掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn)
包郵 機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn)
作者：戴璞微,潘斌
開(kāi)本：
26cm
頁(yè)數(shù)：
280頁(yè)
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥42.4
加入購(gòu)物車(chē)
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn) 版權(quán)信息
- ISBN：9787301308974
- 條形碼：9787301308974 ; 978-7-301-30897-4
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn) 本書(shū)特色
機(jī)器學(xué)習(xí)是一門(mén)涉及高等數(shù)學(xué)、線性代數(shù)、概率論、統(tǒng)計(jì)學(xué)和運(yùn)籌學(xué)等領(lǐng)域的交叉學(xué)科。機(jī)器學(xué)習(xí)的基礎(chǔ)就是數(shù)學(xué)，這也就要求學(xué)習(xí)者要有良好的數(shù)學(xué)基礎(chǔ)。為了降低機(jī)器學(xué)習(xí)的學(xué)習(xí)門(mén)檻，本書(shū)深入淺出地對(duì)機(jī)器學(xué)習(xí)算法的數(shù)學(xué)原理進(jìn)行了嚴(yán)謹(jǐn)?shù)耐茖?dǎo)；并利用Python 3對(duì)各種機(jī)器學(xué)習(xí)算法進(jìn)行復(fù)現(xiàn)，還利用介紹的算法在相應(yīng)數(shù)據(jù)集上進(jìn)行實(shí)戰(zhàn)。本書(shū)主要內(nèi)容包括機(jī)器學(xué)習(xí)及其數(shù)學(xué)基礎(chǔ)；線性回歸、局部加權(quán)線性回歸兩種回歸算法；Logistic回歸、Softmax回歸和BP神經(jīng)網(wǎng)絡(luò)3種分類(lèi)算法；模型評(píng)估與優(yōu)化；K-Means聚類(lèi)算法、高斯混合模型兩種聚類(lèi)算法和一種降維算法——主成分分析。
《機(jī)器學(xué)習(xí)入門(mén)：基于數(shù)學(xué)原理的Python實(shí)戰(zhàn)》理論性與實(shí)用性兼?zhèn)洌瓤勺鳛槌鯇W(xué)者的入門(mén)書(shū)籍，也可作為求職者的面試寶典，更可作為職場(chǎng)人士轉(zhuǎn)崗的實(shí)用手冊(cè)。本書(shū)適合需要全面學(xué)習(xí)機(jī)器學(xué)習(xí)算法的初學(xué)者、希望掌握機(jī)器學(xué)習(xí)算法數(shù)學(xué)理論的程序員、想轉(zhuǎn)行從事機(jī)器學(xué)習(xí)算法的專(zhuān)業(yè)人員、對(duì)機(jī)器學(xué)習(xí)算法興趣濃厚的人員、專(zhuān)業(yè)培訓(xùn)機(jī)構(gòu)學(xué)員和希望提高Python編程水平的程序員。
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn) 內(nèi)容簡(jiǎn)介
本書(shū)深入淺出地對(duì)機(jī)器學(xué)習(xí)算法的數(shù)學(xué)原理進(jìn)行了嚴(yán)謹(jǐn)?shù)耐茖?dǎo) ; 并利用Python? 3對(duì)各種機(jī)器學(xué)習(xí)算法進(jìn)行復(fù)現(xiàn), 還利用介紹的算法在相應(yīng)數(shù)據(jù)集上進(jìn)行實(shí)戰(zhàn)。本書(shū)主要內(nèi)容包括機(jī)器學(xué)習(xí)及其數(shù)學(xué)基礎(chǔ) ; 線性回歸、局部加權(quán)線性回歸兩種回歸算法 ; Logistic回歸、Softmax回歸和BP神經(jīng)網(wǎng)絡(luò)3種分類(lèi)算法 ; 模型評(píng)估與優(yōu)化 ; K-Means聚類(lèi)算法、高斯混合模型兩種聚類(lèi)算法和一種降維算法 —— 主成分分析。
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn) 目錄
第1章 機(jī)器學(xué)習(xí)及其數(shù)學(xué)基礎(chǔ)
1.1 機(jī)器學(xué)習(xí)與人工智能簡(jiǎn)述 2
1.2 高等數(shù)學(xué) 4
1.3 線性代數(shù) 7
