掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
人工智能科學(xué)與技術(shù)叢書機(jī)器學(xué)習(xí)原理與實(shí)踐(Python版)
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場(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(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥61.5
加入購物車
人工智能科學(xué)與技術(shù)叢書機(jī)器學(xué)習(xí)原理與實(shí)踐(Python版) 版權(quán)信息
- ISBN：9787302566397
- 條形碼：9787302566397 ; 978-7-302-56639-7
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
人工智能科學(xué)與技術(shù)叢書機(jī)器學(xué)習(xí)原理與實(shí)踐(Python版) 本書特色
本書全面、 系統(tǒng)地介紹了機(jī)器學(xué)習(xí)領(lǐng)域中的經(jīng)典方法, 并兼顧算法原理與實(shí)踐運(yùn)用。 具體內(nèi)容涉及： 回歸分析(線性回歸、 多項(xiàng)式回歸、 非線性回歸、 嶺回歸、LASSO、 彈性網(wǎng)絡(luò), 以及 RANSAC 等) 分類(感知機(jī)、邏輯回歸、 樸素貝葉斯、 決策樹、 支持向量機(jī)、 神經(jīng)網(wǎng)絡(luò)等) 聚類(k均值、EM 算法、 密度聚類、 層次聚類以及譜聚類等) 集成學(xué)習(xí)(隨機(jī)森林、AdaBoost、 梯度提升等) 蒙特卡洛采樣(拒絕采樣、 自適應(yīng)拒絕采樣、 重要性采樣、 吉布斯采樣和馬爾可夫鏈蒙特卡洛等) 降維與流形學(xué)習(xí)(SVD、PCA 和 MDS 等) 概率圖模型(貝葉斯網(wǎng)絡(luò)和隱馬爾可夫模型)從原理到實(shí)踐，步步為營，克服學(xué)習(xí)中的重重關(guān)隘撥開云霧，點(diǎn)破公式背后的層層玄機(jī)，助你一路披荊斬棘從原理到實(shí)踐，步步為營，克服學(xué)習(xí)中的重重關(guān)隘撥開云霧，點(diǎn)破公式背后的層層玄機(jī)，助你一路披荊斬棘
人工智能科學(xué)與技術(shù)叢書機(jī)器學(xué)習(xí)原理與實(shí)踐(Python版) 內(nèi)容簡介
本書系統(tǒng)地介紹統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)領(lǐng)域中很為重要和流行的多種技術(shù)及其基本原理，本書在詳解有關(guān)算法的基礎(chǔ)上，結(jié)合大量Python語言實(shí)例演示了這些理論在實(shí)踐中的使用方法。具體內(nèi)容包括線性回歸（包括嶺回歸和Lasso方法）、邏輯回歸、支持向量機(jī)、感知機(jī)與神經(jīng)網(wǎng)絡(luò)、聚類分析（包括K均值算法、EM算法、密度聚類等）、降維與流形學(xué)習(xí)、集成學(xué)習(xí)、KNN、樸素貝葉斯、概率圖模型（包括貝葉斯網(wǎng)絡(luò)和HMM模型）等內(nèi)容。
人工智能科學(xué)與技術(shù)叢書機(jī)器學(xué)習(xí)原理與實(shí)踐(Python版) 目錄
目錄
第1章機(jī)器學(xué)習(xí)初探
1.1初識(shí)機(jī)器學(xué)習(xí)
1.1.1從小蝌蚪找媽媽談起
1.1.2機(jī)器學(xué)習(xí)的主要任務(wù)
1.2工欲善其事，必先利其器
1.2.1scikitlearn
1.2.2NumPy
1.2.3SciPy
1.2.4Matplotlib
1.2.5Pandas
1.3*簡單的機(jī)器學(xué)習(xí)模型
1.3.1貝葉斯公式與邊緣分布
1.3.2先驗(yàn)概率與后驗(yàn)概率
1.3.3樸素貝葉斯分類器原理
1.4泰坦尼克之災(zāi)
1.4.1認(rèn)識(shí)問題及數(shù)據(jù)
