中圖網小程序
一鍵登錄
更方便
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
買過本商品的人還買了
機器學習原理與Python編程實踐 版權信息
- ISBN：9787302570646
- 條形碼：9787302570646 ; 978-7-302-57064-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習原理與Python編程實踐 本書特色
初學者學習機器學習課程一般都會面臨兩大障礙。**大障礙是數學基礎。機器學習要求有數學基礎，書中大量的公式是初學者的噩夢，尤其是對于已經離開大學走向工作崗位的愛好者來說，從頭開始去學習和理解數據分布和模型背后的數學原理需要花費很多的時間和精力，學習周期非常漫長。第二大障礙是編程實踐。并不是所有人都擅長編代碼，而只有親手用代碼實現機器學習的各種算法，親眼見到算法解決了實際問題，才能更深入理解算法。除非想做高精尖的前沿研究，理論研究和公式推導并非大多數人的專長，如果只是想更合理地應用機器學習來解決實際問題，掌握必需的數學知識就可以理解問題該如何解決，使用Python編程實現機器學習算法也比使用C++或Java等語言容易得多。 本書就是為了讓初學者順利入門而設計的。首先，本書只講述機器學習常用算法的基本原理，并不追求各種算法大而全地簡略羅列，學習并深入理解這些精挑細選的算法后，能夠了解基本的機器學習算法，使用適合的算法來解決實際問題。其次，本書使用Python 3.7+Numpy來實現常用的機器學習算法，讀者能親眼看見算法的工作過程和結果，可加深對抽象公式和算法的理解，逐步掌握機器學習的基本原理和編程技能，拉近理論與實踐的距離。再次，每章都附有習題和習題參考答案，其中，一部分習題是為了幫助讀者理解正文內容而設置的，另一部分習題是為了降低正文中的數學要求，將一些必要但枯燥的公式推導放在習題中，供讀者有選擇性地學習。 機器學習原理與Python編程實踐，專為初學者順利入門設計，解決機器學習中數學基礎和編程實踐的兩大障礙
機器學習原理與Python編程實踐 內容簡介
本書講述機器學習的基本原理，使用Pymon和Numpy實現涉及的各種機器學習算法。通過理論學習和實踐操作，使讀者了解并掌握機器學習的基本原理和技能，拉近理論與實踐的距離。全書共分為13章，主要內容包括：機器學習介紹、線性回歸、邏輯回歸、貝葉斯分類器、模型評估與選擇、K-均值算法和EM算法、決策樹、神經網絡、隱馬爾科夫模型、支持向量機、推薦系統、主成分分析、集成學習。全書源碼全部在Pvthon 3.7上調試成功，每章都附有習題和習題參考答案，供讀者參考。 本書系統講解了機器學習的常用核心算法和Python編程實踐，內容全面、實例豐富、可操作性強，做到理論與實踐相結合。本書適合機器學習愛好者作為入門和提高的技術參考書，也適合用作計算機專業高年級本科生和研究生的教材或教學參考書。
機器學習原理與Python編程實踐 目錄
第1章 機器學習介紹
1.1 機器學習簡介
1.1.1 什么是機器學習
1.1.2 機器學習與日常生活
1.1.3如何學習機器學習
1.1.4 Pymon的優勢
1.2 基本概念
1.2.1 機器學習的種類
1.2.2 有監督學習
1.2.3 無監督學習
1.2.4 機器學習的術語
1.2.5 預處理
1.3 Numpy數據格式
l.3.1 標稱數據
1.3.2 序數數據
1.3.3 分類數據
1.4 示例數據集
1.4.1 天氣問題
1.4.2 鳶尾花
1.4.3 其他數據集
1.5 了解你的數據
習題
第2章 線性回歸
2.1 從一個實際例子說起
2.1.1 模型定義
2.1.2 模型假設
2.1.3 模型評估
2.2 *小二乘法
2.2.1 *小二乘法求解參數
2.2.2 用*小二乘法來擬合奧運會
數據
2.2.3預測比賽結果
2.3 梯度下降
2-3.1 基本思路
2.3.2梯度下降算法
2.3.3梯度下降求解線性回歸問題
2.4 多變量線性回歸
2.4.1 多變量線性回歸問題
2.4.2 多變量梯度下降
2.4.3隨機梯度下降
2.4.4 小批量梯度下降
2.4.5 正規方程
2.5 多項式回歸
2.5.1 多項式回歸算法
2.5.2 正則化
習題
第3章 邏輯回歸
3.1 邏輯回歸介紹
3.1.1 線性回歸用于分類
3.1.2 假設函數
3.1.3決策邊界
3.2 邏輯回歸算法
3.2.1 代價函數
3.2.2 梯度下降算法
3.2.3 SciPy優化函數
……
第4章 貝葉斯分類器
第5章 模型評估與選擇
第6章 K-均值算法和EM算法
第7章 決策樹
第8章 神經網絡
第9章 隱馬爾科夫模型
第10章 支持向量機
第11章 推薦系統
第12章 主成分分析
第13章 集成學習
附錄 1 符號表
附錄 2 習題參考答案
參考文獻
展開全部
機器學習原理與Python編程實踐 作者簡介
袁梅宇，北航工學博士，碩士導師，現在昆明理工大學計算機系任教。為本科生和研究生主講Java程序設計、Java EE技術、數據庫原理、人工智能、Dot Net技術等核心課程，參加過863 CIMS Net建設、中歐合作項目DRAGON和多項國家基金和省基金項目，第一作者公開發表論文十余篇，軟件著作權（頒證）六項。第一作者專著有《Java EE企業級編程開發實例詳解》、《數據挖掘與機器學習——WEKA應用技術與實踐》（第一版、第二版）、《求精要訣——Java EE編程開發案例精講》、《機器學習基礎原理、算法與實踐》。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
唐代進士錄
- >
煙與鏡
- >
詩經-先民的歌唱
- >
二體千字文
- >
山海經
- >
回憶愛瑪儂
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
