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
Python機器學習實戰 版權信息
- ISBN：9787302576419
- 條形碼：9787302576419 ; 978-7-302-57641-9
- 裝幀：70g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習實戰 本書特色
內容深入淺出，既有對基礎知識點的講解，也涉及關鍵問題和重點、難點的分析和解決。 具有超強的實用性，實例豐富。前11章理論部分都提供了一個小的實例，后8章提供了綜合項目實例，讓讀者理解概念、原理和算法。 以理論與實踐相結合為出發點，介紹Python機器學習實戰中的相關內容，使零基礎讀者也可以快速上手。 機器學習常見的算法理論+實例，11個小實驗以及8個綜合項目案例，配有視頻，深刻了解機器學習全部知識機器學習常見的算法，11個小實驗以及8個綜合項目案例，深刻了解機器學習全部知識
Python機器學習實戰 內容簡介
本書以機器學習算法為主題，詳細介紹算法的理論細節與應用方法。全書共19章，分別介紹了邏輯回歸與優選熵模型、k-近鄰模型、決策樹模型、樸素貝葉斯模型、支持向量機模型、集成學習框架、EM算法、降維算法、聚類算法、神經網絡模型等基礎模型或算法，以及8個綜合項目實例：汽車運動學片段分類、垃圾信息識別、乳腺癌識別、波士頓房價預測、生成動漫人物、鳶尾花分類、人臉識別、保險行為數據用戶分類器。本書重視理論與實踐相結合，希望為讀者提供全面而細致的學習指導。 本書適合機器學習初學者、相關行業從業人員以及高等院校計算機科學、軟件工程等相關專業的師生閱讀。
Python機器學習實戰 目錄
目錄
第1章機器學習概述
資源下載
1.1機器學習的組成
1.2分類問題及回歸問題
1.3監督學習、半監督學習和無監督學習
1.4生成模型及判別模型
1.5模型評估
1.5.1訓練誤差及泛化誤差
1.5.2過擬合及欠擬合
1.6正則化
1.7Scikitlearn模塊
1.7.1數據集
1.7.2模型選擇
第2章邏輯回歸及*大熵模型
2.1線性回歸
2.1.1一元線性回歸
2.1.2多元線性回歸
2.2廣義線性回歸
2.2.1邏輯回歸
2.2.2多分類邏輯回歸
2.2.3交叉熵損失函數
2.3*大熵模型
2.3.1*大熵模型的導出
2.3.2*大熵模型與邏輯回歸之間的關系
2.4評價指標
2.4.1混淆矩陣
2.4.2準確率
2.4.3精確率與召回率
2.4.4PR曲線
2.4.5ROC曲線與AUC曲線
2.5實例： 基于邏輯回歸實現乳腺癌預測
第3章k近鄰算法
3.1k值的選取
3.2距離的度量
3.3快速檢索
3.4實例： 基于k近鄰算法實現鳶尾花分類
第4章決策樹
4.1特征選擇
4.1.1信息增益
4.1.2信息增益比
4.2決策樹生成算法CART
4.3決策樹剪枝
4.3.1預剪枝
4.3.2后剪枝
4.4實例： 基于決策樹實現葡萄酒分類
第5章樸素貝葉斯分類器
5.1極大似然估計
5.2樸素貝葉斯分類
5.3拉普拉斯平滑
5.4樸素貝葉斯分類器的極大似然估計解釋
5.5實例： 基于樸素貝葉斯實現垃圾短信分類
第6章支持向量機
6.1*大間隔及超平面
6.2線性可分支持向量機
6.3線性支持向量機
6.4合頁損失函數
6.5核技巧
6.6二分類問題與多分類問題
6.6.1一對一
6.6.2一對多
6.6.3多對多
6.7實例： 基于支持向量機實現葡萄酒分類
第7章集成學習
7.1偏差與方差
7.2Bagging及隨機森林
7.2.1Bagging
7.2.2隨機森林
7.3Boosting及AdaBoost
7.3.1Boosting
7.3.2AdaBoost
7.4提升樹
7.4.1殘差提升樹
7.4.2GBDT
7.4.3XGBoost
7.5Stacking
7.6實例: 基于梯度下降樹實現波士頓房價預測
第8章EM算法及其應用
8.1Jensen不等式
8.2EM算法
8.3高斯混合模型GMM
8.4隱馬爾可夫模型
8.4.1計算觀測概率的輸出
8.4.2估計隱馬爾可夫模型的參數
8.4.3隱變量序列預測
8.5實例： 基于高斯混合模型實現鳶尾花分類
第9章降維
9.1主成分分析
9.1.1方差即協方差的無偏估計
9.1.2實例： 基于主成分分析實現鳶尾花數據降維
9.2奇異值分解
9.2.1奇異值分解的構造
9.2.2奇異值分解用于數據壓縮
9.2.3SVD與PCA的關系
9.2.4奇異值分解的幾何解釋
9.2.5實例： 基于奇異值分解實現圖片壓縮
第10章聚類
10.1距離度量
10.1.1閔可夫斯基距離
10.1.2余弦相似度
10.1.3馬氏距離
10.1.4漢明距離