1.4 概率論與數(shù)理統(tǒng)計(jì) 14
1.5 Jensen不等式 25
1.6 本章小結(jié) 27
第2章 線性回歸
2.1 線性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線性回歸的Python實(shí)現(xiàn) 36
2.7 案例：利用線性回歸預(yù)測(cè)波士頓房?jī)r(jià) 43
2.8 本章小結(jié) 54
第3章 局部加權(quán)線性回歸
3.1 欠擬合與過(guò)擬合 56
3.2 局部加權(quán)線性回歸模型 57
3.3 局部加權(quán)線性回歸的Python實(shí)現(xiàn) 61
3.4 案例：再看預(yù)測(cè)波士頓房?jī)r(jià) 64
3.5 案例：利用局部加權(quán)線性回歸預(yù)測(cè)鮑魚(yú)年齡 71
3.6 本章小結(jié) 77
第4章?Logistic回歸與Softmax回歸
4.1 監(jiān)督學(xué)習(xí) 80
4.2 Logistic回歸 80
4.3 廣義線性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實(shí)現(xiàn) 90
4.6 案例：利用Logistic回歸對(duì)乳腺癌數(shù)據(jù)集進(jìn)行分類(lèi) 96
4.7 Softmax回歸的Python實(shí)現(xiàn) 107
4.8 案例：利用Softmax回歸對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 116
4.9 本章小結(jié) 127
第5章 模型評(píng)估與優(yōu)化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗(yàn)證 144
5.5 Ridge回歸的Python實(shí)現(xiàn) 145
5.6 案例：再看預(yù)測(cè)鮑魚(yú)年齡 153
5.7 帶L2正則化的Softmax回歸的Python實(shí)現(xiàn) 156
5.8 案例：再看語(yǔ)音信號(hào)數(shù)據(jù)集分類(lèi) 161
5.9 本章小結(jié) 165
第6章 BP神經(jīng)網(wǎng)絡(luò)
6.1 神經(jīng)網(wǎng)絡(luò)模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)改進(jìn) 175
6.4 BP神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 185
6.5 案例：利用BP神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 197
6.6 本章小結(jié) 215
第7章 K-Means聚類(lèi)算法
7.1 無(wú)監(jiān)督學(xué)習(xí)與聚類(lèi) 218
7.2 K-Means聚類(lèi)算法 219
7.3 K-Means聚類(lèi)的Python實(shí)現(xiàn) 222
7.4 案例：利用K-Means算法對(duì)Iris數(shù)據(jù)集進(jìn)行聚類(lèi) 225
7.5 本章小結(jié) 229
第8章 高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM與K-Means的區(qū)別與聯(lián)系 238
8.4 聚類(lèi)性能評(píng)價(jià)指標(biāo) 240
8.5 GMM的Python實(shí)現(xiàn) 242
8.6 案例：利用GMM對(duì)葡萄酒數(shù)據(jù)集進(jìn)行聚類(lèi) 248
8.7 本章小結(jié) 255
第9章 主成分分析
9.1 降維技術(shù) 258
9.2 主成分分析 258
9.3 核函數(shù) 263
9.4 核主成分分析 265
9.5 PCA的Python實(shí)現(xiàn) 268
9.6 案例：利用PCA對(duì)葡萄酒質(zhì)量數(shù)據(jù)集進(jìn)行降維 271
9.7 本章小結(jié) 280
1.1 機(jī)器學(xué)習(xí)與人工智能簡(jiǎn)述 2
1.2 高等數(shù)學(xué) 4
1.3 線性代數(shù) 7
1.4 概率論與數(shù)理統(tǒng)計(jì) 14
1.5 Jensen不等式 25
1.6 本章小結(jié) 27
第2章 線性回歸
2.1 線性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線性回歸的Python實(shí)現(xiàn) 36