1.4.2數(shù)據(jù)預(yù)處理
1.4.3特征篩選
1.4.4分類器的構(gòu)建
1.4.5分類器的評(píng)估
第2章一元線性回歸
2.1回歸分析的性質(zhì)
2.2回歸的基本概念
2.2.1總體的回歸函數(shù)
2.2.2隨機(jī)干擾的意義
2.2.3樣本的回歸函數(shù)
2.3回歸模型的估計(jì)
2.3.1普通*小二乘法原理
2.3.2一元線性回歸的應(yīng)用
2.3.3經(jīng)典模型的基本假定
2.3.4總體方差的無偏估計(jì)
2.3.5估計(jì)參數(shù)的概率分布
2.4正態(tài)條件下的模型檢驗(yàn)
2.4.1擬合優(yōu)度的檢驗(yàn)
2.4.2整體性假定檢驗(yàn)
2.4.3單個(gè)參數(shù)的檢驗(yàn)
2.5一元線性回歸模型預(yù)測(cè)
2.5.1點(diǎn)預(yù)測(cè)
2.5.2區(qū)間預(yù)測(cè)
第3章多元線性回歸
3.1多元線性回歸模型
3.2多元回歸模型估計(jì)
3.2.1*小二乘估計(jì)量
3.2.2多元回歸的實(shí)例
3.2.3總體參數(shù)估計(jì)量
3.3從線代角度理解*小二乘
3.3.1*小二乘問題的通解
3.3.2*小二乘問題的計(jì)算
3.4多元回歸模型檢驗(yàn)
3.4.1線性回歸的顯著性
3.4.2回歸系數(shù)的顯著性
3.5多元線性回歸模型預(yù)測(cè)
3.6格蘭杰因果關(guān)系檢驗(yàn)
第4章線性回歸進(jìn)階
4.1更多回歸模型函數(shù)形式
4.1.1雙對(duì)數(shù)模型以及生產(chǎn)函數(shù)
4.1.2倒數(shù)模型與菲利普斯曲線
4.1.3多項(xiàng)式回歸模型及其分析
4.2回歸模型的評(píng)估與選擇
4.2.1嵌套模型選擇
4.2.2赤池信息準(zhǔn)則
4.3現(xiàn)代回歸方法的新進(jìn)展
4.3.1多重共線性
4.3.2從嶺回歸到LASSO
4.3.3正則化與沒有免費(fèi)午餐原理
4.3.4彈性網(wǎng)絡(luò)
4.3.5RANSAC
第5章邏輯回歸與*大熵模型
5.1邏輯回歸
5.2牛頓法解邏輯回歸
5.3應(yīng)用實(shí)例： 二分類問題
5.3.1數(shù)據(jù)初探
5.3.2建模
5.4多元邏輯回歸
5.5*大熵模型
5.5.1*大熵原理
5.5.2約束條件
5.5.3模型推導(dǎo)
5.5.4極大似然估計(jì)
5.6應(yīng)用實(shí)例： 多分類問題
5.6.1數(shù)據(jù)初探
5.6.2建模
第6章神經(jīng)網(wǎng)絡(luò)
6.1從感知機(jī)開始
6.1.1感知機(jī)模型
6.1.2感知機(jī)學(xué)習(xí)
6.1.3多層感知機(jī)
6.1.4感知機(jī)應(yīng)用示例
6.2基本神經(jīng)網(wǎng)絡(luò)
6.2.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
6.2.2符號(hào)標(biāo)記說明
6.2.3后向傳播算法
6.3神經(jīng)網(wǎng)絡(luò)實(shí)踐
6.3.1建模
6.3.2Softmax與神經(jīng)網(wǎng)絡(luò)
第7章支持向量機(jī)
7.1線性可分的支持向量機(jī)
7.1.1函數(shù)距離與幾何距離
7.1.2*大間隔分類器
7.1.3拉格朗日乘數(shù)法
7.1.4對(duì)偶問題的求解
7.2松弛因子與軟間隔模型
7.3非線性支持向量機(jī)方法
7.3.1從更高維度上分類
7.3.2非線性核函數(shù)方法
7.3.3機(jī)器學(xué)習(xí)中的核方法
7.3.4默瑟定理
7.4對(duì)數(shù)據(jù)進(jìn)行分類的實(shí)踐
7.4.1數(shù)據(jù)分析
7.4.2線性可分的例子
7.4.3線性不可分的例子
第8章k近鄰算法
8.1距離度量
8.2k近鄰模型
8.2.1分類
8.2.2回歸
8.3在Python中應(yīng)用k近鄰算法
8.4k近鄰搜索的實(shí)現(xiàn)
8.4.1構(gòu)建kdtree
8.4.2區(qū)域搜索
8.4.3*近鄰搜索