10.2層次聚類
10.3KMeans聚類
10.4KMedoids聚類
10.5DBSCAN
10.6實例： 基于KMeans實現鳶花聚類
第11章神經網絡與深度學習
11.1神經元模型
11.2多層感知機
11.3損失函數
11.4反向傳播算法
11.4.1梯度下降法
11.4.2梯度消失及梯度爆炸
11.5卷積神經網絡
11.5.1卷積
11.5.2池化
11.5.3網絡架構
11.6循環神經網絡
11.7生成對抗網絡
11.8圖卷積神經網絡
11.9深度學習發展
11.10實例： 基于卷積神經網絡實現手寫數字識別
11.10.1MNIST數據集
11.10.2基于卷積神經網絡的手寫數字識別
第12章實戰： 基于KMeans算法的汽車行駛運動學片段的分類
12.1樣本聚類
12.1.1SSE
12.1.2輪廓分析
12.2汽車行駛運動學片段的提取
12.3基于KMeans的汽車行駛運動學片段分類
第13章實戰： 從零實現樸素貝葉斯分類器用于垃圾信息識別
13.1算法流程
13.2數據集載入
13.3樸素貝葉斯模型
13.3.1構造函數設計
13.3.2數據預處理
13.3.3模型訓練
13.3.4測試集預測
13.3.5主函數實現
第14章實戰： 基于邏輯回歸算法進行乳腺癌的識別
14.1數據集加載
14.2Logistic模塊
14.3模型評價
第15章實戰： 基于線性回歸、決策樹和SVM進行鳶尾花分類
15.1使用Logistic實現鳶尾花分類
15.2使用決策樹實現鳶尾花分類
15.3使用SVM實現鳶尾花分類
第16章實戰： 基于多層感知機模型和隨機森林模型的波士頓房價預測
16.1使用MLP實現波士頓房價預測
16.2使用隨機森林模型實現波士頓房價預測
第17章實戰： 基于生成式對抗網絡生成動漫人物
17.1生成動漫人物任務概述
17.2反卷積網絡
17.3DCGAN
17.4基于DCGAN的動漫人物生成
第18章實戰： 基于主成分分析法、隨機森林算法和SVM算法的人臉識別問題
18.1數據集介紹與分析
18.2LBP算子
18.3提取圖片特征
18.4基于隨機森林算法的人臉識別問題
18.5基于SVM算法的人臉識別問題
第19章實戰： 使用多種機器學習算法實現基于用戶行為數據的用戶分類器
19.1基于機器學習的分類器的技術概述
19.2工程數據的提取聚合和存儲
19.2.1數據整合的邏輯流程
19.2.2Sqoop數據同步
19.2.3基于Hive的數據倉庫
19.2.4基于Azkaban的數據倉庫的調度任務
19.2.5數據倉庫的數據集成和數據清洗
19.2.6整合后的數據表
19.3數據展示和分析
19.3.1數據集的選取和業務背景的描述
19.3.2各維度信息詳細說明
19.3.3各維度數據的描述性統計
19.3.4各維度數據的可視化
19.4特征工程
19.4.1標準化
19.4.2區間縮放
19.4.3歸一化
19.4.4對定性特征進行onehot編碼
19.4.5缺失值填補
19.4.6數據傾斜
19.5模型訓練和結果評價
19.5.1構造模型思路
19.5.2模型訓練的流程
19.5.3KFold交叉驗證
19.6各分類器模型的訓練和結果評價
19.6.1利用Python的sklearn包進行模型訓練的過程梳理
19.6.2邏輯斯諦分類模型的訓練和結果評價
19.6.3*小近鄰算法模型的訓練和結果評價
19.6.4線性判別分析模型的訓練和結果評價
19.6.5樸素貝葉斯算法的模型的訓練和結果評價
19.6.6決策樹模型的訓練和結果評價
19.6.7支持向量機模型的訓練和結果評價
19.7模型提升——集成分類器
19.7.1Boosting提升算法
19.7.2AdaBoost提升算法
19.7.3AdaBoost實現過程及實驗結果
附錄A用戶歷史充值情況數據表
附錄B用戶各類訂單余額情況
附錄C各省用戶收到公示消息后的充值情況
參考文獻
展開全部
Python機器學習實戰 作者簡介
呂云翔,1986-1992： 北方交通大學講師； 1992-1994： 比利時VUB大學應用信息技術碩士； 1994-1996： 比利時VUB大學MBA； 1996-2003： IT公司項目經理 2003-至今： 北航軟件學院副教授。已出版二十幾本教材（其中“計算機導論實踐教程”一書獲北航2010年教學成果三等獎；
書友推薦
- >
史學評論
- >
隨園食單
- >
山海經
- >
朝聞道
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
中國歷史的瞬間
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
羅庸西南聯大授課錄
本類暢銷