2.7 案例：利用線性回歸預(yù)測(cè)波士頓房?jī)r(jià) 43
2.8 本章小結(jié) 54
第3章 局部加權(quán)線性回歸
3.1 欠擬合與過(guò)擬合 56
3.2 局部加權(quán)線性回歸模型 57
3.3 局部加權(quán)線性回歸的Python實(shí)現(xiàn) 61
3.4 案例：再看預(yù)測(cè)波士頓房?jī)r(jià) 64
3.5 案例：利用局部加權(quán)線性回歸預(yù)測(cè)鮑魚(yú)年齡 71
3.6 本章小結(jié) 77
第4章?Logistic回歸與Softmax回歸
4.1 監(jiān)督學(xué)習(xí) 80
4.2 Logistic回歸 80
4.3 廣義線性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實(shí)現(xiàn) 90
4.6 案例：利用Logistic回歸對(duì)乳腺癌數(shù)據(jù)集進(jìn)行分類(lèi) 96
4.7 Softmax回歸的Python實(shí)現(xiàn) 107
4.8 案例：利用Softmax回歸對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 116
4.9 本章小結(jié) 127
第5章 模型評(píng)估與優(yōu)化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗(yàn)證 144
5.5 Ridge回歸的Python實(shí)現(xiàn) 145
5.6 案例：再看預(yù)測(cè)鮑魚(yú)年齡 153
5.7 帶L2正則化的Softmax回歸的Python實(shí)現(xiàn) 156
5.8 案例：再看語(yǔ)音信號(hào)數(shù)據(jù)集分類(lèi) 161
5.9 本章小結(jié) 165
第6章 BP神經(jīng)網(wǎng)絡(luò)
6.1 神經(jīng)網(wǎng)絡(luò)模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)改進(jìn) 175
6.4 BP神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 185
6.5 案例：利用BP神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 197
6.6 本章小結(jié) 215
第7章 K-Means聚類(lèi)算法
7.1 無(wú)監(jiān)督學(xué)習(xí)與聚類(lèi) 218
7.2 K-Means聚類(lèi)算法 219
7.3 K-Means聚類(lèi)的Python實(shí)現(xiàn) 222
7.4 案例：利用K-Means算法對(duì)Iris數(shù)據(jù)集進(jìn)行聚類(lèi) 225
7.5 本章小結(jié) 229
第8章 高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM與K-Means的區(qū)別與聯(lián)系 238
8.4 聚類(lèi)性能評(píng)價(jià)指標(biāo) 240
8.5 GMM的Python實(shí)現(xiàn) 242
8.6 案例：利用GMM對(duì)葡萄酒數(shù)據(jù)集進(jìn)行聚類(lèi) 248
8.7 本章小結(jié) 255
第9章 主成分分析
9.1 降維技術(shù) 258
9.2 主成分分析 258
9.3 核函數(shù) 263
9.4 核主成分分析 265
9.5 PCA的Python實(shí)現(xiàn) 268
9.6 案例：利用PCA對(duì)葡萄酒質(zhì)量數(shù)據(jù)集進(jìn)行降維 271
9.7 本章小結(jié) 280
展開(kāi)全部
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn) 相關(guān)資料
近幾年，人工智能很火，但是*近人工智能不論在學(xué)術(shù)上還是在應(yīng)用上出現(xiàn)了反思的聲音。這其實(shí)是一個(gè)不斷迭代、返璞歸真的過(guò)程。戴璞微的這本書(shū)不像市面上某些東抄西摘的“泡沫”書(shū)籍，更像是一本教科書(shū)，包含了機(jī)器學(xué)習(xí)理論中數(shù)學(xué)公式的推導(dǎo)。其實(shí)真正想學(xué)好人工智能的工程師、研究人員，都必須過(guò)這些基礎(chǔ)數(shù)學(xué)關(guān)。同時(shí)這本書(shū)又不是只講理論，每個(gè)章節(jié)都有實(shí)際的例子，把理論與實(shí)際很好地結(jié)合在了一起。總而言之，這本書(shū)是很好的機(jī)器學(xué)習(xí)入門(mén)書(shū)籍，每個(gè)想入門(mén)機(jī)器學(xué)習(xí)的朋友都應(yīng)該人手一本！
