斯分佈的聚類模型：EM聚類
    12.4.1  出發點：有限混合分佈
    12.4.2  EM聚類演算法
    12.4.3  Python模擬和啟示：認識EM聚類
  12.5  聚類分析的Python應用實踐：環境污染的區域特徵分析
  【本章總結】
  【本章相關函數列表】
  【本章習題】
第13章  揭示數據內在結構：特色聚類
  13.1  基於密度的聚類：DBSCAN聚類
    13.1.1  DBSCAN聚類中的相關概念
    13.1.2  DBSCAN聚類過程
    13.1.3  Python模擬和啟示：認識DBSCAN的異形聚類特點
  13.2  Mean-Shift聚類
    13.2.1  什麼是核密度估計
    13.2.2  核密度估計在Mean-Shift聚類中的意義
    13.2.3  Mean-Shift聚類過程
    13.2.4  Python模擬與啟示：認識Mean-Shift聚類中的核寬
  13.3  BIRCH聚類
    13.3.1  BIRCH聚類的特點
    13.3.2  BIRCH演算法中的聚類特徵樹
    13.3.3  BIRCH聚類的基本思路
    13.3.4  Python模擬和啟示：認識BIRCH聚類的特點
  13.4  特色聚類的Python應用實踐：商品批發商的市場細分
    13.4.1  案例數據說明

    13.4.2  Python實現
  【本章總結】
  【本章相關函數列表】
  【本章習題】

  • 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