掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習算法的數學解析與Python實現 版權信息
- ISBN：9787111642602
- 條形碼：9787111642602 ; 978-7-111-64260-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習算法的數學解析與Python實現 本書特色
本書由工程師撰寫，系統介紹機器學習中需要的主要數學知識，以及機器學習算法的實現和應用場景，為機器學習初學者制定了如何夯實基礎的方案。本書以機器學習的算法為主線，深入剖析算法的概念和數學原理，以通俗形象的語言進行介紹，讓讀者無需了解太多前置數學知識，就能看懂數學公式的表達意思，從而深度掌握機器學習的思想和原理。主要內容包括：首先介紹機器學習基本概念及工具，然后從概念、原理、Python實現、應用場景幾個方面，詳細剖析機器學習中*主要的算法，如線性回歸算法、邏輯回歸算法、KNN、樸素貝葉斯、決策分類、支持向量機分類、K-means聚類、神經網絡分類、集成學習等。
機器學習算法的數學解析與Python實現 內容簡介
這是一本講解算法的書籍，從生活中的常見例子來講解，使讀者發現算法的樂趣，能快速把算法應用到機器學習中。
機器學習算法的數學解析與Python實現 目錄
前言
第1章 機器學習概述 1
1.1 什么是機器學習 1
1.2 機器學習的幾個需求層次 3
1.3 機器學習的基本原理 5
1.4 機器學習的基本概念 7
1.4.1 書中用到的術語介紹 7
1.4.2 機器學習的基本模式 11
1.4.3 優化方法 12
1.5 機器學習問題分類 14
1.6 常用的機器學習算法 15
1.7 機器學習算法的性能衡量指標 16
1.8 數據對算法結果的影響 18
第2章 機器學習所需的環境 20
2.1 常用環境 20
2.2 Python簡介 21
2.2.1 Python的安裝 23
2.2.2 Python的基本用法 24
2.3 Numpy簡介 25
2.3.1 Numpy的安裝 26
2.3.2 Numpy的基本用法 26
2.4 Scikit-Learn簡介 27
2.4.1 Scikit-Learn的安裝 28
2.4.2 Scikit-Learn的基本用法 28
2.5 Pandas簡介 29
2.5.1 Pandas的安裝 30
2.5.2 Pandas的基本用法 31
第3章 線性回歸算法 33
3.1 線性回歸：“鋼鐵直男”解決回歸問題的正確方法 33
3.1.1 用于預測未來的回歸問題 35
3.1.2 怎樣預測未來 38
3.1.3 線性方程的“直男”本性 40
3.1.4 *簡單的回歸問題—線性回歸問題 44
3.2 線性回歸的算法原理 46
3.2.1 線性回歸算法的基本思路 46
3.2.2 線性回歸算法的數學解析 48
3.2.3 線性回歸算法的具體步驟 53
3.3 在Python中使用線性回歸算法 54
3.4 線性回歸算法的使用場景 60
第4章 Logistic回歸分類算法 61
4.1 Logistic回歸：換上“S型曲線馬甲”的線性回歸 61
4.1.1 分類問題：選擇困難癥患者的自我救贖 63
4.1.2 Logistic函數介紹 66
4.1.3 此回歸非彼回歸：“LR”辨析 70
4.2 Logistic回歸的算法原理 71
4.2.1 Logistic回歸算法的基本思路 71
4.2.2 Logistic回歸算法的數學解析 74
4.2.3 Logistic回歸算法的具體步驟 78
4.3 在Python中使用Logistic回歸算法 78
4.4 Logistic回歸算法的使用場景 81
第5章 KNN分類算法 82
5.1 KNN分類算法：用多數表決進行分類 82
5.1.1 用“同類相吸”的辦法解決分類問題 84
5.1.2 KNN分類算法的基本方法：多數表決 86
5.1.3 表決權問題 89
5.1.4 KNN的具體含義 89
5.2 KNN分類的算法原理 90
5.2.1 KNN分類算法的基本思路 90
5.2.2 KNN分類算法的數學解析 93
5.2.3 KNN分類算法的具體步驟 94
5.3 在Python中使用KNN分類算法 95
5.4 KNN分類算法的使用場景 96
第6章 樸素貝葉斯分類算法 98
6.1 樸素貝葉斯：用骰子選擇 98
6.1.1 從統計角度看分類問題 99
6.1.2 貝葉斯公式的基本思想 102
6.1.3 用貝葉斯公式進行選擇 104
6.2 樸素貝葉斯分類的算法原理 106
6.2.1 樸素貝葉斯分類算法的基本思路 106
6.2.2 樸素貝葉斯分類算法的數學解析 108
