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
Python無監督學習 版權信息
- ISBN：9787115540720
- 條形碼：9787115540720 ; 978-7-115-54072-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python無監督學習 本書特色
1.無監督學習是數據科學中一個重要的分支，常用于數據挖掘領域，是個有趣的熱點話題； 2.本書通過Python語言講解無監督學習，基于python圖書的優勢，更容易被讀者接受； 3.實戰導向，為讀者提供可以立即使用和可供評估的不同方法，構建高效且實用的解決方案； 4.作者是機器學習領域的專家，曾參與了不同業務環境下的解決方案設計、管理和交付。
Python無監督學習 內容簡介
機器學習是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。無監督學習是機器學習中的一種學習方式，是數據科學的一個重要分支，常用于數據挖掘領域，通過構建模型來為業務決策提供依據。 本書通過Python語言講解無監督學習，全書內容包括10章，前面9章由淺入深地講解了無監督學習的基礎知識、聚類的基礎知識、不錯聚類、層次聚類、軟聚類和高斯混合模型、異常檢測、降維和分量分析、無監督神經網絡模型、生成式對抗網絡和自組織映射，0章以問題解答的形式對前面9章涉及的問題給出了解決方案。 本書適合數據科學家、機器學習從業者和普通的軟件開發人員閱讀，通過學習本書介紹的無監督學習理論和Python編程方法，讀者能夠在業務實踐中獲得有價值的參考。
Python無監督學習 目錄
第 1章 無監督學習入門 1
1．1 技術要求 1
1．2 為什么需要機器學習 2
1．2．1 描述性分析 3
1．2．2 診斷性分析 4
1．2．3 預測性分析 4
1．2．4 規范性分析 7
1．3 機器學習算法的類型 7
1．3．1 有監督學習算法 8
1．3．2 無監督學習算法 11
1．3．3 半監督學習算法 16
1．3．4 強化學習算法 17
1．4 為什么用Python進行數據科學和機器學習 18
1．5 總結 19
1．6 問題 19
第 2章 聚類基礎知識 20
2．1 技術要求 20
2．2 聚類介紹 21
2．3 K-means 26
2．4 威斯康星州乳腺癌數據集分析 27
2．5 評估指標 33
2．5．1 *小化慣性 33
2．5．2 輪廓分數 38
2．5．3 完整性分數 40
2．5．4 同質性分數 42
2．5．5 調整后的相互信息分數 43
2．5．6 調整后的蘭德分數 44
2．5．7 列聯矩陣 45
2．6 K-近鄰 46
2．7 向量量化 50
2．8 總結 56
2．9 問題 57
第3章 高級聚類 58
3．1 技術要求 58
3．2 譜聚類 59
3．3 均值漂移 63
3．4 DBSCAN 67
3．4．1 Calinski-Harabasz分數 69
3．4．2 使用DBSCAN分析工作數據集中的缺勤率 69
3．4．3 聚類不穩定性作為性能指標 76
3．5 K-medoids 79
3．6 聯機聚類 83
3．6．1 Mini-batch K-means 83
3．6．2 BIRCH 84
3．6．3 Mini-batch K-means與BIRCH的比較 86
3．7 總結 89
3．8 問題 90
第4章 實操中的層次聚類 91
4．1 技術要求 91
4．2 聚類層次結構 92
4．3 凝聚聚類 93
4．3．1 單一鏈和完整鏈 94
4．3．2 平均鏈 95
4．3．3 Ward鏈 96
4．4 樹狀圖分析 96
4．5 同表型相關性系數作為一種性能指標 101
4．6 水處理廠數據集的凝聚聚類 103
4．7 連通性約束 109
4．8 總結 113
4．9 問題 113
第5章 軟聚類和高斯混合模型 115
5．1 技術要求 115
5．2 軟聚類 116
5．3 Fuzzy c-means 117
5．4 高斯混合 121
5．4．1 高斯混合的EM算法 123
5．4．2 用AIC和BIC方法評估高斯混合的性能 129
5．4．3 貝葉斯高斯混合選擇成分 131
5．4．4 生成高斯混合 135
5．5 總結 139