第9章決策樹
9.1決策樹基礎(chǔ)
9.1.1Hunt算法
9.1.2基尼測(cè)度與劃分
9.1.3信息熵與信息增益
9.1.4分類誤差
9.2決策樹進(jìn)階
9.2.1ID3算法
9.2.2C4.5算法
9.3分類回歸樹
9.4決策樹剪枝
9.5決策樹應(yīng)用實(shí)例
第10章集成學(xué)習(xí)
10.1集成學(xué)習(xí)的理論基礎(chǔ)
10.2Bootstrap方法
10.3Bagging與隨機(jī)森林
10.3.1算法原理
10.3.2應(yīng)用實(shí)例
10.4Boosting與AdaBoost
10.4.1算法原理
10.4.2應(yīng)用實(shí)例
10.5梯度提升
10.5.1梯度提升樹與回歸
10.5.2梯度提升樹與分類
10.5.3梯度提升樹的原理推導(dǎo)
第11章聚類分析
11.1聚類的概念
11.2k均值算法
11.2.1算法描述
11.2.2應(yīng)用實(shí)例——圖像的色彩量化
11.3*大期望算法
11.3.1算法原理
11.3.2收斂探討
11.4高斯混合模型
11.4.1模型推導(dǎo)
11.4.2應(yīng)用實(shí)例
11.5密度聚類
11.5.1DBSCAN算法
11.5.2應(yīng)用實(shí)例
11.6層次聚類
11.6.1AGNES算法
11.6.2應(yīng)用實(shí)例
11.7譜聚類
11.7.1基本符號(hào)
11.7.2正定矩陣與半正定矩陣
11.7.3拉普拉斯矩陣
11.7.4相似圖
11.7.5譜聚類切圖
11.7.6算法描述
11.7.7應(yīng)用實(shí)例
第12章降維與流形學(xué)習(xí)
12.1主成分分析
12.2奇異值分解
12.2.1一個(gè)基本的認(rèn)識(shí)
12.2.2為什么可以做SVD
12.2.3SVD與PCA的關(guān)系
12.2.4應(yīng)用舉例與矩陣的偽逆
12.3多維標(biāo)度法
第13章采樣方法
13.1蒙特卡洛法求定積分
13.1.1無意識(shí)統(tǒng)計(jì)學(xué)家法則
13.1.2投點(diǎn)法
13.1.3期望法
13.2蒙特卡洛采樣
13.2.1逆采樣
13.2.2博克斯穆勒變換
13.2.3拒絕采樣與自適應(yīng)拒絕采樣
13.3矩陣的極限與馬爾科夫鏈
13.4查普曼柯爾莫哥洛夫等式
13.5馬爾科夫鏈蒙特卡洛
13.5.1重要性采樣
13.5.2馬爾科夫鏈蒙特卡洛的基本概念
13.5.3梅特羅波利斯黑斯廷斯算法
13.5.4吉布斯采樣
第14章概率圖模型
14.1共軛分布
14.2貝葉斯網(wǎng)絡(luò)
14.2.1基本結(jié)構(gòu)單元
14.2.2模型推理
14.3貝葉斯網(wǎng)絡(luò)的Python實(shí)例
14.4隱馬爾科夫模型
14.4.1隨機(jī)過程
14.4.2從時(shí)間角度考慮不確定性
14.4.3前向算法
14.4.4維特比算法
展開全部
人工智能科學(xué)與技術(shù)叢書機(jī)器學(xué)習(xí)原理與實(shí)踐(Python版) 作者簡介
左飛，技術(shù)作家、譯者。著作涉及圖像處理、編程語言和移動(dòng)通信等多個(gè)領(lǐng)域，并翻譯出版了計(jì)算機(jī)領(lǐng)域的經(jīng)典之作《編碼》，及Jolt震撼大獎(jiǎng)獲獎(jiǎng)作品《代碼閱讀》和《代碼質(zhì)量》等多部圖書。在數(shù)據(jù)分析、信息安全和圖像處理領(lǐng)域也有較深研究，在國際會(huì)議與核心學(xué)術(shù)期刊上發(fā)布論文多篇，并申請(qǐng)國家發(fā)明專利一項(xiàng)，多部相關(guān)著作再版多次、廣受好評(píng)。現(xiàn)在的研究興趣主要集中在圖像處理、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析技術(shù)和空間數(shù)據(jù)庫算法等領(lǐng)域。
書友推薦
- >
月亮虎
- >
隨園食單
- >
名家?guī)阕x魯迅:故事新編
- >
龍榆生：詞曲概論/大家小書
- >
煙與鏡
- >
巴金－再思錄
- >
自卑與超越
- >
史學(xué)評(píng)論
本類暢銷