6.2.3 樸素貝葉斯分類算法的具體步驟 111
6.3 在Python中使用樸素貝葉斯分類算法 111
6.4 樸素貝葉斯分類算法的使用場景 112
第7章 決策樹分類算法 114
7.1 決策樹分類：用“老朋友”if-else進行選擇 114
7.1.1 程序員的選擇觀：if-else 116
7.1.2 如何種植一棵有靈魂的“樹” 118
7.1.3 決策條件的選擇藝術 119
7.1.4 決策樹的剪枝問題 122
7.2 決策樹分類的算法原理 125
7.2.1 決策樹分類算法的基本思路 125
7.2.2 決策樹分類算法的數學解析 127
7.2.3 決策樹分類算法的具體步驟 133
7.3 在Python中使用決策樹分類算法 134
7.4 決策樹分類算法的使用場景 135
第8章 支持向量機分類算法 137
8.1 支持向量機：線性分類器的“王者” 137
8.1.1 距離是不同類別的天然間隔 139
8.1.2 何為“支持向量” 140
8.1.3 從更高維度看“線性不可分” 142
8.2 支持向量機分類的算法原理 146
8.2.1 支持向量機分類算法的基本思路 146
8.2.2 支持向量機分類算法的數學解析 150
8.2.3 支持向量機分類算法的具體步驟 153
8.3 在Python中使用支持向量機分類算法 154
8.4 支持向量機分類算法的使用場景 156
第9章 K-means聚類算法 157
9.1 用投票表決實現“物以類聚” 157
9.1.1 聚類問題就是“物以類聚”的實施問題 159
9.1.2 用“K”來決定歸屬類別 162
9.1.3 度量“相似”的距離 164
9.1.4 聚類問題中的多數表決 165
9.2 K-means聚類的算法原理 168
9.2.1 K-means聚類算法的基本思路 168
9.2.2 K-means聚類算法的數學解析 169
9.2.3 K-means聚類算法的具體步驟 170
9.3 在Python中使用K-means聚類算法 171
9.4 K-means聚類算法的使用場景 172
第10章 神經網絡分類算法 174
10.1 用神經網絡解決分類問題 174
10.1.1 神經元的“內心世界” 177
10.1.2 從神經元看分類問題 180
10.1.3 神經網絡的“細胞”：人工神經元 181
10.1.4 構成網絡的魔力 184
10.1.5 神經網絡與深度學習 188
10.2 神經網絡分類的算法原理 188
10.2.1 神經網絡分類算法的基本思路 188
10.2.2 神經網絡分類算法的數學解析 190
10.2.3 神經網絡分類算法的具體步驟 193
10.
第1章 機器學習概述 1
1.1 什么是機器學習 1
1.2 機器學習的幾個需求層次 3
1.3 機器學習的基本原理 5
1.4 機器學習的基本概念 7
1.4.1 書中用到的術語介紹 7
1.4.2 機器學習的基本模式 11
1.4.3 優化方法 12
1.5 機器學習問題分類 14
1.6 常用的機器學習算法 15
1.7 機器學習算法的性能衡量指標 16
1.8 數據對算法結果的影響 18
第2章 機器學習所需的環境 20
2.1 常用環境 20
2.2 Python簡介 21
2.2.1 Python的安裝 23
2.2.2 Python的基本用法 24
2.3 Numpy簡介 25
2.3.1 Numpy的安裝 26
2.3.2 Numpy的基本用法 26
2.4 Scikit-Learn簡介 27
2.4.1 Scikit-Learn的安裝 28
2.4.2 Scikit-Learn的基本用法 28
2.5 Pandas簡介 29
2.5.1 Pandas的安裝 30
2.5.2 Pandas的基本用法 31
第3章 線性回歸算法 33
3.1 線性回歸：“鋼鐵直男”解決回歸問題的正確方法 33
3.1.1 用于預測未來的回歸問題 35
3.1.2 怎樣預測未來 38
3.1.3 線性方程的“直男”本性 40
3.1.4 *簡單的回歸問題—線性回歸問題 44
3.2 線性回歸的算法原理 46
3.2.1 線性回歸算法的基本思路 46
3.2.2 線性回歸算法的數學解析 48
3.2.3 線性回歸算法的具體步驟 53
3.3 在Python中使用線性回歸算法 54
3.4 線性回歸算法的使用場景 60
第4章 Logistic回歸分類算法 61
4.1 Logistic回歸：換上“S型曲線馬甲”的線性回歸 61
4.1.1 分類問題：選擇困難癥患者的自我救贖 63
4.1.2 Logistic函數介紹 66
4.1.3 此回歸非彼回歸：“LR”辨析 70
4.2 Logistic回歸的算法原理 71