5．6 問題 140
第6章 異常檢測 141
6．1 技術要求 141
6．2 概率密度函數 142
6．2．1 作為異常值或新值的異常 143
6．2．2 數據集結構 144
6．3 直方圖 145
6．4 核密度估計 148
6．4．1 高斯內核 148
6．4．2 Epanechnikov內核 149
6．4．3 指數內核 150
6．4．4 均勻/Tophat內核 151
6．4．5 估計密度 151
6．5 應用異常檢測 156
6．6 單類支持向量機 164
6．7 基于孤立森林的異常檢測 168
6．8 總結 172
6．9 問題 173
第7章 降維與分量分析 175
7．1 技術要求 175
7．2 主成分分析 176
7．2．1 具有奇異值分解的PCA 178
7．2．2 具有MNIST數據集的PCA 181
7．2．3 基于內核的主成分分析 183
7．2．4 通過因子分析增加異方差噪聲的強壯性 186
7．2．5 稀疏主成分分析與字典學習 188
7．2．6 非負矩陣分解 190
7．3 獨立成分分析 193
7．4 具有潛在Dirichlet分配的主題建模 197
7．5 總結 202
7．6 問題 202
第8章 無監督神經網絡模型 204
8．1 技術要求 204
8．2 自編碼器 205
8．2．1 深度卷積自編碼器示例 206
8．2．2 去噪自編碼器 211
8．2．3 稀疏自編碼器 213
8．2．4 變分自編碼器 215
8．3 基于赫布的主成分分析 221
8．3．1 Sanger網絡 221
8．3．2 Rubner-Tavan網絡 226
8．4 無監督的深度置信網絡 230
8．4．1 受限玻爾茲曼機 231
8．4．2 深度置信網絡 232
8．4．3 無監督DBN示例 233
8．5 總結 235
8．6 問題 236
第9章 生成式對抗網絡和自組織映射 237
9．1 技術要求 237
9．2 生成式對抗網絡 238
9．2．1 GAN分析 240
9．2．2 深度卷積GAN示例 242
9．2．3 Wasserstein GAN 251
9．3 自組織映射 260
9．4 總結 265
9．5 問題 266
第 10章 問題解答 267
10．1 第 1章 267
10．2 第 2章 268
10．3 第3章 268
10．4 第4章 269
10．5 第5章 269
10．6 第6章 270
10．7 第7章 271
10．8 第8章 271
10．9 第9章 272
1．1 技術要求 1
1．2 為什么需要機器學習 2
1．2．1 描述性分析 3
1．2．2 診斷性分析 4
1．2．3 預測性分析 4
1．2．4 規范性分析 7
1．3 機器學習算法的類型 7
1．3．1 有監督學習算法 8
1．3．2 無監督學習算法 11
1．3．3 半監督學習算法 16
1．3．4 強化學習算法 17
1．4 為什么用Python進行數據科學和機器學習 18
1．5 總結 19
1．6 問題 19
第 2章 聚類基礎知識 20
2．1 技術要求 20
2．2 聚類介紹 21
2．3 K-means 26
2．4 威斯康星州乳腺癌數據集分析 27
2．5 評估指標 33
2．5．1 *小化慣性 33
2．5．2 輪廓分數 38
2．5．3 完整性分數 40
2．5．4 同質性分數 42
2．5．5 調整后的相互信息分數 43
2．5．6 調整后的蘭德分數 44
2．5．7 列聯矩陣 45
2．6 K-近鄰 46
2．7 向量量化 50
2．8 總結 56
2．9 問題 57
第3章 高級聚類 58
3．1 技術要求 58
3．2 譜聚類 59
3．3 均值漂移 63
3．4 DBSCAN 67
3．4．1 Calinski-Harabasz分數 69
3．4．2 使用DBSCAN分析工作數據集中的缺勤率 69
3．4．3 聚類不穩定性作為性能指標 76
3．5 K-medoids 79
3．6 聯機聚類 83
3．6．1 Mini-batch K-means 83
3．6．2 BIRCH 84
3．6．3 Mini-batch K-means與BIRCH的比較 86
3．7 總結 89
3．8 問題 90
第4章 實操中的層次聚類 91
4．1 技術要求 91
4．2 聚類層次結構 92
4．3 凝聚聚類 93