——黎茂 電子科技大學(xué)計(jì)算數(shù)學(xué)碩士，原Adobe AD Cloud Social & RTB成都研發(fā)負(fù)責(zé)人，新潮傳媒程序化廣告負(fù)責(zé)人
當(dāng)前人工智能在學(xué)術(shù)界和工業(yè)界的發(fā)展方興未艾，同時(shí)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是當(dāng)前解決人工智能難題的主要手段。掌握機(jī)器學(xué)習(xí)的理論與應(yīng)用也是學(xué)習(xí)深度學(xué)習(xí)的基礎(chǔ)。該書(shū)選取了經(jīng)典機(jī)器學(xué)習(xí)算法，并對(duì)其進(jìn)行詳細(xì)的數(shù)學(xué)推導(dǎo)。講解完算法的數(shù)學(xué)推導(dǎo)之后，并在無(wú)框架的基礎(chǔ)上利用Python實(shí)現(xiàn)算法，*后給出了相應(yīng)實(shí)戰(zhàn)例子。總之是一本極其細(xì)致的機(jī)器學(xué)習(xí)入門(mén)書(shū)籍，值得初學(xué)者認(rèn)真閱讀。
——溫春水 中國(guó)人民大學(xué)碩士，原三點(diǎn)一刻大數(shù)據(jù)首席架構(gòu)師，《從零開(kāi)始學(xué)Hadoop大數(shù)據(jù)分析》作者
當(dāng)前市場(chǎng)上機(jī)器學(xué)習(xí)相關(guān)書(shū)籍主要分為兩種：學(xué)術(shù)界大咖編寫(xiě)的機(jī)器學(xué)習(xí)概括性書(shū)籍和各種實(shí)戰(zhàn)類(lèi)書(shū)籍。前者對(duì)于初學(xué)者生澀難懂，后者未對(duì)算法數(shù)學(xué)推導(dǎo)進(jìn)行詳細(xì)講解。算法的詳細(xì)數(shù)學(xué)推導(dǎo)和細(xì)致的Python實(shí)戰(zhàn)構(gòu)成了戴璞微這本書(shū)的主要內(nèi)容，非常適合初學(xué)者作為機(jī)器學(xué)習(xí)的入門(mén)書(shū)籍。對(duì)于想在機(jī)器學(xué)習(xí)甚至深度學(xué)習(xí)有所建樹(shù)的初學(xué)者，這本書(shū)是極佳的啟蒙書(shū)。
——張雨萌 暢銷(xiāo)書(shū)《機(jī)器學(xué)習(xí)線性代數(shù)基礎(chǔ)：Python語(yǔ)言描述》作者
機(jī)器學(xué)習(xí)入門(mén):基于數(shù)學(xué)原理的Python實(shí)戰(zhàn) 作者簡(jiǎn)介
戴璞微，中國(guó)民航大學(xué)碩士，CSDN博客專(zhuān)家。曾獲得全國(guó)大學(xué)生數(shù)學(xué)競(jìng)賽國(guó)家一等獎(jiǎng)、北美數(shù)學(xué)建模二等獎(jiǎng)，參與國(guó)家自然科學(xué)基金項(xiàng)目1項(xiàng)。對(duì)計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有深入研究。
潘斌，浙江大學(xué)應(yīng)用數(shù)學(xué)系博士，現(xiàn)任遼寧石油化工大學(xué)理學(xué)院副院長(zhǎng)。2018年入選遼寧省“興遼英才計(jì)劃”青年拔尖人才，2016年主持國(guó)家自然科學(xué)基金青年基金項(xiàng)目1項(xiàng)；2015年主持遼寧省自然科學(xué)基金項(xiàng)目1項(xiàng)；2016年主持浙江大學(xué)CAD&CG國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題2項(xiàng)。近年來(lái)，指導(dǎo)本科生獲全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽國(guó)家一等獎(jiǎng)。
書(shū)友推薦
- >
人文閱讀與收藏·良友文學(xué)叢書(shū):一天的工作
- >
有舍有得是人生
- >
經(jīng)典常談
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
我從未如此眷戀人間
- >
回憶愛(ài)瑪儂
- >
自卑與超越
- >
姑媽的寶刀
本類(lèi)暢銷(xiāo)