4.2.1 Logistic回歸算法的基本思路 71
4.2.2 Logistic回歸算法的數學解析 74
4.2.3 Logistic回歸算法的具體步驟 78
4.3 在Python中使用Logistic回歸算法 78
4.4 Logistic回歸算法的使用場景 81
第5章 KNN分類算法 82
5.1 KNN分類算法：用多數表決進行分類 82
5.1.1 用“同類相吸”的辦法解決分類問題 84
5.1.2 KNN分類算法的基本方法：多數表決 86
5.1.3 表決權問題 89
5.1.4 KNN的具體含義 89
5.2 KNN分類的算法原理 90
5.2.1 KNN分類算法的基本思路 90
5.2.2 KNN分類算法的數學解析 93
5.2.3 KNN分類算法的具體步驟 94
5.3 在Python中使用KNN分類算法 95
5.4 KNN分類算法的使用場景 96
第6章 樸素貝葉斯分類算法 98
6.1 樸素貝葉斯：用骰子選擇 98
6.1.1 從統計角度看分類問題 99
6.1.2 貝葉斯公式的基本思想 102
6.1.3 用貝葉斯公式進行選擇 104
6.2 樸素貝葉斯分類的算法原理 106
6.2.1 樸素貝葉斯分類算法的基本思路 106
6.2.2 樸素貝葉斯分類算法的數學解析 108
6.2.3 樸素貝葉斯分類算法的具體步驟 111
6.3 在Python中使用樸素貝葉斯分類算法 111
6.4 樸素貝葉斯分類算法的使用場景 112
第7章 決策樹分類算法 114
7.1 決策樹分類：用“老朋友”if-else進行選擇 114
7.1.1 程序員的選擇觀：if-else 116
7.1.2 如何種植一棵有靈魂的“樹” 118
7.1.3 決策條件的選擇藝術 119
7.1.4 決策樹的剪枝問題 122
7.2 決策樹分類的算法原理 125
7.2.1 決策樹分類算法的基本思路 125
7.2.2 決策樹分類算法的數學解析 127
7.2.3 決策樹分類算法的具體步驟 133
7.3 在Python中使用決策樹分類算法 134
7.4 決策樹分類算法的使用場景 135
第8章 支持向量機分類算法 137
8.1 支持向量機：線性分類器的“王者” 137
8.1.1 距離是不同類別的天然間隔 139
8.1.2 何為“支持向量” 140
8.1.3 從更高維度看“線性不可分” 142
8.2 支持向量機分類的算法原理 146
8.2.1 支持向量機分類算法的基本思路 146
8.2.2 支持向量機分類算法的數學解析 150
8.2.3 支持向量機分類算法的具體步驟 153
8.3 在Python中使用支持向量機分類算法 154
8.4 支持向量機分類算法的使用場景 156
第9章 K-means聚類算法 157
9.1 用投票表決實現“物以類聚” 157
9.1.1 聚類問題就是“物以類聚”的實施問題 159
9.1.2 用“K”來決定歸屬類別 162
9.1.3 度量“相似”的距離 164
9.1.4 聚類問題中的多數表決 165
9.2 K-means聚類的算法原理 168
9.2.1 K-means聚類算法的基本思路 168
9.2.2 K-means聚類算法的數學解析 169
9.2.3 K-means聚類算法的具體步驟 170
9.3 在Python中使用K-means聚類算法 171
9.4 K-means聚類算法的使用場景 172
第10章 神經網絡分類算法 174
10.1 用神經網絡解決分類問題 174
10.1.1 神經元的“內心世界” 177
10.1.2 從神經元看分類問題 180
10.1.3 神經網絡的“細胞”：人工神經元 181
10.1.4 構成網絡的魔力 184
10.1.5 神經網絡與深度學習 188
10.2 神經網絡分類的算法原理 188
10.2.1 神經網絡分類算法的基本思路 188
10.2.2 神經網絡分類算法的數學解析 190
10.2.3 神經網絡分類算法的具體步驟 193
10.
展開全部
機器學習算法的數學解析與Python實現 作者簡介
莫凡，新技術深度愛好者，曾經從事信息安全前沿技術跟蹤研究和數據分析工作，在各類信息安全類技術期刊發表文章五十余篇，現轉為投身高端知識“白菜化”項目，希望能讓將更多聽起來高大上的名詞沾一沾“人間煙火”，成為日常生活中真正用得上的知識。
書友推薦
- >
唐代進士錄
- >
推拿
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
詩經-先民的歌唱
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
莉莉和章魚
- >
我與地壇
- >
龍榆生：詞曲概論/大家小書
本類暢銷