4．3．1 單一鏈和完整鏈 94
4．3．2 平均鏈 95
4．3．3 Ward鏈 96
4．4 樹狀圖分析 96
4．5 同表型相關性系數作為一種性能指標 101
4．6 水處理廠數據集的凝聚聚類 103
4．7 連通性約束 109
4．8 總結 113
4．9 問題 113
第5章 軟聚類和高斯混合模型 115
5．1 技術要求 115
5．2 軟聚類 116
5．3 Fuzzy c-means 117
5．4 高斯混合 121
5．4．1 高斯混合的EM算法 123
5．4．2 用AIC和BIC方法評估高斯混合的性能 129
5．4．3 貝葉斯高斯混合選擇成分 131
5．4．4 生成高斯混合 135
5．5 總結 139
5．6 問題 140
第6章 異常檢測 141
6．1 技術要求 141
6．2 概率密度函數 142
6．2．1 作為異常值或新值的異常 143
6．2．2 數據集結構 144
6．3 直方圖 145
6．4 核密度估計 148
6．4．1 高斯內核 148
6．4．2 Epanechnikov內核 149
6．4．3 指數內核 150
6．4．4 均勻/Tophat內核 151
6．4．5 估計密度 151
6．5 應用異常檢測 156
6．6 單類支持向量機 164
6．7 基于孤立森林的異常檢測 168
6．8 總結 172
6．9 問題 173
第7章 降維與分量分析 175
7．1 技術要求 175
7．2 主成分分析 176
7．2．1 具有奇異值分解的PCA 178
7．2．2 具有MNIST數據集的PCA 181
7．2．3 基于內核的主成分分析 183
7．2．4 通過因子分析增加異方差噪聲的強壯性 186
7．2．5 稀疏主成分分析與字典學習 188
7．2．6 非負矩陣分解 190
7．3 獨立成分分析 193
7．4 具有潛在Dirichlet分配的主題建模 197
7．5 總結 202
7．6 問題 202
第8章 無監督神經網絡模型 204
8．1 技術要求 204
8．2 自編碼器 205
8．2．1 深度卷積自編碼器示例 206
8．2．2 去噪自編碼器 211
8．2．3 稀疏自編碼器 213
8．2．4 變分自編碼器 215
8．3 基于赫布的主成分分析 221
8．3．1 Sanger網絡 221
8．3．2 Rubner-Tavan網絡 226
8．4 無監督的深度置信網絡 230
8．4．1 受限玻爾茲曼機 231
8．4．2 深度置信網絡 232
8．4．3 無監督DBN示例 233
8．5 總結 235
8．6 問題 236
第9章 生成式對抗網絡和自組織映射 237
9．1 技術要求 237
9．2 生成式對抗網絡 238
9．2．1 GAN分析 240
9．2．2 深度卷積GAN示例 242
9．2．3 Wasserstein GAN 251
9．3 自組織映射 260
9．4 總結 265
9．5 問題 266
第 10章 問題解答 267
10．1 第 1章 267
10．2 第 2章 268
10．3 第3章 268
10．4 第4章 269
10．5 第5章 269
10．6 第6章 270
10．7 第7章 271
10．8 第8章 271
10．9 第9章 272
展開全部
Python無監督學習 作者簡介
朱塞佩.博納科爾索（Giuseppe Bonaccorso）是人工智能、數據科學和機器學習領域的資深從業人員。他曾參與了不同業務環境下的解決方案設計、管理和交付。他于2005年在意大利的卡塔尼亞大學（University of Catania）獲得電子工程學碩士學位，并繼續在意大利羅馬第二大學（University of Rome Tor Vergata）和英國埃塞克斯大學（University of Essex）學習。他的興趣主要包括機器/深度學習、強化學習、大數據，以及受生物啟發的自適應系統、神經科學和自然語言處理等。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
有舍有得是人生
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
上帝之肋:男人的真實旅程
- >
朝聞道
- >
巴金－再思錄
- >
莉莉和章魚
- >
山海經
本類暢銷
